論文の概要: Affordable Precision Agriculture: A Deployment-Oriented Review of Low-Cost, Low-Power Edge AI and TinyML for Resource-Constrained Farming Systems

• arxiv url: http://arxiv.org/abs/2603.15085v1
• Date: Mon, 16 Mar 2026 10:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.014903
• Title: Affordable Precision Agriculture: A Deployment-Oriented Review of Low-Cost, Low-Power Edge AI and TinyML for Resource-Constrained Farming Systems
• Title（参考訳）: Affordable Precision Agriculture:資源制約型農業システムのための低コスト低消費電力エッジAIとTinyMLの展開指向レビュー
• Authors: Riya Samanta, Bidyut Saha,
• Abstract要約: 精密農業は、人工知能を統合して、作物のモニタリング、灌水管理、資源効率を高める。 現在のシステムの大部分は依然としてクラウドベースであり、信頼性の高い接続性を必要としている。 このレビューでは、低コストで低電力の農業におけるTiny Machine Learningの進化と受容に焦点を当てたEdge AIのデプロイメントについて紹介する。
• 参考スコア（独自算出の注目度）: 0.48700127614643884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision agriculture increasingly integrates artificial intelligence to enhance crop monitoring, irrigation management, and resource efficiency. Nevertheless, the vast majority of the current systems are still mostly cloud-based and require reliable connectivity, which hampers the adoption to smaller scale, smallholder farming and underdeveloped country systems. Using recent literature reviews, ranging from 2023 to 2026, this review covers deployments of Edge AI, focused on the evolution and acceptance of Tiny Machine Learning, in low-cost and low-powered agriculture. A hardware-targeted deployment-oriented study has shown pronounced variation in architecture with microcontroller-class platforms i.e. ESP32, STM32, ATMega dominating the inference options, in parallel with single-board computers and UAV-assisted solutions. Quantitative synthesis shows quantization is the dominant optimization strategy; the approach in many works identified: around 50% of such works are quantized, while structured pruning, multi-objective compression and hardware aware neural architecture search are relatively under-researched. Also, resource profiling practices are not uniform: while model size is occasionally reported, explicit flash, RAM, MAC, latency and millijoule level energy metrics are not well documented, hampering reproducibility and cross-system comparison. Moreoever, to bridge the gap between research prototypes and deployment-ready systems, the review also presents a literature-informed deployment perspective in the form of a privacy-preserving layered Edge AI architecture for agriculture, synthesizing the key system-level design insights emerging from the surveyed works. Overall, the findings demonstrate a clear architectural shift toward localized inference with centralized training asymmetry.
• Abstract（参考訳）: 精密農業は、人工知能を統合して、作物のモニタリング、灌水管理、資源効率を高める。 それにもかかわらず、現在のシステムの大半はクラウドベースであり、信頼性の高い接続が必要であり、小規模で小規模の農業や未開発の田舎システムへの採用を妨げている。 2023年から2026年までの最近の文献レビューを使って、このレビューは、低コストで低電力の農業におけるTiny Machine Learningの進化と受容に焦点を当てたEdge AIの展開をカバーしている。 ESP32、STM32、ATMegaはシングルボードコンピュータやUAV支援ソリューションと並行して推論オプションを支配している。 定量的合成は、量子化が支配的な最適化戦略であることを示している。多くの研究において、そのような研究のおよそ50%は量子化され、一方、構造化プルーニング、多目的圧縮、ハードウェア対応ニューラルアーキテクチャサーチは、比較的過小評価されている。 モデルのサイズは時折報告されるが、明示的なフラッシュ、RAM、MAC、レイテンシ、ミリジュールレベルのエネルギーメトリクスは十分に文書化されておらず、再現性やシステム間比較を妨げている。 さらに、研究プロトタイプとデプロイメント対応システムの間のギャップを埋めるため、このレビューでは、プライバシ保護層による農業用エッジAIアーキテクチャの形式で、文学的なインフォームドデプロイメントの視点を示し、調査対象の作業から生まれる重要なシステムレベルの設計洞察を合成する。 全体としては、集中トレーニング非対称性による局所的推論への明確なアーキテクチャシフトを示す。

関連論文リスト

• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• AI-NativeBench: An Open-Source White-Box Agentic Benchmark Suite for AI-Native Systems [52.65695508605237]
  我々は、Model Context Protocol(MCP)とAgent-to-Agent(A2A)標準に基づいて、アプリケーション中心でホワイトボックスのAI-NativeベンチマークスイートであるAI-NativeBenchを紹介する。 エージェントスパンを分散トレース内の第一級市民として扱うことにより,本手法は,単純な機能以上の工学的特性の粒度解析を可能にする。 この研究は、モデル能力の測定から信頼性の高いAI-Nativeシステムへの移行を導く最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-01-14T11:32:07Z)
• Knowledge Grafting: A Mechanism for Optimizing AI Model Deployment in Resource-Constrained Environments [0.0]
  資源制約のある環境でAIモデルを最適化するために知識グラフトを導入する。 このアプローチはモデルサイズを88.54%削減する。 さまざまなエッジコンピューティングシナリオにまたがって拡張することができる。
  論文  参考訳（メタデータ） (2025-07-25T13:37:45Z)
• Optimizing edge AI models on HPC systems with the edge in the loop [0.0]
  エッジデバイスにデプロイされるAIと機械学習モデルは、サイズが小さいことが多い。 これは、最適化された構成を見つけるために、アーキテクチャ空間を体系的に探索するアプローチである。 本研究では,ベルギーのエッジデバイスとドイツの高性能コンピューティングシステムを組み合わせたハードウェア対応NASワークフローを提案する。 この手法は、オープンなRAISE-LPBFデータセットに基づいてAMドメインのユースケースで検証され、モデル品質を1.35倍に高めながら8.8倍高速な推論速度を実現する。
  論文  参考訳（メタデータ） (2025-05-26T13:47:36Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Small Vision-Language Models: A Survey on Compact Architectures and Techniques [0.28087862620958753]
  小型視覚言語モデル(sVLM)の出現は、マルチモーダルAIにおける重要な進歩である。 この調査は、コンパクトデザインと計算効率の革新を強調するアーキテクチャの分類を提供する。
  論文  参考訳（メタデータ） (2025-03-09T16:14:46Z)
• Edge-AI for Agriculture: Lightweight Vision Models for Disease Detection in Resource-Limited Settings [0.0]
  提案システムは,エッジデバイスへの展開に最適化された高度なオブジェクト検出,分類,セグメンテーションモデルを統合する。 本研究は, 精度, 計算効率, 一般化能力に着目し, 各種最先端モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-12-23T06:48:50Z)
• LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations [8.647853543335662]
  我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。 LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。 LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
  論文  参考訳（メタデータ） (2020-01-28T06:34:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。