AgriDefend: A $205 Offline Edge Device that Detects Crop Stress Before Visible Symptoms via Multimodal AI Fusion

📄 arXiv: 2610.34861v1 📥 PDF

作者: George Xu, Nikhil Vincent, Elizabeth S. Forbes

分类: cs.LG, eess.SP

发布日期: 2026-10-26

备注: 3 pages, 3 figures

💡 一句话要点

提出AgriDefend以解决作物应激早期检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 作物监测 多模态融合 边缘计算 深度学习 精准农业 环境监测

📋 核心要点

  1. 现有的作物监测设备通常只能感知单一模态，无法在可见症状出现之前检测地下的作物应激。
  2. AgriDefend通过融合树冠图像和土壤探头数据，提供了一种新颖的多模态检测方案，能够提前识别作物健康问题。
  3. 在控制温室干旱试验中，AgriDefend的模型达到了87%的准确率，且土壤信号在可见枯萎前约四天就能预警。

📝 摘要（中文）

大多数田间作物监测设备仅感知单一模态，无法在可见症状出现之前检测地下的应激。本文提出AgriDefend，这是一种自包含的消费级边缘设备，融合了地面和地下的感知。使用MobileNetV2卷积神经网络分析树冠图像，同时利用随机森林分类器整合土壤探头的趋势特征。通过逻辑回归元学习器将两者融合为五类作物健康预测，所有计算均在Raspberry Pi 5上完成，无需云或蜂窝连接。在对野生萝卜的控制温室干旱试验中，融合模型达到了87%的准确率，并且其土壤信号在可见枯萎前约四天就已预警。该设备的材料成本为205美元，约为同类商业节点的五分之一，展示了多模态可持续作物传感的实用性。

🔬 方法详解

问题定义：本文旨在解决现有作物监测设备只能感知单一模态的问题，导致无法在可见症状出现之前检测地下的作物应激。

核心思路：AgriDefend通过融合树冠图像和土壤探头数据，利用深度学习和传统机器学习相结合的方法，提供了一种多模态的作物健康检测方案。

技术框架：整体架构包括三个主要模块：首先，使用MobileNetV2卷积神经网络分析树冠图像；其次，利用随机森林分类器整合土壤探头的趋势特征；最后，通过逻辑回归元学习器将两者融合为五类作物健康预测。所有计算均在Raspberry Pi 5上完成，无需云或蜂窝连接。

关键创新：最重要的技术创新在于将树冠图像分析与土壤探头数据相结合，形成了一种新的多模态融合方法，能够在可见症状出现之前提前识别作物应激。

关键设计：在模型设计中，使用了INT8 TensorFlow Lite进行推理，确保了在Raspberry Pi 5上的高效运行。模型在控制温室干旱试验中表现出87%的准确率，R^2为0.88，MAE为0.05，显示出良好的预测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在控制温室干旱试验中，AgriDefend的融合模型达到了87%的准确率，R^2为0.88，MAE为0.05，且其土壤信号在可见枯萎前约四天就能预警。这一性能显著优于传统单模态监测设备，展示了多模态融合的有效性。

🎯 应用场景

AgriDefend的潜在应用领域包括农业监测、精准农业和可持续发展等。该设备能够在资源有限的环境中为农民提供早期作物健康预警，帮助优化灌溉和施肥策略，从而提高作物产量和质量。未来，该技术有望推广至更广泛的农业应用场景，促进农业生产的智能化和可持续发展。

📄 摘要（原文）

Most in-field crop-monitoring devices sense a single modality -- either a camera looking at the canopy or a probe reading the soil -- and so cannot detect stress that begins below ground before it becomes visible above it. We present AgriDefend, a self-contained consumer-grade edge device that fuses both. A MobileNetV2 convolutional neural network (CNN) analyses canopy imagery, and a Random Forest classifier integrates trend features from a single soil probe: moisture, the rate of change in pH and in N, P, K, and belowground CO2 relative to ambient (a proxy for soil respiration). A logistic-regression meta-learner fuses the two into a five-class crop-health prediction, all on a Raspberry Pi 5 with no cloud or cellular link. On a controlled greenhouse drought trial with wild radish, the fused model reached 87% accuracy (R^2=0.88, MAE=0.05) at 1.4 s INT8 TensorFlow Lite inference, and its soil signals preceded visible wilting by about four days. The complete bill of materials is $205, roughly a fifth of comparable commercial nodes, positioning multimodal, sustainable crop sensing as a practical consumer-electronics product for connectivity-limited settings.