Edge-enabled smart agriculture framework: Integrating IoT, lightweight deep learning, and agentic AI for context-aware farming
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Edge-first framework unites IoT, dual vision models, and rule-based actions. • MiT-B0 at 128 × 128 enables low-power on-device weather and crop inference. • Achieves 88% weather and 93% crop accuracy with robust error metrics. • Agentic layer closes perception-to-actuation loop for autonomous control. • CPU-only Python case studies validate real-time decisions without cloud. • Proposed a dual-vision deep learning architecture that performs simultaneous crop and weather classification using lightweight, edge-optimized models for real-time operation. • Developed a rule-based agentic AI decision layer that fuses multimodal predictions to autonomously drive IoT-enabled agricultural interventions. • Demonstrated real-time responsiveness through seamless integration with field-deployable IoT devices such as irrigation controllers, drones, and environmental sensors. • Validated the system’s scalability and deployment-readiness for Agriculture 4.0 through rigorous experimentation, applied scenarios, and quantitative performance metrics. • Addressed major limitations in existing smart agriculture frameworks—including lack of context-awareness, server dependency, and resource inefficiency—by enabling autonomous, interpretable, and low-cost actuation in real-world environments. Smart farming in connectivity-limited, energy-sensitive environments demands on-device perception and decision-making to reduce latency and cloud dependence. This article proposes an edge-enabled smart agriculture framework that integrates lightweight deep learning, rule-based agentic AI, and Internet of Things (IoT) devices for real-time, autonomous farming decisions. The system features two vision-based models—one for weather classification and one for crop identification—built on the MiT-B0 Vision Transformer architecture and optimized for low-resolution (128 × 128) image inputs. These models run on resource-constrained hardware suitable for rural deployment and support efficient, on-device processing. Weather prediction spans 11 classes (e.g., frost, lightning, rain, sandstorm), while crop classification covers 5 major crops. The system achieves an accuracy of 88% for weather and 93% for crops, with high F1-scores and low MAE, Kappa, and Hamming loss values. Predictions are interpreted by a rule-based agentic AI layer that triggers actions across multiple IoT actuators, such as smart irrigation, NDVI sensors, frost alarms, drones, and pest detectors. The decision engine supports both joint rule logic (e.g., activating hail protectors when hail is detected in maize fields) and fallback single-condition rules. Python-implemented case studies show seamless model–AI–IoT interaction in combined and separate scenarios. By minimizing cloud dependency, reducing communication overhead, and enabling low-power operation, the proposed framework addresses critical challenges in connectivity-limited, energy-sensitive agricultural contexts. It demonstrates the potential for scalable and intelligent smart farming, aligning with the goals of sustainable Agriculture 4.0.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle