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.

Bản dịch tiếng Việt:

Nông nghiệp chính xác ngày càng tích hợp trí tuệ nhân tạo để tăng cường giám sát cây trồng, quản lý tưới tiêu và sử dụng hiệu quả tài nguyên. Tuy nhiên, phần lớn các hệ thống hiện tại vẫn chủ yếu dựa trên nền tảng đám mây và yêu cầu kết nối đáng tin cậy, điều này cản trở việc áp dụng ở quy mô nhỏ hơn, nông nghiệp nhỏ và hệ thống ở các quốc gia kém phát triển. Sử dụng các bài đánh giá tài liệu gần đây, từ năm 2023 đến năm 2026, bài đánh giá này đề cập đến việc triển khai Edge AI, tập trung vào sự phát triển và sự chấp nhận của Tiny Machine Learning trong ngành nông nghiệp chi phí thấp và năng lượng thấp. Một nghiên cứu định hướng triển khai nhắm mục tiêu vào phần cứng đã cho thấy sự khác biệt rõ rệt về kiến ​​trúc với các nền tảng lớp vi điều khiển, tức là ESP32, STM32, ATMega chiếm ưu thế trong các tùy chọn suy luận, song song với các máy tính bảng đơn và các giải pháp được hỗ trợ bởi UAV. Tổng hợp định lượng cho thấy lượng tử hóa là chiến lược tối ưu hóa vượt trội; Cách tiếp cận trong nhiều công trình đã được xác định: khoảng 50% các công việc như vậy được lượng tử hóa, trong khi việc cắt tỉa có cấu trúc, nén đa mục tiêu và tìm kiếm kiến ​​trúc thần kinh nhận biết phần cứng còn tương đối ít được nghiên cứu. Ngoài ra, các phương pháp lập hồ sơ tài nguyên không đồng nhất: trong khi kích thước mô hình đôi khi được báo cáo, các số liệu về flash, RAM, MAC, độ trễ và năng lượng ở mức milijoule không được ghi chép rõ ràng, cản trở khả năng tái tạo và so sánh giữa các hệ thống. Hơn nữa, để thu hẹp khoảng cách giữa các nguyên mẫu nghiên cứu và các hệ thống sẵn sàng triển khai, đánh giá cũng trình bày quan điểm triển khai dựa trên tài liệu dưới dạng kiến ​​trúc Edge AI phân lớp đảm bảo quyền riêng tư cho nông nghiệp, tổng hợp những hiểu biết sâu sắc về thiết kế cấp hệ thống quan trọng xuất hiện từ các công trình được khảo sát. Nhìn chung, những phát hiện này chứng minh sự thay đổi kiến ​​trúc rõ ràng theo hướng suy luận cục bộ với sự bất cân xứng trong đào tạo tập trung.

Document Ready

Click below to load the full PDF document natively.