农业中的边缘 AI 涉及直接在无人机、传感器或农场设备等设备上部署机器学习模型，以在本地处理数据。 这种方法减少了对云连接的依赖，实现了实时决策，并解决了农村互联网接入有限等挑战。 以下是其在农业中应用的三个具体例子。
一个关键应用是使用无人机或地面摄像头进行作物健康监测。 例如，卷积神经网络 (CNN) 等边缘 AI 模型可以直接在无人机上分析作物图像，以检测疾病、害虫或营养缺乏症。 安装在无人机上的 Raspberry Pi 或 Jetson Nano 设备实时处理图像，标记需要注意的区域。 例如，经过训练可以识别马铃薯植物晚疫病的模型可以触发警报，以便有针对性地施用农药，从而减少与全面喷洒相比造成的浪费。 这避免了将 TB 级图像上传到云端的延迟，并允许在短时间内立即采取行动。
另一个用例是自动农用机械。 配备边缘 AI 的拖拉机或收割机可以使用车载摄像头和激光雷达在田地中导航，避开岩石或沟渠等障碍物。 在嵌入式 GPU 上运行的 YOLOv8 模型可以实时识别杂草，从而实现精确的除草剂施用。 例如，John Deere 的 See & Spray 系统使用这种方法来区分作物和杂草。 边缘处理在这里至关重要，因为延迟很重要 - 等待云推理可能会导致拖拉机错过目标或与障碍物相撞。 本地模型执行还确保了蜂窝网络覆盖较差区域的功能。
第三个例子是使用可穿戴传感器进行牲畜监测。 项圈或耳标上的边缘设备可以跟踪动物的运动、温度和发声，以检测疾病或发情。 例如，微控制器上由 TinyML 模型处理的加速度计数据可以通过分析步态模式来识别奶牛的跛足。 农民可以通过 LoRaWAN 或蓝牙接收警报，而无需持续的云连接。 这比人工检查效率更高，尤其是在大型畜群中。 Cainthus 等公司使用基于边缘的面部识别来监控单个动物的喂养行为，优化饲料计划并降低成本。
这些例子突出了边缘 AI 在提高农业效率和可扩展性方面的作用。 通过直接在设备上运行模型，开发人员可以创建在远程环境中可靠工作、立即响应不断变化的环境条件并最大限度地降低数据传输成本的系统 - 这是现代农业的关键考虑因素。