文是一篇面向部署的综述，研究低成本、低功耗 Edge AI 和 TinyML 在精准农业中的应用。

1. 研究背景

传统精准农业系统通常将田间采集的数据上传到云端，再由云服务器完成模型推理。这种方式依赖稳定的网络和持续的数据传输，在小农户和偏远农业地区存在明显限制：

• 网络连接不稳定；
• 数据传输成本较高；
• 云端通信增加推理延迟；
• 原始农业数据存在隐私问题；
• 持续联网和上传会增加系统功耗。

因此，农业人工智能逐渐从“云端集中处理”转向“田间本地推理”。TinyML 将经过压缩和优化的模型部署到低功耗微控制器上，使设备能够在没有持续网络连接的情况下完成病害识别、灌溉异常检测和环境监测。论文指出，当前农业 Edge AI 的整体趋势是推理本地化、训练集中化。

2. 论文的研究方法

文章主要分析了 2023—2026 年精准农业、Edge AI、TinyML 和资源受限计算领域的研究。

文献来源包括：

• Google Scholar；
• IEEE Xplore；
• ScienceDirect；
• SpringerLink；
• ACM Digital Library；
• Scopus。

初步检索得到约 45 篇候选文章，经过重复文献删除和摘要筛选后，对 34 篇论文进行了全文评估，最终选取 28 项满足条件的研究进行分析。纳入的研究需要包含设备端或近边缘推理，并讨论 Flash、RAM、延迟、能耗或模型大小等部署约束。

文章将现有农业系统归纳为三种部署方式：

1. 完全设备端推理；
2. 边缘辅助推理；
3. 分布式协同计算。

在此基础上，作者进一步提出了一套四层农业 Edge AI 部署架构。

3. 主要模型优化方法：INT8 量化

3.1 为什么需要 INT8

TinyML 模型通常部署在只有几十到几百 KB RAM、Flash 容量也非常有限的微控制器上。未经压缩的神经网络通常采用 FP32 表示权重和激活值，存储和计算成本较高。

INT8 量化将模型中的浮点数转换为 8 位整数表示，例如：

FP32 权重和激活值
        ↓
标定或量化转换
        ↓
INT8 权重和激活值
        ↓
部署到 MCU

理论上，相比 FP32，INT8 可以将模型权重的存储空间降低到约四分之一，并使模型能够使用微控制器上的整数运算和硬件加速指令。

INT8 主要降低三类资源消耗：

• 模型大小：减少 Flash 中的权重存储空间；
• 运行内存：减少激活值和中间张量的 RAM 占用；
• 计算开销：整数乘加通常比浮点计算更适合 MCU。

3.2 INT8 是综述中最常见的优化方法

文章统计的 13 项具有明确优化方法的研究中，超过一半采用了量化。Samanta 等、Koli 等、Kouzinopoulos 和 Manna、Madiwal 等、Hernandez-Hidalgo 等以及 Hayajneh 等研究均使用了 INT8 或其他低精度推理。

因此，论文将量化判断为当前精准农业 TinyML 中的主导优化策略。与之相比，结构化剪枝、多目标压缩和硬件感知神经架构搜索仍较少使用。

3.3 INT8 的应用案例

论文列举了多个量化部署实例。

灌溉异常检测

Hernandez-Hidalgo 等采用 8 位量化神经网络，将模型压缩到 6.2 KB，使其能够在微控制器上完成设备端灌溉异常检测。

植物病害检测

Kouzinopoulos 和 Manna 将经过剪枝和 INT8 量化的 YOLOv8n 部署到 STM32U5：

该案例说明，INT8 可以与结构化剪枝联合使用，将目标检测模型压缩到 MCU 级硬件可以承载的范围。

植物病害分类

综述中的植物病害检测系统大多采用轻量 CNN、MobileNet、DS-CNN 等网络，并结合训练后量化进行部署。所使用的硬件包括 ESP32-CAM、Arduino Nano 33 BLE、ESP-EYE 和 STM32U575。

对于当前精准农业 TinyML 系统，轻量化网络结构与 INT8 量化是最成熟、采用最广泛的部署路线。

4. 论文提出的四层部署架构

该架构需要决定传感器数据应当在什么位置处理，并综合平衡：

• 部署成本；
• 计算能力；
• 能耗；
• 推理延迟；
• 网络条件；
• 数据隐私。

整个系统分为四层：

第四层：云端训练与模型管理层
                ↑↓
第三层：边缘处理层
                ↑↓
第二层：推理执行层
                ↑↓
第一层：物理感知层

4.1 第一层：物理感知层

物理感知层直接连接农业环境，负责采集原始数据和执行控制命令。

感知设备

包括：

• 温度传感器；
• 湿度传感器；
• 风速传感器；
• 土壤湿度传感器；
• 摄像头；
• 多光谱相机；
• 无人机成像平台；
• 其他农业环境传感器。

执行设备

包括：

• 水泵；
• 电机；
• 风扇；
• 继电器；
• 灌溉阀门。

主要功能

• 原始数据采集；
• 数据临时存储；
• 本地信号处理；
• 电源控制；
• 向上层传输数据；
• 接收决策并控制执行器。

该层使用的接口主要包括 I²C、SPI、UART、ADC、PWM、GPIO 和 USB。

4.2 第二层：推理执行层

第二层负责在接近数据源的位置完成分析，是 TinyML 和 INT8 模型实际运行的核心位置。

这一层支持两种模式。

模式一：计算卸载

当传感节点的计算能力不足时，终端设备只负责：

1. 采集数据；
2. 将数据发送到边缘处理层；
3. 接收边缘层返回的推理结果；
4. 根据结果触发本地执行器。

这种模式适用于模型较大、输入复杂，或者 MCU 无法承担完整推理任务的情况。

模式二：设备端计算

模型直接部署在连接传感器的设备上，数据无需上传即可完成推理。

设备端计算又分为两种形式。

TinyML 推理

模型部署到超低功耗 MCU，例如 ESP32、STM32 或 ATMega。

典型硬件资源为：

• RAM：几百 KB；
• Flash：通常低于 2 MB；
• 功耗：适合长期连续运行。

INT8 量化主要作用于这一部分。模型在云端完成训练后，被转换为 INT8，并在 MCU 上执行本地推理。

单板计算机推理

当模型无法压缩到 MCU 能够运行的规模时，可以使用：

• Raspberry Pi；
• Jetson；
• 其他具有操作系统、GPU 或 AI 加速器的边缘设备。

单板计算机具有更强的计算能力，但成本和功耗也高于 MCU。

设备完成推理后，可以直接触发灌溉、报警或环境调节。同时，仅将预测结果、压缩后的元数据或异常记录发送到上层，而不必上传全部原始数据，从而降低延迟和隐私风险。

4.3 第三层：边缘处理层

边缘处理层通常由网关、区域服务器或性能较强的边缘计算设备组成。

其主要任务包括：

• 运行超过 MCU 能力范围的模型；
• 聚合多个传感节点的数据；
• 多传感器融合；
• 区域级农业分析；
• 协同推理；
• 拆分学习；
• 多设备协调；
• 对下层设备进行配置和控制。

例如，一个田间区域可能布置多个土壤湿度节点。各节点可以独立完成初步异常判断，边缘层则对多个节点的结果进行聚合，形成区域级灌溉决策。

边缘层能够在不持续依赖云端的情况下完成较复杂的分析，并通过蜂窝网络、卫星通信、Wi-Fi 或以太网与云平台通信。

4.4 第四层：云端训练与模型管理层

云端主要承担计算量大、更新频率较低的任务，包括：

• 数据长期存储；
• 多区域数据集聚合；
• 模型集中训练；
• 模型再训练；
• 模型版本管理；
• 超参数管理；
• 决策阈值调整；
• 配置管理；
• 性能日志分析；
• 整体系统编排。

下层设备向云端上传的主要是：

• 汇总后的观测数据；
• 设备遥测数据；
• 困难样本；
• 性能日志；
• 区域统计信息；
• 推理结果和异常记录。

云端向下层发送：

• 新版本模型；
• INT8 优化模型；
• 参数更新；
• 配置修改；
• 控制策略；
• 决策阈值。

因此，云端负责完整的模型生命周期，而边缘和设备端负责对延迟敏感的实时推理。

5. 架构的主要特点

5.1 本地优先

延迟敏感的任务尽量在设备端完成，例如：

• 病害报警；
• 灌溉异常检测；
• 水泵控制；
• 环境异常响应。

5.2 支持分层卸载

当 MCU 无法承担模型计算时，可以将任务依次卸载到：

MCU → 边缘网关 → 云端

并非所有任务都强制在最低层执行。

5.3 保护数据隐私

设备端可以只上传：

• 分类结果；
• 异常分数；
• 统计特征；
• 压缩元数据。

原始图像、传感器序列或农业生产数据可以保留在本地。

5.4 适应不稳定网络

本地推理不需要持续访问云端。即使网络中断，设备仍然可以完成基础监测和控制。

5.5 支持不同硬件

架构同时容纳：

• 超低功耗 MCU；
• Raspberry Pi 等单板计算机；
• Jetson 等高性能边缘设备；
• 区域服务器；
• 云计算平台。