Key points are not available for this paper at this time.
تتيح التطورات في نماذج التعلم العميق (DL) والأجهزة الحديثة على الحافة تصنيف الصور في الوقت الحقيقي، مما يدفع نحو الانتقال من النهج التقليدي الذي يركز بالكامل على السحابة إلى الذكاء الاصطناعي على الحافة، حيث تُخصص موارد السحابة للتخزين على المدى الطويل وتحليل البيانات المعمق. تعتبر هذه الابتكارات تحويلية للزراعة، حيث تمكن المراقبة المستقلة، واتخاذ القرارات المحلية، والكشف المبكر عن الطوارئ، وتطبيق المواد الكيميائية بدقة، مما يؤدي إلى تقليل التكاليف وتقليل الآثار البيئية وصحة الإنسان. تتضمن عملية نظام الذكاء الاصطناعي على الحافة لمراقبة الزراعة خطوتين رئيسيتين: التدريب الأمثل وضبط نماذج التعلم العميق من خلال تجارب واسعة على أجهزة الكمبيوتر المتخصصة في الذكاء الاصطناعي عالية الأداء، يليها تخصيص فعال للنشر على الأجهزة المتقدمة على الحافة. تبرز هذه المراجعة التحديات الرئيسية في التطبيقات العملية، بما في ذلك: (i) توفر البيانات الزراعية المحدود، وخاصة بسبب الموسمية، والتي يتم تناولها من خلال مجموعات بيانات عامة وتوليد صور اصطناعية؛ (ii) اختيار خوارزميات رؤية الكمبيوتر الحديثة التي توازن بين الدقة العالية والتوافق مع الأجهزة ذات الموارد المحدودة؛ (iii) نشر النماذج من خلال تحسين الخوارزميات ودمج المسرعات الصلبة الحديثة للتعلم العميق؛ و (iv) التطورات الأخيرة في نماذج الذكاء الاصطناعي لتصنيف الصور التي، على الرغم من عدم إمكانية نشرها بالكامل بعد، تقدم تحسينات واعدة على المدى القريب في الأداء والوظائف.
درس بينتوس وآخرون (Mon,) هذا السؤال.