Применение Raspberry Pi в точном земледелии: систематический обзор

Точное земледелие (ТЗ) — это технология управления сельскохозяйственным производством, основанная на анализе данных, которая позволяет повысить урожайность при эффективном использовании ресурсов. Существующие методы ТЗ опираются на обработку данных, что подчеркивает необходимость в портативных вычислительных устройствах для принятия решений в реальном времени непосредственно в поле. Raspberry Pi — недорогой одноплатный компьютер с поддержкой нескольких операционных систем — решает эту задачу. Однако информация об использовании Raspberry Pi в ТЗ остается ограниченной. Данный обзор систематизирует сведения о версиях Raspberry Pi, датчиках, устройствах, развертывании алгоритмов и областях применения в точном земледелии.

Систематический анализ литературы в трех академических базах данных (Scopus, Web of Science, IEEE Xplore) позволил отобрать 84 статьи (по состоянию на 22 ноября 2024 года) на основе четырех исследовательских вопросов и критериев отбора (исключения и включения). Для обобщения результатов использовались нарративный синтез и анализ подгрупп. Полученные данные свидетельствуют о том, что Raspberry Pi может выступать в качестве центрального блока управления датчиками, обеспечивая экономически эффективную автоматизированную поддержку принятия решений в точном земледелии, особенно в таких областях, как выявление заболеваний растений, адресное управление сорняками, фенотипирование растений, оценка биомассы и системы орошения. Несмотря на то, что основное внимание уделяется этим направлениям, необходимы дальнейшие исследования в отношении других областей применения ТЗ, таких как мониторинг поголовья скота, использование беспилотных летательных аппаратов (БПЛА) и программное обеспечение для управления сельскохозяйственными предприятиями. Кроме того, Raspberry Pi может использоваться как ценный обучающий инструмент для студентов, исследователей и фермеров, способствуя внедрению технологий точного земледелия во всем мире и помогая заинтересованным сторонам раскрыть их потенциал.

С увеличением численности населения мира почти до 10 миллиардов к 2050 году сельскохозяйственное производство необходимо увеличить на 60–70%, чтобы удовлетворить потребности в продовольствии [1,2]. Климатические условия, географическое положение и предыдущий опыт производителя влияют на методы ведения сельского хозяйства. Методы точного земледелия (ТЗ) позволяют оптимизировать сельскохозяйственное производство благодаря управляемым данными, повторяемым решениям, принимаемым в реальном времени [3]. Однако для анализа данных в реальном времени и принятия решений непосредственно в поле необходимы устройства/датчики, которые просты в обращении, портативны и обладают высокой вычислительной способностью. Одноплатные компьютеры (ОПК), которые обеспечивают мобильность, универсальность, высокий уровень вычислительной мощности при малых габаритах и низкую задержку, могут быть использованы для этих целей [4].

Среди ОПК Raspberry Pi продолжает оставаться на переднем крае различных методов ТЗ благодаря своей высокой доступности по цене, способности управлять несколькими датчиками и устройствами [5], совместимости с несколькими операционными системами, простоте использования, хорошей вычислительной мощности и аксессуарам [6]. Для распространения Raspberry Pi и поддержки адаптации ТЗ во всем мире, независимо от уровня развития стран, крайне важна всесторонняя информация о Raspberry Pi, его возможностях и применениях. Несмотря на наличие отдельных исследований по данной теме, отсутствует всесторонний обзор и обобщение существующей литературы по применению Raspberry Pi в ТЗ. Таким образом, данное исследование направлено на то, чтобы обобщить и систематизировать имеющиеся знания о Raspberry Pi, обеспечив фундаментальное понимание системы и ее применений в ТЗ.

ТЗ — это концепция управления сельским хозяйством, которая помогает фермерам использовать ресурсы, такие как вода, удобрения и семена, с переменной интенсивностью (точное местоположение и количество) на полях для достижения максимальной урожайности при минимальных затратах ресурсов [7]. Исследование экологических преимуществ ТЗ показало, что фермеры, использовавшие технологии точного земледелия, добились примерно 7% увеличения использования удобрений, 4% увеличения производства сельскохозяйственных культур, 9% сокращения использования гербицидов и 6% снижения использования ископаемого топлива [8]. Глобальная система позиционирования (GPS), сетевое опробование почвы (grid sampling), технология переменного нормирования (VRT), дистанционные датчики, мониторы урожайности, контактные датчики и ОПК являются наиболее распространенными устройствами и технологиями, используемыми в ТЗ [9]. Данные, собранные с этих устройств, обычно передаются в алгоритмы машинного обучения (МО) или глубокого обучения (ГО) или другие модели для прогнозирования урожайности, анализа почвы и прогнозирования погоды [10,11]. Обычно для анализа и обработки данных используются более крупные машины (например, настольные компьютеры, облачные кластеры), что ограничивает возможности применения непосредственно в поле и в реальном времени [12].

GPS обычно используется для мониторинга урожайности и измерения скорости потока материала в поле [13]. Сетевое опробование почвы позволяет узнать распределение питательных веществ по полю, тем самым предотвращая чрезмерное внесение удобрений [14]. VRT использует ресурсы, такие как семена, удобрения и воду, с различной интенсивностью в зависимости от данных, полученных от GPS, датчиков и карт [15]. Дистанционные датчики в ТЗ помогают наблюдать и контролировать различные характеристики, такие как тип культуры, урожайность, дефицит воды, питательные вещества почвы, сорняки и болезни [16]. Монитор урожайности может быть установлен в кабине комбайна, что позволяет пользователю получать данные об урожайности и влажности в реальном времени. Это устройство может хранить, а также передавать отслеживаемые данные на компьютер [17]. Контактные датчики могут быть установлены на передней части трактора для измерения физиологических характеристик культуры и свойств почвы [18].

Хотя методы ТЗ трансформировали сельскохозяйственную технику в сторону автоматизации с использованием датчиков и программного обеспечения, такие достижения обычно используют более крупные выделенные, облачные или настольные вычислительные системы. Для принятия решений в реальном времени непосредственно в поле путем запуска алгоритмов МО/ГО ключевым условием успеха ТЗ является компактное, простое в использовании и портативное вычислительное устройство [19]. ОПК — это портативные вычислительные устройства с памятью, управлением вводом-выводом, микропроцессором, Ethernet и разъемами, встроенными в одну печатную плату, что делает их компактными, и поэтому они были приняты в ТЗ [20]. Это делает использование ОПК портативной и недорогой альтернативой, но требуются исследования для установления их вычислительных пределов. К ОПК относятся Odyssey, Odroid, LattePanda, BeagleBone, Intel Galileo, Nvidia Jetson, Tinker board, Arduino UNO и Raspberry Pi. Общими областями применения этих ОПК являются автоматизация, мониторинг и управление процессами [21]. Среди ОПК Raspberry Pi часто используется в ТЗ, поскольку он является экономически эффективным, простым в управлении и подключении нескольких датчиков и устройств, которые могут использоваться для распознавания объектов [22], и обладает различными аксессуарами для выполнения встроенных операций с пользовательскими алгоритмами МО [23] и программным обеспечением, запрограммированным на них [6]; поэтому для данного исследования выбран именно Raspberry Pi.

Было найдено несколько обзорных статей, касающихся технологий ТЗ в целом; однако обзорных статей, применяющих систематический обзор литературы на основе PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) по использованию Raspberry Pi в ТЗ до 2023 года, обнаружить не удалось. Raspberry Pi — это инновационная технология для обеспечения круглогодичного сельскохозяйственного производства путем предоставления интеллектуальных решений для мониторинга здоровья культур [24], управления орошением, борьбы с вредителями, прогнозирования погоды, управления удобрениями и мониторинга скота [25]. Он собирает, анализирует и обрабатывает данные в реальном времени и подходит для создания системы мониторинга, которая помогает в работе сельскохозяйственной техники [26]. Raspberry Pi также выступает в качестве архитектуры беспроводной визуальной сенсорной сети (WVSN), которая помогает визуально осматривать культуры удаленно [27].

Цель данного исследования — обобщить и предоставить всесторонний обзор различных особенностей и применений Raspberry Pi в ТЗ. Таким образом, главная задача этого исследования — провести систематический обзор литературы с использованием выбранных академических баз данных, таких как Scopus, Web of Science и IEEE Xplore, с выбранными поисковыми запросами и критериями отбора. Обобщение известных литературных источников об особенностях Raspberry Pi и его применениях в ТЗ приведет к выявлению ограничений и пробелов в исследованиях для будущих потенциальных исследований по оптимальному использованию Raspberry Pi в ТЗ. Такой всеобъемлющий обзор Raspberry Pi в ТЗ с современными концепциями моделирования, такими как алгоритмы МО и ГО, поможет фермерам, производителям, исследователям, преподавателям, техникам и другим заинтересованным сторонам в более широком внедрении технологии и принятии решений в реальном времени непосредственно в поле.

Новизна этого обзорного исследования заключается в применении систематического обзора литературы на основе руководящих принципов PRISMA и других уникальных особенностей. Это включает в себя формулирование исследовательских вопросов и нахождение решений посредством обзора, обобщение информации о совместимых датчиках для решения конкретных задач ТЗ и предоставление подробной информации об оптимизации развертывания МО и ГО, специфичной для ОПК.

Четырьмя распространенными методами обзора литературы являются критический, нарративный, теоретический и систематический [28]. Систематический обзор литературы использует четко определенные протоколы, которые выбираются до начала любого обзора. Он включает тщательное планирование и методы поиска, основанные на соответствующих исследовательских вопросах [29]. Чтобы обеспечить это, систематический обзор литературы является тщательным и узконаправленным, и каждый элемент исследования, такой как предыдущие подходы к исследованиям, неизученные области, имеющие возможности для дальнейших исследований, используемые базы данных и временные рамки каждого поиска, полностью описывается [30].

Поскольку первоначальных усилий по обзору литературы по теме применения Raspberry Pi в ТЗ в целом предпринято не было, систематический обзор литературы был выбран в качестве методологии исследования для данной работы. Процесс и результаты обзора проиллюстрированы на Рисунке 1. Этот систематический обзор литературы был выполнен с использованием методологии PRISMA, основанной на подходе Peixoto и др. [31]. Важно отметить, что, хотя мы в основном следовали контрольному списку PRISMA 2020 года, мы не соблюдали строгие руководящие принципы, исходя из характера и целей этого обзорного исследования.

Рисунок 1. Сжатый план систематического обзора литературы, проведенного в данном исследовании.

2.1. Исследовательские вопросы

Исследовательские вопросы (ИВ), установленные для данного систематического обзора литературы, следующие:

ИВ1: «Какие версии Raspberry Pi используются в ТЗ?» Этот вопрос направлен на получение всеобъемлющего обобщения Raspberry Pi в ТЗ, его аппаратных и программных компонентов. Этот вопрос также подчеркивает общие характеристики платы.

ИВ2: «Какие датчики и другие электронные устройства используются с Raspberry Pi для принятия решений в реальном времени в ТЗ?» Цель этого вопроса — получить знания о том, как интегрировать периферийные устройства с Raspberry Pi для принятия решений в реальном времени в ТЗ.

ИВ3: «Как сложные модели МО и ГО развертываются на Raspberry Pi?» Этот вопрос направлен на то, чтобы предоставить более глубокое понимание того, как сложные модели обрабатываются такими небольшими вычислительными устройствами, как Raspberry Pi.

ИВ4: «Какую важную роль играет Raspberry Pi в ТЗ?» Этот вопрос направлен на то, чтобы предоставить информацию о нескольких применениях Raspberry Pi в области ТЗ.

2.2. Процесс поиска литературы

Первоначально, чтобы получить представление о более широком применении Raspberry Pi в различных предметных областях, в поиске по базам данных использовалась всеобъемлющая поисковая строка «Raspberry Pi» для сбора всех возможных записей. Однако конкретные поисковые строки (основные и второстепенные), относящиеся к данному исследованию, были объединены с использованием логических операторов. Основными поисковыми строками, выбранными для проведения поиска литературы, были «precision agriculture» и «Raspberry Pi». Логический оператор «AND» использовался для построения поисковой строки, чтобы собрать записи, содержащие обе поисковые строки. Эта поисковая строка использовалась для сбора литературы из трех академических баз данных: Scopus, Web of Science и IEEE Xplore. Результаты поиска основывались на полях поиска (общая опция поиска): название статьи, аннотация и ключевые слова.

Мы выбрали эти три популярные академические базы данных для этой рукописи из-за их доступности через университетские подписки, а также благодаря тому, что они предлагают материалы разных издательств, междисциплинарный охват и инструменты визуализации. Мы не использовали такие базы данных, как ScienceDirect и SpringerLink, которые являются издательскими базами данных, чтобы минимизировать дублирование, поскольку некоторые их статьи также индексируются в выбранных базах данных.

Среди выбранных баз данных Scopus предоставил ресурсы для лучшего поиска и выдал адекватное количество уникальных записей из разных областей с хорошим акцентом на сельскохозяйственные и биологические науки. Напротив, IEEE больше относится к инженерной области электротехники и электроники, а Web of Science слишком ограничена в выдаче поисковых записей, хотя, возможно, она охватывает только наиболее авторитетные источники. Сформулированные исследовательские вопросы помогли выбрать некоторые второстепенные поисковые строки (доступные в Scopus), которые облегчили дальнейший поиск литературы. Это были «smart agriculture», «agricultural automation», «single-board computer», «microcontroller», «machine learning» и «deep learning». Временные рамки для сбора литературы охватывают период с 2013 по 2023 год. Собранная литература из разных баз данных была объединена в список уникальных записей для дальнейшей обработки.

2.3. Протокол отбора

Первый этап структуры PRISMA (Рисунок 2) включал идентификацию и сбор литературы в трех поисковых системах. В процессе отбора было обеспечено, чтобы вся литература была на английском языке. Общее количество результатов поиска из баз данных составило 242. Второй этап включал удаление дубликатов и отбор собранной литературы по релевантности. Дублирующиеся статьи, найденные в выбранных базах данных, были удалены путем их импорта в программу управления ссылками Mendeley, в результате чего было получено 172 уникальные записи. Эти статьи были отобраны на основе типа документа, такого как обзоры художественных выставок, редакционные материалы, информационные статьи, письма, новостные заметки и отозванные публикации. Записи исключались, если они основывались на таких предметных областях, как распознавание лиц, телекоммуникации и вычисления, анализ текста, обработка естественного языка, обработка геофизических изображений, реконструкция изображений, прикладные науки о Земле, медицинская визуализация, биомедицинская и медицинская информатика или автомобильные технологии, чтобы отфильтровать более релевантные исследования. Общее количество записей, полученных на этапе отбора, составило 130.

Рисунок 2. Систематический сбор литературы в соответствии с руководящими принципами PRISMA (поисковые строки: «Raspberry Pi» AND «precision agriculture»; годы: 2013–2023).

После этапа отбора следовал этап оценки приемлемости, на котором отбирались только статьи с полным текстом, которые могли быть дополнительно рассмотрены, при этом удалялись релевантные записи, предоставлявшие только частичную информацию, такую как аннотации, презентации и другие записи, которые не были доступны в электронном виде. Количество записей, полученных в конце этого этапа, составило 74. Еще 10 записей было получено через ссылки в библиографиях, что довело общее количество статей, включенных в этот обзор, до 84. Процесс отбора в этом исследовании проводился самими авторами вручную; разногласия разрешались путем обсуждения между авторами для обеспечения последовательности и точности, и никакие инструменты автоматизации явно не использовались. Общая структура PRISMA, использованная для проведения поиска литературы (по состоянию на 22 ноября 2024 года), изображена на Рисунке 2.

Оценка риска смещения (RoB) не проводилась для исследований, включенных в эту обзорную статью. Хотя эта оценка обычно используется для оценки качества и потенциальных систематических ошибок включенных исследований, наш обзор в основном был направлен на сбор соответствующих данных. Мы не использовали какую-либо формальную оценку RoB. Это решение было принято для сохранения целей и задач этого систематического обзора, который направлен на обсуждение всестороннего обзора применений Raspberry Pi в ТЗ без оценки качества методологии каждого отдельного исследования. Эта обзорная статья также не была зарегистрирована в каком-либо реестре систематических обзоров и не имела заранее подготовленного протокола обзора.

2.4. Типы использованных методов обобщения

2.4.1. Нарративный синтез

Мы использовали «нарративный синтез» как один из методов обобщения для предоставления качественного понимания того, как Raspberry Pi используется в ТЗ. Этапы включают обобщение ключевых выводов каждого исследования, выявление закономерностей между исследованиями и их дальнейшую интерпретацию. Из-за разнообразия включенных исследований и категорий данных, обсуждаемых в каждом исследовании, этот метод был принят для получения значимых выводов из каждого исследования. Это также помогло в понимании текущего использования Raspberry Pi в ТЗ и областей, в которых необходимо провести дальнейшие исследования. В этом обзоре не использовался какой-либо конкретный метод подготовки данных, поскольку данные, полученные из исследований, использовались непосредственно для синтеза.

2.4.2. Анализ подгрупп

Мы разделили собранную литературу на такие подгруппы, как версии Raspberry Pi (Раздел 4.4), датчики, совместимые с Raspberry Pi (Раздел 5.2), развертывание моделей МО и ГО на Raspberry Pi (Раздел 6) и различные области ТЗ (Раздел 7) по следующим причинам:

- Анализ исследований в соответствии с различными версиями Raspberry Pi помог нам узнать, какой Raspberry Pi обычно используется в ТЗ, и дополнительно помог выявить аппаратные предпочтения в зависимости от применений в ТЗ.

- Группировка исследований на основе датчиков, совместимых с Raspberry Pi, подчеркнула наиболее часто используемые датчики и их эффективность с Raspberry Pi в приложениях ТЗ для принятия решений в реальном времени.

- Изучение исследований о методе развертывания моделей МО и ГО на Raspberry Pi предоставило понимание оптимизации и адаптации.

- Разделение собранной литературы в соответствии с различными областями ТЗ помогло нам определить, какие области наиболее часто используют Raspberry Pi.

Результаты систематического обзора литературы по применению Raspberry Pi в ТЗ представлены вместе с ответами на исследовательские вопросы (ИВ1–ИВ4). Пробелы в исследованиях выявлены, и в результаты также включены предложения и рекомендации для будущей исследовательской работы.

3.1. Общие предметные области, связанные с Raspberry Pi

Многие области науки и техники используют Raspberry Pi (Рисунок 3), что видно из результатов распределения по предметным областям на основе критериев поиска. Этот простой, всеобъемлющий поиск с поисковой строкой «Raspberry Pi» за период времени >2012 и <2024 с использованием базы данных Scopus вернул 31 447 записей. «Компьютерные науки» имеют самую высокую долю использования Raspberry Pi (31,1%), поскольку это основная платформа для изучения программирования с использованием Raspberry Pi. Вторым крупным пользователем является «инженерия» (24,4%), что подчеркивает роль этого устройства в разработке прототипов и автоматизации. «Математика» использует Raspberry Pi для моделирования математических задач и их симуляции для принятия решений в реальном времени (8,4%), а «физика и астрономия» используют Raspberry Pi для сбора и анализа данных (8,0%).

Рисунок 3. Общее распределение по предметным областям, связанным с Raspberry Pi, из базы данных на основе критериев поиска (запрос и база данных Scopus); легенда  указывает количество найденных записей.

Другие области, использующие Raspberry Pi, включают науки о решениях, энергетику, социальные науки, материаловедение, медицину, науки об окружающей среде, биохимию, химическое машиностроение, а также управление бизнесом и бухгалтерский учет, с долями от 6,3% до 1,02% в таких видах деятельности, как анализ, управляемый данными, экспериментальная демонстрация и обеспечение лабораторной автоматизации. Категория «другие» (1,93%) включает несколько предметных областей с основным вкладом со стороны наук о Земле и планетах (мониторинг стихийных бедствий), междисциплинарных областей, нейронаук, искусств и гуманитарных наук, профессий в области здравоохранения, фармакологии (портативные встраиваемые устройства), эконометрики и финансов (экономически эффективное ведение финансовых записей) и других второстепенных предметов.

Использование Raspberry Pi в «сельскохозяйственных и биологических науках» составляет всего 0,92% с 278 записями, что объединяет записи из сельскохозяйственных и других биологических наук. В целом, Raspberry Pi используется для поддержки ТЗ и экологического мониторинга для оптимизации урожайности в сельском хозяйстве. Использование Raspberry Pi в сельскохозяйственных науках относительно меньше, чем в других областях, интенсивно использующих вычисления, что подчеркивает масштаб, важность и необходимость его использования для получения его преимуществ. Это низкое использование в сельскохозяйственных науках представляет собой большую возможность для дальнейших исследований, поскольку легкая архитектура Raspberry Pi делает его пригодным для полевых приложений в реальном времени в сельском хозяйстве, в отличие от многих других внеполевых, офисных специализаций.

3.2. Текущее количество публикаций в выбранной области

Для специфического для исследования систематического поиска литературы (Раздел 2.2) на основе скрининга по структуре PRISMA (Раздел 2.3; Рисунок 4), количество записей за последние годы (с 2013 по декабрь 2023 года, десятилетие литературы в этой области) в области ТЗ на основе выбранной поисковой строки («Raspberry Pi» AND «precision agriculture») после этапов удаления дубликатов и отбора составило 130, и распределение по годам представлено на Рисунке 4.

Рисунок 4. Количество отобранных записей после этапа отбора (130 до исключения и фильтрации по приемлемости) для наблюдения за тенденцией публикаций за период времени по применению Raspberry Pi в точном земледелии в соответствии с поисковым запросом.

График показывает, что исследования начали увеличиваться в 2013 году, на следующий год после появления Raspberry Pi. Только несколько публикаций были найдены на ранних этапах (с 2013 по 2017 год). Конструктивное развитие Raspberry Pi в последующие годы (Раздел 4) показывает недавний повышенный интерес к этой области исследований. Наблюдая за тенденцией, можно ожидать, что в будущем сохранится исследовательский интерес к применению Raspberry Pi в различных областях.

Следует отметить, что возможны и другие записи научных публикаций об использовании Raspberry Pi в различных областях, даже в сельском хозяйстве для других видов деятельности (например, мониторинг, измерение, ведение данных, простая автоматизация), но этот поиск привел только к пересечению «Raspberry Pi» и «precision agriculture» в выбранных базах данных по полям названия, аннотации и ключевых слов. Таким образом, возможно не включить записи, в которых публикация обширно рассматривала Raspberry Pi и сельскохозяйственную деятельность, но не была идентифицирована поисковой системой как связанная с ТЗ, когда ТЗ не упоминалось в полях поиска публикации.

4.1. Версии Raspberry Pi

Raspberry Pi — это компактно спроектированный, портативный, экономически эффективный одноплатный компьютер, запущенный британским ученым-компьютерщиком Эбеном Аптоном из Raspberry Pi Foundation, Великобритания, в 2012 году. На основе памяти, системы-на-кристалле (SoC), подключений Ethernet и поддержки периферийных устройств были разработаны различные модели Raspberry Pi, такие как A, A+, B, B+, ZeroW и Zero. Со временем линейка Raspberry Pi развилась в различные версии, такие как Raspberry Pi 5, 4, 3, 2 и 1, с разными моделями (Рисунок 5), начиная с выпуска первой версии в 2012 году [32]. Последняя версия, выпущенная в 2023 году, — Raspberry Pi 5, который, как утверждается, имеет скорость в 2–3 раза выше, чем предыдущая версия 4, по нескольким сравнительным тестам [33]. Выпуск нескольких этих версий за такой короткий промежуток времени показывает спрос и необходимость в развитии.

Рисунок 5. Версии Raspberry Pi с 2012 по 2023 год с названиями их моделей и годами выпуска (адаптировано из следующих источников: Allan [33], SunFounder [34], Kumar [35]).

4.2. Аппаратные и программные компоненты Raspberry Pi

Будучи одноплатным компьютером, Raspberry Pi разделяется на аппаратные и программные компоненты. Аппаратными частями Raspberry Pi являются Broadcom SoC, ARM CPU/GPU, GPIO (общего назначения ввод-вывод), ЖК-дисплеи, USB, HDMI, питание, слот для SD-карты и Ethernet [36]. Broadcom SoC является важной частью Raspberry Pi, который координирует CPU, GPU, память и другие периферийные устройства на одном чипе. ARM (Advanced RISC Machine) — это микропроцессор, построенный с использованием архитектуры RISC, который имеет набор инструкций для процессора для выполнения задач [37]. Raspberry Pi работает на операционной системе Linux с открытым исходным кодом на основе Debian, называемой Raspberry Pi OS (ранее известной как Raspbian). Он также может работать на других ОС, таких как Windows 10, Ubuntu MATE, RetroPie и Kodi OS. Он включает C/C++, Python 2/3 и Scratch по умолчанию. Он также поддерживает другие языки программирования, такие как Java, JavaScript, Erlang, jQuery, HTML/CSS и Perl [38].

4.3. Общие характеристики Raspberry Pi

Скорость обработки процессора ARM Cortex варьируется от 700 МГц до 1,5 ГГц, а оперативная память — от 256 МБ до 8 ГБ. Размеры платы различаются в зависимости от версии Raspberry Pi. Версия Raspberry Pi 4 имеет размеры 85,0 × 56 × 17 мм. Операционные системы обычно хранятся на SD-картах. Эти платы доступны с одним-четырьмя USB-слотами, а также портами HDMI для передачи несжатых видео- и аудиофайлов. Выводы GPIO (Рисунок 6) предоставлены для интеграции датчиков, проводов и других электронных устройств с Raspberry Pi [39].

Рисунок 6. Конфигурация выводов GPIO Raspberry Pi для подключения датчиков (адаптировано из Negi [40]).

4.4. Ответ на ИВ1: Какие версии Raspberry Pi используются в ТЗ?

Обычно используемые версии Raspberry Pi в ТЗ, как видно из обзора опубликованной литературы, следующие:

-   Raspberry Pi 4 Model B: Он обладает лучшей вычислительной мощностью и скоростью производительности, чем его предыдущие версии, и поддерживает два монитора, что делает его пригодным для визуализации данных, многозадачности и экологического мониторинга [41,42]. Эта модель нашла применение в 24 из 84 литературных источников (28,6%). Ценовой диапазон этой текущей модели составляет 35–60 долларов США.

-   Raspberry Pi 3 Models B и B+: Эти модели обычно используются из-за их встроенных беспроводных возможностей (Wi-Fi и Bluetooth), позволяющих им легко подключаться и взаимодействовать с другими датчиками и устройствами в поле [43]. Модель B использовалась 26 раз (30,95%), а модель B+ — 7 раз (8,3%).

 -  Raspberry Pi Zero W и Zero: Эти компактные и недорогие модели подходят для маломасштабных приложений точного земледелия, таких как мониторинг с низким энергопотреблением и специализированные сенсорные платформы [44]. Модели Zero и Zero W упоминались в шести записях (7,1%).

Несколько из собранных литературных исследований использовали Raspberry Pi без указания модели, и эта информация представлена в Дополнительных материалах (Раздел S1). С недавним появлением Raspberry Pi 5, который имеет улучшенную производительность и скорость, но более высокую цену (50–80 долларов США), ожидается, что будущие исследования в области ТЗ, требующие более высокой производительности, будут использовать эту версию. Однако из-за их экономической эффективности и доступности предыдущие модели также продолжают использоваться в исследованиях.

Цель состоит в том, чтобы изучить различные типы датчиков и устройств, совместимых с Raspberry Pi, и их применение для обеспечения принятия решений в реальном времени для улучшения методов ТЗ, а также описание и технические сведения об их конфигурациях, тем самым ответив на соответствующий исследовательский вопрос.

5.1. Датчики, совместимые с Raspberry Pi

Raspberry Pi поддерживает различные типы датчиков и приспособлений (дополнительные аппаратные компоненты или устройства, которые электронно подключаются к Raspberry Pi), что делает его универсальной платформой для разнообразных применений (Рисунок 7). Эти датчики взаимодействуют с Raspberry Pi через выводы GPIO (Рисунок 6) с помощью других компонентов, таких как конденсаторы, резисторы, транзисторы, АЦП и соединительные провода. Каждый тип датчика имеет свои уникальные детали подключения. Библиотека Python GPIO используется для чтения датчиков, подключенных к Raspberry Pi.

Рисунок 7. Всеобъемлющая группировка датчиков, совместимых с Raspberry Pi, и их применений.

Данные, полученные от датчика, могут храниться на Raspberry Pi для дальнейшего анализа и принятия решений. В Таблице 1 представлены соответствующие выводы GPIO Raspberry Pi, используемые для подключения в зависимости от выхода датчика [45].

Таблица 1. Подключения выводов GPIO Raspberry Pi в соответствии с выходом датчика.

5.2. Ответ на ИВ2: Какие датчики и другие электронные устройства используются с Raspberry Pi для принятия решений в реальном времени в ТЗ?

Raspberry Pi в основном используется для управления и автоматизации нескольких методов ТЗ путем управления работой интегрированных датчиков и других электронных устройств. Объединение датчиков и устройств с Raspberry Pi позволяет пользователям собирать, обрабатывать и анализировать данные в реальном времени, что приводит к более обоснованным и своевременным решениям в ТЗ. Некоторые часто используемые датчики и устройства с Raspberry Pi для принятия решений в реальном времени в ТЗ представлены в Таблице 2.

Таблица 2. Raspberry Pi, интегрированный с датчиками и электронными устройствами для точного земледелия (ТЗ).

Результатом этого раздела является краткое обсуждение всеобъемлющего списка датчиков и других аппаратных компонентов, совместимых с Raspberry Pi. Он также демонстрирует, как эти приспособления помогают в сборе данных и автоматизации задач для улучшения методов ТЗ.

Почти все методы ТЗ используют МО и ГО для принятия решений на основе данных, прогнозного анализа и автоматизации [46], однако несколько проблем необходимо решить для принятия решений в реальном времени [47]. Основными проблемами, с которыми сталкиваются при эффективном принятии решений на основе данных в реальном времени в ТЗ, являются невозможность обработки данных в поле из-за отсутствия портативности традиционных компьютерных систем и безопасность данных. Экономическая эффективность, портативность, энергоэффективность и простота обслуживания Raspberry Pi помогают решить эти проблемы, если МО и ГО могут быть развернуты на нем.

Среди различных версий Raspberry Pi версия 3 model B и выше (V3 B+, V4B и V5) обычно используются для развертывания моделей МО из-за их достаточной вычислительной мощности (четырехъядерный процессор), оперативной памяти (4–8 ГБ), сетевой доступности (гигабитный Ethernet и двухдиапазонный Wi-Fi) и поддержки внешних аппаратных ускорителей.

6.1. Tiny Machine Learning

Модель Tiny Machine Learning (TinyML) — это метод, позволяющий запускать модели МО на меньших вычислительных устройствах, таких как Raspberry Pi [48]. Вот некоторые из преимуществ TinyML [49]:

1.  Фильтрация данных: TinyML использует подходы к фильтрации данных для минимизации сложности, вычислительной мощности и размера модели МО.

2.  Низкая задержка: Задержка относится к времени, необходимому для передачи или обработки одной единицы данных. Нет необходимости передавать данные на сервер для вывода, поскольку модель TinyML работает непосредственно на самом Raspberry Pi, тем самым уменьшая задержку.

3.  Сокращенная пропускная способность: TinyML на Raspberry Pi потребляет меньшую пропускную способность (объем передаваемых данных) за раз и не требует подключения к Интернету, поскольку данные не передаются на сервер туда и обратно.

4.  Конфиденциальность данных: Данные остаются приватными и безопасными для пользователей, поскольку они не перемещаются на какие-либо облачные платформы или серверы.

5.  Энергоэффективность: Поскольку размер модели уменьшен с низкими вычислительными требованиями, TinyML является энергоэффективным.

6.2. Ответ на ИВ3: Как сложные модели МО и ГО развертываются на Raspberry Pi? — Реализация TinyML на Raspberry Pi

Модель TinyML, подлежащая развертыванию на Raspberry Pi (Рисунок 8), обучается на персональном компьютере или настольном компьютере и подвергается методам оптимизации, таким как обрезка (удаление неважных весов) и квантование (сжатие модели), а затем преобразуется в облегченную форму. Эта оптимизированная модель подходит для развертывания на Raspberry Pi.

Рисунок 8. Процесс развертывания модели (модель машинного обучения — TinyML) на Raspberry Pi.

Для повышения производительности и скорости вывода модели аппаратные ускорители сопрягаются с Raspberry Pi. Аппаратные ускорители — это специально разработанные аппаратные компоненты, используемые с меньшими вычислительными устройствами, такими как Raspberry Pi, для увеличения их вычислительной способности. Примерами аппаратных ускорителей, интегрированных с Raspberry Pi, являются Google Coral USB Accelerator, Intel Neural Compute Stick (NCS) и Google AIY Accelerator.

Несколько исследовательских статей [50,51,52,53] были сосредоточены на различных методах развертывания сложных моделей МО или ГО на периферийных устройствах, таких как Raspberry Pi, но они относились к областям, связанным с компьютерами. Тем не менее, единая структура этого метода для применения в сельскохозяйственном секторе отсутствует. Таким образом, решение ИВ3 поможет программистам лучше понять методы развертывания на устройствах Raspberry Pi. Различные этапы, связанные с реализацией TinyML на Raspberry Pi, следующие:

-   Выбор модели и обучение: Первый шаг начинается с выбора подходящей модели на основе приложения, а затем обучения модели с использованием распространенных фреймворков МО, таких как TensorFlow и PyTorch [54].

-   Оптимизация модели: Затем выполняется оптимизация модели, при которой обученная модель подвергается методам оптимизации, таким как обрезка (метод удаления менее важных параметров или весов) и квантование (уменьшение объема битового хранилища, необходимого для отдельных параметров) [55].

-   Преобразование модели: Оптимизированная модель преобразуется в более легкую форму с использованием фреймворков, таких как TensorFlow Lite, PyTorch Mobile, ONNX (Open Neural Network Exchange) и Edge TPU [56].

 -  Настройка аппаратного обеспечения Raspberry Pi: Перед развертыванием модели выполняется настройка аппаратного и программного обеспечения Raspberry Pi. Аппаратная настройка включает выбор версии Raspberry Pi, микро-SD-карту, источник питания, радиаторы и другие периферийные устройства. Программная настройка включает установку ОС, программных зависимостей, библиотек и фреймворков.

-   Развертывание модели: Оптимизированная и преобразованная модель готова к развертыванию на Raspberry Pi с использованием скриптов развертывания на Python, которые запускаются либо в терминале, либо в интегрированной среде разработки (IDE).

 -  Проверка модели для вывода в реальном времени: Raspberry Pi используется для сбора данных в поле, и развернутая модель теперь используется для получения выводов в реальном времени. Затем результаты используются для дальнейшего анализа и принятия решений.

-   Оптимизация модели и повышение ее производительности: Чтобы обеспечить наилучшую производительность, модели дополнительно оптимизируются путем изменения размера пакета и использования аппаратных ускорителей, управления памятью и температурой [57].

Другие модели МО и ГО, развернутые на Raspberry Pi, аналогичны, но есть некоторые значительные различия, такие как сложность модели, требования к ресурсам и скорость вывода. Основными преимуществами развертывания этих моделей на Raspberry Pi являются обработка в реальном времени, портативность и экономическая эффективность, тогда как основными недостатками являются ограничение вычислительной мощности и ограничение оперативной памяти.

Мы отобрали статьи на основе их представления четкой и полной методологии, которую легко воспроизвести, тем самым поддерживая воспроизводимые исследования, для дальнейшего изучения. Этот дальнейший анализ включает основные моменты работы, используемую версию Raspberry Pi, используемую модель МО/ГО, количество цитирований, полученных статьей (по состоянию на 22 ноября 2024 года), и цитирования авторов; они обобщены и представлены в Таблице 3.

Таблица 3. Выборочное обобщение статей с указанием номеров моделей Raspberry Pi (RPi), используемой модели МО/ГО и количества полученных цитирований по состоянию на 22 ноября 2024 года.

7.1. Обобщение выбранных статей, связанных с использованием Raspberry Pi в ТЗ

Обобщение выбранных статей, рассматривающих применение Raspberry Pi в ТЗ, с указанием названия, основных моментов, типа используемой модели Raspberry Pi, количества цитирований и авторов ссылки в обратном хронологическом порядке представлено в Таблице 3. Обобщение показывает разнообразие применений Raspberry Pi, современных методов и изучаемых культур. Статьи, опубликованные в начальный период исследований (2018 и 2019 годы), были значительно цитируемыми: мониторинг культур на основе Интернета вещей и автоматизация орошения (347 цитирований, Rao и Sridhar [68]), дрон на основе Интернета вещей для улучшения сельскохозяйственных культур (179 цитирований, Saha и др. [70]) и обеспечение ТЗ с помощью встроенного зондирования с ИИ (143 цитирования, Shadrin и др. [67]). Среди выбранных статей в нескольких из них не был указан тип используемой модели Raspberry Pi; следовательно, были сделаны предположения в соответствии с временными рамками исследования, относящимися к эволюции модели Raspberry Pi, как обсуждалось в Разделе 4, и требованиями приложения ТЗ. Такие исследования без достаточной информации для определения модели Raspberry Pi были все же включены для обеспечения всестороннего охвата, с признанием их ограничений при обсуждении их интерпретации. Понятно, что более новые статьи будут цитироваться чаще в будущем по мере развития исследований по этой теме. В целом, наблюдение показывает, что исследования по использованию Raspberry Pi в области ТЗ растут, и новые исследования строятся на предыдущих результатах или ссылаются на них.

Из собранных статей был проведен обзор различных применений Raspberry Pi в ТЗ и обсужден в следующих разделах (обнаружение болезней растений, адресное управление сорняками, фенотипирование и оценка биомассы, интеллектуальное орошение). Различные сельскохозяйственные применения с использованием Raspberry Pi показаны на Рисунке 9.

Рисунок 9. Различные приложения точного земледелия с использованием Raspberry Pi (источники: Tufail и др. [41], Nathwani [71], Pisharody и др. [72], Bergquist [73]).

7.2. Обнаружение болезней растений

Одним из значительных факторов, ответственных за снижение сельскохозяйственного производства, являются болезни растений. Довольно сложно идентифицировать и классифицировать растения, пораженные болезнями, на большом поле [74]. Растения, пораженные болезнями, обычно имеют видимые поражения или отметины на них [75]. Их в основном предотвращают и контролируют путем идентификации на ранней стадии, и это играет ключевую роль в управлении сельскохозяйственным производством и принятии решений [76]. Точные защитные меры для растений, такие как дистанционное зондирование и визуализация, технология переменного нормирования, автоматизированные системы опрыскивания, прогнозное моделирование и системы поддержки принятия решений, основаны на пространственно-временной изменчивости, чтобы обеспечить неразрушающий способ управления здоровьем растений [77]. Для улучшения обработки данных и конфиденциальности, снижения технической сложности, минимизации первоначальных затрат и принятия решений в реальном времени Raspberry Pi интегрируется с этими технологиями ТЗ.

Raspberry Pi может обнаруживать болезни растений с помощью трех методов. Первый метод — обработка изображений; путем захвата изображений с помощью камерного модуля, который подключается к Raspberry Pi через порт USB, захваченные изображения сохраняются на Raspberry Pi для дальнейшей обработки с использованием алгоритмов обработки изображений, таких как спектральный анализ, обнаружение границ, сегментация изображений и морфологическая обработка [78,79]. Второй метод основан на датчиках, подключенных к Raspberry Pi, таких как газовые, спектральные, экологические, акустические датчики и датчики электропроводности, для непрерывного мониторинга условий окружающей среды для здоровья растений и прогнозирования вероятности вспышек заболеваний у растений [80,81].

Третий метод развертывает обученные модели МО или ГО на Raspberry Pi с последующим получением выводов из изображений с использованием развернутой модели для прогнозирования (Рисунок 10). Обучение с переносом — это метод использования предварительно обученной модели МО или ГО и ее оптимизации для конкретной задачи [82]. Некоторые распространенные модели МО, развернутые на Raspberry Pi либо с помощью предварительного обучения, либо с помощью методов обучения с переносом, — это CNN (сверточная нейронная сеть) [83], SVM (машина опорных векторов) [59,84], KNN (метод k-ближайших соседей), YOLO (You Only Look Once) [85,86], MobileNet, NasNetMobile, Xception [82] и случайные леса [87].

Рисунок 10. Реализация глубокого обучения с переносом на Raspberry Pi (источник: Gonzalez-Huitron и др. [82]).

Raspberry Pi вместе с камерой Pi интегрируется с БПЛА (беспилотным летательным аппаратом) для раннего обнаружения болезней листьев растений на месте [88,89,90]. Используя интерфейсы связи, такие как выводы GPIO, UART, I2C и SPI, Raspberry Pi может быть подключен к БПЛА [91].

Аппаратный ускоритель под названием Intel Movidius Neural Compute Stick (NCS) предназначен для ускорения вывода глубоких сверточных нейронных сетей и используется с Raspberry Pi 3B (Рисунок 11) для распознавания болезней листьев кукурузы в реальном времени [92], и он достиг точности 88,46%. Современная легковесная модель ГО под названием MobileNetV3 дала точность 96,58% [64]. MobileNetV3 — одна из трех версий MobileNets, которая работает путем поиска наилучшей архитектуры нейронной сети и специально оптимизирована для развертывания на периферийных устройствах.

Рисунок 11. Neural Compute Stick с настроенной моделью глубокой сверточной нейронной сети (CNN) на Raspberry Pi (источник: Mishra и др. [92]).

7.3. Адресное управление сорняками

Сорняки наносят значительные потери продуктивности сельскохозяйственных культур, конкурируя с растениями за питательные вещества, солнечный свет и воду. Для точного обнаружения, мониторинга и борьбы с сорняками среди культур Raspberry Pi интегрируется с методами управления сорняками для создания передовых технологий и стратегий, основанных на данных, таких как (i) принятие решений на борту БПЛА, (ii) внесение гербицидов с переменной нормой и (iii) интеллектуальные автоматические системы опрыскивания.

В настоящее время наблюдается растущая тенденция использования БПЛА для точечного внесения удобрений и пестицидов на растения из-за их эффективной идентификации сорняков, экономической эффективности и принятия решений на основе данных. Raspberry Pi в сочетании с БПЛА действует как система поддержки принятия решений, помогая фермерам распылять агрохимикаты в правильной пропорции, в нужное время и в нужном месте [93].

Интегрированная система реального времени, которая использует встроенный алгоритм обработки изображений для облегчения автономного распыления пестицидов, была спроектирована и разработана с использованием модели Raspberry Pi 3, где камера Raspberry Pi NoIR была встроена в платформу БПЛА [94]. Здесь Raspberry Pi выступает в качестве центрального блока управления, и его основными применениями являются обработка захваченных изображений в реальном времени для обнаружения сорняков, управление исполнительными механизмами в автоматических системах опрыскивания, регистрация и мониторинг данных на месте, а также функционирование в качестве системы поддержки принятия решений в БПЛА (Рисунок 12).

Рисунок 12. Raspberry Pi, встроенный в БПЛА для распыления пестицидов (источник: Basso и др. [94]).

Интеллектуальный распылитель с переменной нормой (SVRS), разработанный Hussain и др. [95], оптимизировал применение гербицидов с использованием электронных контроллеров и карт-предписаний для обычной сельскохозяйственной техники. Экономически эффективная система восприятия для распыления для точечного внесения пестицидов была разработана с Raspberry Pi 3B и установлена в традиционный штанговый опрыскиватель [96]. Используя концепцию TinyML, модель под названием TinyYOLOV3 была развернута на таком небольшом вычислительном устройстве, как Raspberry Pi, что помогло модифицировать обычные методы опрыскивания (сплошное внесение) на точечное (переменное) внесение гербицида, что минимизирует использование ресурсов.

Интеллектуальная автоматическая система опрыскивания для удаления сорняков с культур с использованием Raspberry Pi включает комбинацию различных аппаратных компонентов, таких как система распыления (насос, форсунка, бак/резервуары), исполнительные механизмы (электромагнитные клапаны, контроллеры насоса) и датчики (камерные модули, ультразвуковые и инфракрасные) [97]. Умный робот для идентификации сорняков и распыления гербицидов использовал морфологический порог, эрозию и дилатацию для обнаружения сорняков и модуль распылителя для выполнения точечного распыления гербицида с использованием Raspberry Pi 3B [98]. Raspberry Pi играет ключевую роль в автоматических системах распыления в качестве основного блока управления, объединяя исполнительные механизмы и датчики. Он помогает в регистрации данных, обработке изображений и автоматическом обнаружении сорняков. Кроме того, пользовательский интерфейс, включенный на Raspberry Pi, помогает операторам получать оповещения и следить за работой удаленно без каких-либо хлопот.

7.4. Фенотипирование растений и оценка биомассы

Фенотипирование растений — это метод быстрой, точной и неразрушающей оценки морфометрических и физиологических данных, таких как структура кроны, зеленость листвы, растительный покров, густота растений и площадь листьев, для высокой пропускной способности [99]. Использование электроники и датчиков для количественной оценки фенотипических признаков предоставило данные с высоким пространственным и временным разрешением для описания характеристик роста культур в различных экологических условиях [58]. Raspberry Pi может использоваться для оценки фенотипа растений с помощью покадровой съемки, экологического мониторинга, обработки изображений, регистрации данных и алгоритмов МО [100,101,102].

Raspberry Pi и камеры Pi (RGB и инфракрасные) используются для непрерывного мониторинга растений в камерах роста путем захвата покадровых изображений во время их развития (Рисунок 13; [101,103]). Необработанные данные изображений, полученные с камер Raspberry Pi, дополнительно анализировались на Raspberry Pi с использованием методов обработки изображений с использованием библиотек с открытым исходным кодом, таких как OpenCV и PlantCV [104].

Рисунок 13. Высокопроизводительное фенотипирование с использованием Raspberry Pi в камерах роста (источник: Cho и Yang [103]).

Полевая система фенотипирования культур была разработана с использованием Raspberry Pi, интегрированного с климатическим датчиком и RGB- и мультиспектральными камерами для оценки роста культур и идентификации важных стадий роста в течение сезона [105,106]. Raspberry Pi выступает в качестве экономически эффективной двухкамерной системы, помогая исследователям оценивать признаки растений, тем самым облегчая динамический рост растений в ответ на экологические факторы.

Биомасса является одним из важных морфологических признаков для оценки роста и развития культур. Это общее количество свежей или сухой массы органического материала, произведенного культурой на единицу площади [107]. Датчик биомассы культур с использованием Raspberry Pi, сопряженный с датчиком LiDAR, помог в измерении свежей и сухой биомассы и высоты растений. Эта система предлагает постоянную регистрацию данных с высокой пропускной способностью и автоматизированную обработку данных в поле с помощью Raspberry Pi 4 Model B [108].

7.5. Интеллектуальная система орошения

Интеллектуальная система орошения, которая может работать и контролироваться удаленно для обеспечения своевременного орошения, уменьшения стока воды [109] и улучшения общей урожайности, называется интеллектуальной системой орошения. Raspberry Pi используется в интеллектуальных системах орошения, которые позволяют пользователям удобно отслеживать и регулировать систему орошения из любого места. Такие системы включают микроконтроллер, различные типы датчиков (температуры, влажности, влажности почвы, скорости потока воды), релейную плату, электромагнитный клапан и серводвигатель [110]. Raspberry Pi также может использоваться для создания экономически эффективной и энергоэффективной системы орошения [111,112]. Он интегрируется с системой орошения для эффективного управления и координации таких компонентов, как электромагнитные клапаны, насосы и исполнительные механизмы. Он также используется для принятия решений на основе данных в поле или путем отправки данных на облачные платформы [113].

Интеллектуальная система капельного орошения автоматически поливает растения с использованием Raspberry Pi [114] и релейных плат на основе интерактивных сообщений. Здесь Raspberry Pi служит управляющим блоком и проверяет электронные письма в указанной учетной записи электронной почты. При получении электронного письма с указанной темой Raspberry Pi обрабатывает команду и активирует систему орошения на запрошенную продолжительность. Дополнительно система отправляет электронное письмо для подтверждения успешного выполнения процесса орошения [115].

Камера Raspberry Pi используется для непрерывного мониторинга здоровья растений, а скорость потока оросительной воды контролируется с помощью электромагнитного клапана. Raspberry Pi совместим с несколькими датчиками, которые помогают в анализе и орошении в реальном времени, тем самым предотвращая чрезмерный или недостаточный полив. Обобщенная информация загружается в виде прямой трансляции на веб-страницы для удаленного мониторинга системы орошения в реальном времени [116]. Кроме того, возможности регистрации и обработки данных в Raspberry Pi позволяют пользователям планировать режимы орошения, повышать эффективность использования ресурсов и помогать в принятии решений на месте [117].

Автоматизированное устройство для спринклерного орошения включает комбинацию Raspberry Pi и беспроводных датчиков, взаимосвязанных с помощью веб-сайта, что позволяет фермерам получать информацию в реальном времени о содержании влаги в почве, pH и содержании азота. Это позволяет фермерам принимать обоснованные решения по орошению, способствуя экономии воды и энергоэффективности [118]. Таким образом, обсуждаемая информация предполагает, что применения Raspberry Pi в интеллектуальном орошении могут быть дополнительно изучены и расширены с помощью будущих исследований.

7.6. Ответ на ИВ4: Какую важную роль играет Raspberry Pi в ТЗ?

Из опубликованной литературы в предметной области применений Raspberry Pi в ТЗ, начиная с 2013 года и показывая быстрый рост интереса (84 публикации с 2013 по 2023 год), был зарегистрирован широкий спектр применений ТЗ. Полный список этих публикаций, используемая модель Raspberry Pi в исследовании и количество полученных цитирований (по состоянию на 22 ноября 2024 года) представлены в «Дополнительных материалах, Раздел S1». Эти применения включают обнаружение болезней растений с использованием МО и ГО; адресное управление сорняками с использованием интегрированной системы реального времени, интеллектуальной идентификации сорняков, точного распыления пестицидов, БПЛА, SVRS и TinyML; фенотипирование и оценку биомассы с помощью покадровой съемки, экологического мониторинга, обработки изображений, регистрации данных, алгоритмов МО и сопряжения LiDAR для измерения биомассы; и интеллектуальное орошение через автоматизацию различных типов ирригационных систем, регистрацию данных и принятие решений на месте, координацию компонентов системы и орошение на основе цифровых сообщений с подтверждением.

8.1. Сильные стороны и недостатки использования Raspberry Pi

На основе этого обзорного исследования, наблюдая за характеристиками различных моделей Raspberry Pi и их функциональностью и производительностью, были выявлены сильные стороны и потенциальные недостатки. В Таблице 4 подчеркиваются основные преимущества и недостатки использования Raspberry Pi. Эта всеобъемлющая информация будет полезна исследователям для дальнейшего расширения применения Raspberry Pi в других методах ТЗ и других смежных областях в будущем.

Таблица 4. Преимущества и недостатки использования Raspberry Pi на основе его характеристик и производительности.

8.2. Основные результаты применения Raspberry Pi в ТЗ

Результат обнаружения болезней растений показывает использование Raspberry Pi для интеграции камерных модулей и датчиков и применения современных моделей. Раннее выявление болезней с помощью обработки изображений, экологического мониторинга и развернутых моделей МО/ГО в поле является одним из основных преимуществ. Raspberry Pi также интегрируется с БПЛА и внешними аппаратными ускорителями, расширяя его возможности в принятии решений в реальном времени. Эти преимущества Raspberry Pi значительно способствуют своевременным вмешательствам, снижению потерь урожая и эффективному использованию агрохимикатов, тем самым улучшая здоровье растений.

В точном управлении сорняками Raspberry Pi обеспечивает эффективное обнаружение, мониторинг и ранний контроль сорняков. Raspberry Pi в качестве центрального блока управления может управлять исполнительными механизмами, электромагнитными клапанами и насосами распылителя для точечного распыления на сорняки. Внедрение моделей МО/ГО в поле путем их развертывания на Raspberry Pi устраняет необходимость отправки данных на удаленные облачные серверы, обеспечивая немедленное реагирование для применения распыления в реальном времени.

Raspberry Pi вместе с мультиспектральными камерами и датчиками оценивает растительный покров, зеленость листвы и структуру кроны с помощью покадровой съемки и непрерывного мониторинга. С использованием инструментов с открытым исходным кодом, таких как OpenCV и PlantCV, Raspberry Pi эффективно анализирует данные фенотипа растений в камерах роста и на полях. Raspberry Pi в сочетании с датчиками LiDAR облегчает высокопроизводительное измерение биомассы растений.

В интеллектуальных системах орошения преимущества использования Raspberry Pi включают удаленное управление, мониторинг в реальном времени и эффективные методы орошения за счет эффективного управления компонентами и принятия решений на основе данных. Применение Raspberry Pi в интеллектуальной системе орошения, которая использует датчики (температуры, влажности, влажности почвы и потока воды), электромагнитные клапаны, релейные платы и исполнительные механизмы, имеет потенциал для создания экономически эффективной и энергоэффективной системы орошения. Прямая трансляция условий водного стресса растений с использованием Raspberry Pi поддерживает фермеров в своевременном принятии решений в практике точного орошения.

8.3. Пробелы в исследованиях

Из этого обзора, после представления применений и другой информации, связанной с ТЗ и Raspberry Pi, можно выявить пробелы в исследованиях, которые необходимо устранить в будущем, и они изложены далее. В этой обзорной статье мы предоставили синтез результатов, но не включили никаких показателей эффекта (статистический инструмент), таких как относительный риск (RR), отношение шансов (OR) или стандартизированная разница средних (SMD). Кроме того, мы не проводили анализ чувствительности или оценку достоверности для проверки надежности и совокупности доказательств каждого исследования.

Многие комбинации культур и сорняков получили мало внимания или не получили его вовсе, и это представляет собой значительный пробел в исследованиях. Применение приложений Raspberry Pi в более широкой перспективе для других культур в методах ТЗ будет полезно для всех типов производителей сельскохозяйственных культур. Только несколько исследований касались камер Pi, включая RGB, мультиспектральные и NoIR. Они энергоэффективны, обеспечивают высокое разрешение, способны работать в условиях низкой освещенности и имеют индивидуальный программный доступ с Raspberry Pi, что делает их более совместимыми и простыми в использовании для различных методов ТЗ. Raspberry Pi использовался как отдельная плата для различных применений в ТЗ, но у него есть потенциал для создания кластера (Рисунок 14), который улучшает вычислительную мощность и параллельную обработку для анализа сложных наборов данных [119].

Рисунок 14. Кластер Raspberry Pi (кластер Turing Pi) для высокопроизводительных вычислений и сложных приложений (источник: Geerling [120]).

Несколько работ предпочли модели МО для методов ТЗ. Однако использование развернутых моделей ГО на Raspberry Pi с аппаратными ускорителями, такими как Intel Movidius Compute Stick, привело бы к повышению скорости вывода, что является ключевым требованием для задач обнаружения в реальном времени, покадровой съемки и видеомониторинга культур, прогнозирования урожайности, фенотипирования и обнаружения болезней. Такой продвинутый анализ и решения представляют собой большую возможность для будущих исследований. Применение Raspberry Pi должно быть расширено на операции в животноводстве и скотоводстве, которые предлагают как статические (например, откормочные площадки и загоны), так и мобильные (например, мониторинг выпасающихся животных с использованием БПЛА) варианты. Raspberry Pi является высоко экономически эффективной альтернативой компьютерам, и его портативность в полевых приложениях делает его пригодным для внедрения методов ТЗ фермерами, независимо от их статуса доступности. Это также открывает широкие возможности для глобальных исследований с интересными результатами из различных географических местоположений и для разных культур. Raspberry Pi также может использоваться в качестве образовательного инструмента (Дополнительные материалы, Раздел S2) для «практического» ознакомления с его универсальными применениями в области ТЗ для студентов, исследователей, фермеров и заинтересованных сторон.

8.4. Рекомендации

Общая рекомендация по использованию Raspberry Pi в сельском хозяйстве и смежных областях, и особенно в ТЗ, заключается в следующем: Несколько пробелов в исследованиях, выявленных в этом исследовании, создают хорошую основу для рекомендаций по будущим исследованиям и разработке технологий ТЗ. Основными вкладами Raspberry Pi в методы ТЗ являются регистрация данных, мониторинг, автоматизация, управление, обработка изображений, приложения компьютерного зрения, интеграция датчиков, платформы пользовательского интерфейса и системы поддержки принятия решений на месте. Raspberry Pi должен применяться и оцениваться в широком спектре сельскохозяйственных видов деятельности. Полевые культуры, такие как кукуруза, соя и пшеница; фрукты, такие как яблоки, виноград и ягоды; овощи, такие как помидоры, салат, картофель и морковь; и волокнистые культуры, такие как хлопок, являются часто используемыми культурами, для которых Raspberry Pi используется в различных аспектах. Таким образом, следуя этим успехам, Raspberry Pi должен применяться к другим сельскохозяйственным и садовым культурам. Raspberry Pi может обрабатывать данные на месте после сбора с датчиков, что снижает необходимость передачи данных на настольный компьютер или облачную платформу. Это может помочь фермерам принимать решения в реальном времени, улучшить конфиденциальность данных, сэкономить время, усилия и затраты. С доступной информацией из аутентичных источников о Raspberry Pi, включая аппаратное и программное обеспечение, документацию, обучение, форумы и Фонд (Дополнительные материалы, Раздел S2), могут быть разработаны образовательные и сельскохозяйственные консультационные мероприятия, ориентированные на мировых заинтересованных сторон, и это может привести к осведомленности и лучшему внедрению Raspberry Pi и к пониманию преимуществ, которые он приносит ТЗ.

Эта статья систематического обзора литературы предоставляет всесторонний обзор небольших вычислительных устройств, в частности Raspberry Pi (одноплатного компьютера), и его версий, аппаратных и программных аспектов, а также применений в области ТЗ, а также пробелов в исследованиях и рекомендаций для будущих исследований. Мы следовали руководящим принципам PRISMA и провели поиск литературы, проведенный с 2013 по 2023 год, на основе четырех исследовательских вопросов, применимых к Raspberry Pi и ТЗ, с выбранными поисковыми строками с использованием трех академических баз данных (IEEE Xplore, Scopus и Web of Science). Исследования в предметной области применения Raspberry Pi в ТЗ имеют недавнее происхождение, начиная с 2013 года (1 запись) и показывая растущую тенденцию (2023: 44 записи), и эта тенденция, как ожидается, сохранится в будущем. Анализ связи Raspberry Pi по предметным областям показывает, что использование Raspberry Pi в сельскохозяйственных науках сравнительно меньше (0,92%), чем в других компьютерно-ориентированных дисциплинах. Это подчеркивает масштаб, важность и ключевую роль использования Raspberry Pi для получения его преимуществ, дополнительно предполагая возможность его использования в сельском хозяйстве.

Конкретные выводы, сделанные из этого исследования, соответствующие исследовательским вопросам (кратко изложенным: Какие версии используются в ТЗ?, Какие датчики и устройства используются в приложениях реального времени?, Как развертываются сложные модели?, и Какую важную роль играет Raspberry Pi в ТЗ?), следующие: (i) Raspberry Pi 4 model B, Raspberry Pi 3 model B/B+ и Raspberry Pi Zero W и Zero были распространенными версиями, используемыми для методов ТЗ, а последний Raspberry Pi 5, который имеет улучшенную производительность и скорость, будет подходить для будущих интенсивных данных исследований и анализа в ТЗ. (ii) Raspberry Pi выступает в качестве центрального блока управления для интеграции различных датчиков, исполнительных механизмов и других электронных устройств для работы в качестве экономически эффективных автоматизированных систем поддержки принятия решений в реальном времени для различных применений ТЗ. (iii) Raspberry Pi может развертывать сложные модели МО/ГО для эффективной работы на месте. Это помогает пользователям проводить анализ данных на месте и в реальном времени, экономит время и обеспечивает конфиденциальность данных. (iv) На сегодняшний день Raspberry Pi широко используется в обнаружении болезней растений, адресном управлении сорняками, фенотипировании растений и ирригационных системах, с основным вкладом в автоматизацию Raspberry Pi, управление и принятие решений на месте в методах ТЗ. Хотя предыдущие исследования с Raspberry Pi охватили только несколько культур и растений, он может быть использован в более широкой перспективе для разных культур в будущем благодаря своей портативности и экономической эффективности.

Несколько полевых и офисных операций в сельском хозяйстве, садоводстве, скотоводстве и животноводстве могли бы извлечь выгоду из возможностей Raspberry Pi. Связанные исследования и результаты в этой области высоко востребованы для дальнейшего продвижения целей ТЗ. Изложенные преимущества и недостатки использования Raspberry Pi и его результаты в приложениях ТЗ будут ценны для исследователей для расширения его использования и изучения будущих направлений исследований. Потенциальное использование Raspberry Pi в кластере дополнительно расширяет его вычислительную мощность, возможности параллельных вычислений и многозадачность для анализа сложных наборов данных в поле. Кроме того, Raspberry Pi служит образовательным и учебным инструментом для студентов, исследователей, фермеров и заинтересованных сторон, предоставляя понимание его применений в ТЗ. Более того, Raspberry Pi функционирует как исследовательский инструмент для фермеров по всему миру, независимо от их статуса и этапа внедрения ТЗ.

Следующую дополнительную информацию можно загрузить по адресу: https://www.mdpi.com/article/10.3390/agriculture1010000/s1. Таблица S1: Список выбранных литературных источников в этом обзорном исследовании с использованием поисковой строки «Raspberry Pi» AND «precision agriculture» за период 2013–2023 гг. Рисунок S1. Веб-страница Raspberry Pi — универсальный ресурс для всех потребностей. Рисунок S2. Ресурсы раздела Raspberry Pi Foundation — учебные ресурсы.

1.    Abdel-Basset, M.; Abdel-Fatah, L.; Sangaiah, A.K. Metaheuristic algorithms: A comprehensive review. In Computational Intelligence for Multimedia Big Data on the Cloud with Engineering Applications; Elsevier: London, UK, 2018; pp. 185–231. [Google Scholar]

2.    Raju, R.; Thasleema, T. Innovative low-cost field protection (LCFP) technique: Safeguarding agricultural land and crops through advanced technology integration. In Proceedings of the 2023 IEEE 2nd International Conference on Futuristic Technologies (INCOFT), Belagavi, Karnataka, India, 24–26 November 2023; pp. 1–7. [Google Scholar]

3.    Tantalaki, N.; Souravlas, S.; Roumeliotis, M. Data-driven decision making in precision agriculture: The rise of big data in agricultural systems. J. Agric. Food Inf. 2019, 20, 344–380. [Google Scholar] [CrossRef]

4.    Moraes, C.F. Precision Agriculture with Single Board Computers. Wevolver. Available online: https://www.wevolver.com/article/precision-agriculture-with-single-board-comoputers (accessed on 14 January 2025).

5.    Chusan, J.B.; Idrovo, F.A.; Peralta, A.L.; Lucero-Tenorio, M. Development and deployment of a device to accurately measure and transmit precision agriculture data in the context of cultivating roses. In Proceedings of the 2023 IEEE Colombian Caribbean Conference (C3), Barranquilla, Colombia, 22–25 November 2023; pp. 1–6. [Google Scholar]

6.    Isikdag, U. Internet of Things: Single-board computers. In Enhanced Building Information Models; Springer: New York, NY, USA, 2015; pp. 43–53. [Google Scholar]

7.    Wigmore, I. What Is Precision Agriculture? Tech Target. Available online: https://www.techtarget.com/whatis/definition/precision-agriculture-precision-farming (accessed on 14 January 2025).

8.    USW. How Will Precision Agriculture Help Farmers Meet Food Demand Sustainably? U. S. Wheat Associates; CBOT & DTN Wheat Detail. Available online: https://www.uswheat.org/wheatletter/how-will-precision-agriculture-help-farmers-meet-food-demand-sustainably/ (accessed on 14 January 2025).

9.    Finger, R.; Swinton, S.M.; El Benni, N.; Walter, A. Precision farming at the nexus of agricultural production and the environment. Annu. Rev. Resour. Econ. 2019, 11, 313–335. [Google Scholar] [CrossRef]

10. Sharma, A.; Jain, A.; Gupta, P.; Chowdary, V. Machine learning applications for precision agriculture: A comprehensive review. IEEE Access 2020, 9, 4843–4873. [Google Scholar] [CrossRef]

11. Abdelwahab, M.H.; Mostafa, H.; Khattab, A. A low footprint olive grove weather forecasting using a single-layered seasonal attention encoder-decoder model. Ecol. Inform. 2023, 75, 102113. [Google Scholar] [CrossRef]

12. Kaushal, A.; Almurshed, O.; Alabbas, A.; Auluck, N.; Rana, O. An edge-cloud infrastructure for weed detection in precision agriculture. In Proceedings of the 2023 IEEE International Conference on Dependable, Autonomic and Secure Computing, International Conference on Pervasive Intelligence and Computing, International Conference on Cloud and Big Data Computing, International Conference on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech), Abu Dhabi, United Arab Emirates, 14–17 November 2023; pp. 269–276. [Google Scholar]

13. Shanwad, U.; Patil, V.; Dasog, G.; Mansur, C.; Shashidhar, K. Global positioning system (GPS) in precision agriculture. In Proceedings of the 2002 Asian GPS Conference, New Delhi, India, 29–30 October 2001; Volume 1, pp. 1–4. [Google Scholar]

14. Crop, Q. Precision Agriculture Grid Sampling. Crop Quest. Available online: https://www.cropquest.com/2022-crop-year-in-review/ (accessed on 14 January 2025).

15. Igor, I. Variable Rate Application in Precision Agriculture. Medium. Available online: https://medium.com/remote-sensing-in-agriculture/variable-rate-application-in-precision-agriculture-70a8b2be871d (accessed on 14 January 2025).

16. Sami Khanal, J.F.; Elizabeth Hawkins, K.P.; Klopfenstein, A. Remote Sensing in Precision Agriculture. Best Management Practices Since Addressing Challenges with Imagery Quality FABE-554.1 Agriculture and Natural Resources. Ohio State University Extension Ohioline. Available online: https://ohioline.osu.edu/factsheet/fabe-5541 (accessed on 14 January 2025).

17. CME. Precision Agriculture Yield Monitoring. CME Group and Barchart Solutions. Available online: https://www.cmegroup.com/markets/agriculture/grains/corn.html (accessed on 14 January 2025).

18. eLearning Academy. Precision Agriculture. Purdue University. Available online: https://ag.purdue.edu/department/agry/elearning-academy/precision-agriculture.html (accessed on 14 January 2025).

19. Chamara, N.; Bai, G.; Ge, Y. AICropCAM: Deploying classification, segmentation, detection, and counting deep-learning models for crop monitoring on the edge. Comput. Electron. Agric. 2023, 215, 108420. [Google Scholar] [CrossRef]

20. Johnston, S.J.; Apetroaie-Cristea, M.; Scott, M.; Cox, S.J. Applicability of commodity, low cost, single board computers for Internet of Things devices. In Proceedings of the 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT), Reston, VA, USA, 12–14 December 2016; pp. 141–146. [Google Scholar]

21. Rao, R. Applying Single Board Computers in Indoor Agricultural Applications. Wevolver. Available online: https://www.wevolver.com/article/applying-single-board-computers-sbcs-in-indoor-agriculture-applications (accessed on 14 January 2025).

22. Maideen, A.; Mohanarathinam, A. Computer vision-assisted object detection and handling framework for robotic arm design using YOLOV5. Adv. Distrib. Comput. Artif. Intell. J. 2023, 12, e31586. [Google Scholar] [CrossRef]

23. Mehta, S.; Shah, T.; Thakkar, N.; Trivedi, U.; Deokar, S.; Vora, D. Precision agriculture using Internet of Things and machine learning. In Proceedings of the 2023 IEEE 9th International Conference on Signal Processing and Communication (ICSC), Noida, India, 21–23 December 2023; pp. 403–410. [Google Scholar]

24. Soetedjo, A.; Hendriarianti, E. Leaf temperature monitoring system using low-cost thermal camera and IoT technology. In Proceedings of the 2023 IEEE Second International Conference on Smart Technologies for Smart Nation (SmartTechCon), Tan Yeok Nee, Singapore, 18–19 August 2023; pp. 183–188. [Google Scholar]

25. Abd El-kader, S.M.; El-Basioni, B.M.M. Precision farming solution in Egypt using the wireless sensor network technology. Egypt. Inform. J. 2013, 14, 221–233. [Google Scholar] [CrossRef]

26. Shah, D. Precision Agriculture with SBCs Exploring the Benefits and Applications on Machinery. Wevolver. Available online: https://www.wevolver.com/article/exploring-the-frontier-of-edge-ai-top-5-single-board-computers-sbcs (accessed on 14 January 2025).

27. Kamath, R.; Balachandra, M.; Prabhu, S. Raspberry Pi as visual sensor nodes in precision agriculture: A study. IEEE Access 2019, 7, 45110–45122. [Google Scholar] [CrossRef]

28. Tranfield, D.; Denyer, D.; Smart, P. Towards a methodology for developing evidence-informed management knowledge by means of systematic review. Br. J. Manag. 2003, 14, 207–222. [Google Scholar] [CrossRef]

29. Lame, G. Systematic literature review: An introduction. In Proceedings of the 2019 ICED International Conference on Engineering Design, Delft, The Netherlands, 5–8 August 2019; pp. 1633–1642. [Google Scholar]

30. Kofod-Petersen, A. How to do a structured literature review in computer science? Ver. 0.1. October 2012, 1, 28. [Google Scholar]

31. Peixoto, B.; Pinto, R.; Melo, M.; Cabral, L.; Bessa, M. Immersive virtual reality for foreign language education: A PRISMA systematic review. IEEE Access 2021, 9, 48952–48962. [Google Scholar] [CrossRef]

32. BasuMallick, C. What is Raspberry Pi? Models, Features, and Uses. Spice Works. Available online: https://www.spiceworks.com/tech/networking/articles/what-is-raspberry-pi/ (accessed on 14 January 2025).

33. Allan, A. Benchmarking Raspberry Pi 5. Raspberry Pi News. Available online: https://www.raspberryPi.com/news/benchmarking-raspberry-Pi-5/ (accessed on 14 January 2025).

34. SunFounder. Python Project Require Components. SunFounder. Available online: https://docs.sunfounder.com/projects/pan-tilt-hat/en/latest/python/play_with_python.html#play-with-python (accessed on 14 January 2025).

35. Kumar, A. What Are Single Board Computers? Raspberry Pi. The Windows Club. Available online: https://www.thewindowsclub.com/single-board-computers (accessed on 14 January 2025).

36. Joice, A.A.; Rajkumar, P.; Deepa, J.; Arulmari, R. Colour discernment of tomatoes using a machine vision system with OpenCV Python and Raspberry Pi. Indian J. Eng. Mater. Sci. 2022, 29, 502–508. [Google Scholar]

37. Sharma, S. System on Chip: What You Need to Know About SoC? Tech Radar Inc. Available online: https://www.techradar.com/news/computing/pc/system-on-a-chip-what-you-need-to-know-about-socs-1147235 (accessed on 14 January 2025).

38. Shawn. Which Raspberry Pi programming Language Should You Use in 2023? Comparison Guide. Seed Studio. Available online: https://www.seeedstudio.com/blog/2020/02/25/which-raspberry-pi-programming-language-should-you-use-comparison-guide/ (accessed on 14 January 2025).

39. Saunders, J.L.; Ott, L.A.; Wehr, M. Autopilot: Automating experiments with lots of Raspberry Pi. bioRxiv 2022, 1–51. [Google Scholar] [CrossRef]

40. Negi, A. Raspberry Pi 4 GPIO Pinout, Specs, Schematic (Detailed Board Layout). Tehchnophiles. Available online: https://www.etechnophiles.com/raspberry-pi-4-gpio-pinout-specifications-and-schematic/ (accessed on 14 January 2025).

41. Tufail, M.; Iqbal, J.; Tiwana, M.I.; Alam, M.S.; Khan, Z.A.; Khan, M.T. Identification of tobacco crop based on machine learning for a precision agricultural sprayer. IEEE Access 2021, 9, 23814–23825. [Google Scholar] [CrossRef]

42. Sio, Y.X.; Abdulla, R.; Ramasenderan, N.A.; Rana, M.E. Harnessing the power of drones for precision agriculture: A real-time monitoring system utilizing sensor data and RF communication. In Proceedings of the 2023 IEEE 21st Student Conference on Research and Development (SCOReD), Kuala Lumpur, Malaysia, 13–14 December 2023; pp. 301–306. [Google Scholar]

43. De Oca, A.M.; Flores, G. The AgriQ: A low-cost unmanned aerial system for precision agriculture. Expert Syst. Appl. 2021, 182, 115163. [Google Scholar] [CrossRef]

44. Setyohadi, D.; Kautsar, S.; Rosdiana, E.; Riskiawan, H.; Firgiyanto, R.; Putra, D. Low-cost on-line monitoring system for agriculture based on Raspberry Pi zero. IOP Conf. Ser. Earth Environ. Sci. 2022, 980, 012062. [Google Scholar] [CrossRef]

45. Chris. How to Connect Sensors to Raspberry Pi? Chip Wired. Available online: https://chipwired.com/connect-sensors-raspberry-pi/ (accessed on 14 January 2025).

46. Chlingaryan, A.; Sukkarieh, S.; Whelan, B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Comput. Electron. Agric. 2018, 151, 61–69. [Google Scholar] [CrossRef]

47. Priya, R.; Ramesh, D. ML based sustainable precision agriculture: A future generation perspective. Sustain. Comput. Inform. Syst. 2020, 28, 100439. [Google Scholar] [CrossRef]

48. Banbury, C.R.; Reddi, V.J.; Lam, M.; Fu, W.; Fazel, A.; Holleman, J.; Huang, X.; Hurtado, R.; Kanter, D.; Lokhmotov, A. Benchmarking TinyML systems: Challenges and direction. arXiv 2020, arXiv:2003.04821. [Google Scholar]

49. Spykes, K. What is TinyML? An Introduction to Tiny Machine Learning. Data Camp. Available online: https://www.datacamp.com/blog/what-is-tinyml-tiny-machine-learning (accessed on 14 January 2025).

50. Li, E.; Zhou, Z.; Chen, X. Edge intelligence: On-demand deep learning model co-inference with device-edge synergy. In Proceedings of the 2018 Workshop on Mobile Edge Communications, Budapest, Hungary, 20 August 2018; pp. 31–36. [Google Scholar]

51. Le Minh, K.H.; Le, K.H.; Le-Trung, Q. DLASE: A light-weight framework supporting deep learning for edge devices. In Proceedings of the 2020 IEEE 4th International Conference on Recent Advances in Signal Processing, Telecommunications & Computing (SigTelCom), Hanoi, Vietnam, 28–29 August 2020; pp. 103–108. [Google Scholar]

52. Subedi, P.; Hao, J.; Kim, I.K.; Ramaswamy, L. AI multi-tenancy on edge: Concurrent deep learning model executions and dynamic model placements on edge devices. In Proceedings of the 2021 IEEE 14th International Conference on Cloud Computing (CLOUD), Chicago, IL, USA, 5–10 September 2021; pp. 31–42. [Google Scholar]

53. Rajapakse, V.; Karunanayake, I.; Ahmed, N. Intelligence at the extreme edge: A survey on reformable TinyML. ACM Comput. Surv. 2023, 55, 1–30. [Google Scholar] [CrossRef]

54. Yazici, M.T.; Basurra, S.; Gaber, M.M. Edge machine learning: Enabling smart internet of things applications. Big Data Cogn. Comput. 2018, 2, 26. [Google Scholar] [CrossRef]

55. Mohandas, R.; Bhattacharya, M.; Penica, M.; Van Camp, K.; Hayes, M.J. TensorFlow enabled deep learning model optimization for enhanced real-time person detection using Raspberry Pi operating at the edge. In Proceedings of the 28th Irish Conference on Artificial Intelligence and Cognitive Science, AICS, Dublin, Ireland, 7–8 December 2020; pp. 157–168. [Google Scholar]

56. Rashidi, M. Application of TensorFlow Lite on Embedded Devices: A Hands-on Practice of TensorFlow Model Conversion to TensorFlow Lite Model and Its Deployment on Smartphone to Compare Model’s Performance. TensorFlow Lite. Available online: https://www.tensorflow.org/lite/microcontrollers (accessed on 14 January 2025).

57. Heath, N. Raspberry Pi and Machine Learning: How to Get Started? Tech Republic. Available online: https://www.techrepublic.com/article/raspberry-pi-cheat-sheet/ (accessed on 14 January 2025).

58. Benyezza, H.; Bouhedda, M.; Kara, R.; Rebouh, S. Smart platform based on IoT and WSN for monitoring and control of a greenhouse in the context of precision agriculture. Internet Things 2023, 23, 100830. [Google Scholar] [CrossRef]

59. Molina-Rotger, M.; Morán, A.; Miranda, M.A.; Alorda-Ladaria, B. Remote fruit fly detection using computer vision and machine learning-based electronic trap. Front. Plant Sci. 2023, 14, 1241576. [Google Scholar] [CrossRef]

60. Feng, Q.; Xu, P.; Ma, D.; Lan, G.; Wang, F.; Wang, D.; Yun, Y. Online recognition of peanut leaf diseases based on the data balance algorithm and deep transfer learning. Precis. Agric. 2023, 24, 560–586. [Google Scholar] [CrossRef]

61. Reddy, B.A.; Krishna, G.S.; Saraswathi, K.P.; Sadhvika, I.; Udutalapally, V.; Das, D. dScout: Unmanned ground vehicle for automatic disease detection and pesticide atomizer. In Proceedings of the 2022 IEEE 7th International Conference for Convergence in Technology (I2CT), Mumbai, India, 7–9 April 2022; pp. 1–6. [Google Scholar]

62. Lingudu, P.; Majji, N.; Sasala, B.; Nelli, V.V.; Rao, Y.S.; Battula, S. Edge assisted architecture for performing precision agriculture. In Proceedings of the 2022 IEEE Region 10 Symposium (TENSYMP), Mumbai, India, 1–3 July 2022; pp. 1–5. [Google Scholar]

63. Murlidharan, S.; Shukla, V.K.; Chaubey, A. Application of machine learning in precision agriculture using IoT. In Proceedings of the 2021 IEEE 2nd International Conference on Intelligent Engineering and Management (ICIEM), London, UK, 28–30 April 2021; pp. 34–39. [Google Scholar]

64. Anh, P.T.; Duc, H.T.M. A benchmark of deep learning models for multi-leaf diseases for edge devices. In Proceedings of the 2021 IEEE International Conference on Advanced Technologies for Communications (ATC), Ho Chi Minh City, Vietnam, 14–16 October 2021; pp. 318–323. [Google Scholar]

65. Concepcion, R.S.; Palconit, M.G.B.; Dadios, E.P.; CarPio, J.N.; Bedruz, R.A.R.; Bandala, A.A. Arabidopsis Tracker: A centroid-based vegetation localization model for automatic leaf canopy phenotyping in multiple-pot cultivation system. In Proceedings of the 2020 IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Manila, Philippines, 3–7 December 2020; pp. 1–6. [Google Scholar]

66. Singh, S.; Alam, P.; Kumar, P.; Kaur, S. Internet of Things for precision agriculture applications. In Proceedings of the 2019 IEEE Fifth International Conference on Image Information Processing (ICIIP), Shimla, India, 15–17 November 2019; pp. 420–424. [Google Scholar]

67. Shadrin, D.; Menshchikov, A.; Somov, A.; Bornemann, G.; Hauslage, J.; Fedorov, M. Enabling precision agriculture through embedded sensing with artificial intelligence. IEEE Trans. Instrum. Meas. 2019, 69, 4103–4113. [Google Scholar] [CrossRef]

68. Rao, R.N.; Sridhar, B. IoT based smart crop-field monitoring and automation irrigation system. In Proceedings of the 2018 IEEE 2nd International Conference on Inventive Systems and Control (ICISC), Coimbatore, India, 19–20 January 2018; pp. 478–483. [Google Scholar]

69. Lamb, N.; Chuah, M.C. A strawberry detection system using convolutional neural networks. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10–13 December 2018; pp. 2515–2520. [Google Scholar]

70. Saha, A.K.; Saha, J.; Ray, R.; Sircar, S.; Dutta, S.; Chattopadhyay, S.P.; Saha, H.N. IoT-based drone for improvement of crop quality in agricultural field. In Proceedings of the 2018 IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA, 8–10 January 2018; pp. 612–615. [Google Scholar]

71. Nathwani, M. Attaching a Raspberry Pi Camera to a Drone. Ninja Articles. Available online: https://manoj.ninja/articles/2016/09/10/attaching-a-raspberry-pi-camera-to-a-drone (accessed on 14 January 2025).

72. Pisharody, S.N.; Kittali, P.; Suresh, R.; Ravichandran, S.; TS, A.K. Design and implementation of Bluetooth controlled weeder. In Proceedings of the 2021 IEEE Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics, and Cloud), Palladam, India, 11–13 November 2021; pp. 1700–1705. [Google Scholar]

73. Bergquist, C. Raspberry Pi drone—The Ultimate Project Drone. Drone Dojo. Available online: https://dojofordrones.com/raspberry-pi-drone/ (accessed on 14 January 2025).

74. Panigrahi, K.P.; Das, H.; Sahoo, A.K.; Moharana, S.C. Maize leaf disease detection and classification using machine learning algorithms. In Proceedings of the Progress in Computing, Analytics and Networking: Proceedings of ICCAN 2019, Odisha, India, 14–15 December 2019; Springer: Singapore, 2020; pp. 659–669. [Google Scholar]

75. Ebrahimi, M.; Khoshtaghaza, M.H.; Minaei, S.; Jamshidi, B. Vision-based pest detection based on SVM classification method. Comput. Electron. Agric. 2017, 137, 52–58. [Google Scholar] [CrossRef]

76. Faithpraise, F.; Birch, P.; Young, R.; Obu, J.; Faithpraise, B.; Chatwin, C. Automatic plant pest detection and recognition using k-means clustering algorithm and correspondence filters. Int. J. Adv. Biotechnol. Res. 2013, 4, 189–199. [Google Scholar]

77. Balasundram, S.K.; Golhani, K.; Shamshiri, R.R.; Vadamalai, G. Precision agriculture technologies for management of plant diseases. In Proceedings of the Plant Disease Management Strategies for Sustainable Agriculture through Traditional and Modern Approaches, Selangor, Malaysia, 13 February 2020; Springer: Berlin/Heidelberg, Germany, 2020; pp. 259–278. [Google Scholar]

78. Tichkule, S.K.; Gawali, D.H. Plant diseases detection using image processing techniques. In Proceedings of the 2016 IEEE Online International Conference on Green Engineering and Technologies (IC-GET), Coimbatore, India, 19 November 2016; pp. 1–6. [Google Scholar]

79. Sankar, M.; Mudgal, D.; Jagdish, T.V.; Laxman, N.w.G.; Jalinder, M.M. Green leaf disease detection using Raspberry Pi. In Proceedings of the 2019 IEEE 1st International Conference on Innovations in Information and Communication Technology (ICIICT), Chennai, India, 25–26 April 2019; pp. 1–6. [Google Scholar]

80. Patil, B.; Panchal, H.; Yadav, S.; Singh, A.; Patil, D. Plant Monitoring using image processing, Raspberry Pi & IoT. Int. Res. J. Eng. Technol. (IRJET) 2017, 4, 1337–1342. [Google Scholar]

81. Thorat, A.; Kumari, S.; Valakunde, N.D. An IoT-based smart solution for leaf disease detection. In Proceedings of the 2017 IEEE International Conference on Big Data, IoT and Data Science (BID), Pune, India, 20–22 December 2017; pp. 193–198. [Google Scholar]

82. Gonzalez-Huitron, V.; León-Borges, J.A.; Rodriguez-Mata, A.; Amabilis-Sosa, L.E.; Ramírez-Pereda, B.; Rodriguez, H. Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4. Comput. Electron. Agric. 2021, 181, 1–9. [Google Scholar] [CrossRef]

83. Reddy, G.R.M.; Sumanth, N.S.; Kumar, N.S.P. Plant leaf disease detection using CNN and Raspberry Pi. Int. J. Adv. Sci. Res. 2020, 5, 21–25. [Google Scholar]

84. Adhao, A.S.; Pawar, V.R. Automatic cotton leaf disease diagnosis and controlling using Raspberry Pi and IoT. In Proceedings of the Intelligent Communication and Computational Technologies: Proceedings of Internet of Things for Technological Development, IoT4TD 2017, Gujarat, India, 1–2 April 2017; Springer: Singapore, 2018; pp. 157–167. [Google Scholar]

85. Ponnusamy, V.; Coumaran, A.; Shunmugam, A.S.; Rajaram, K.; Senthilvelavan, S. Smart glass: Real-time leaf disease detection using YOLO transfer learning. In Proceedings of the 2020 IEEE International Conference on Communication and Signal Processing (ICCSP), Chennai, India, 28–30 July 2020; pp. 1150–1154. [Google Scholar]

86. Zarboubi, M.; Chabaa, S.; Dliou, A. Advancing precision agriculture with deep learning and IoT integration for effective tomato pest management. In Proceedings of the 2023 IEEE International Conference on Advances in Data-Driven Analytics and Intelligent Systems (ADACIS), Marrakesh, Morocco, 23–25 November 2023; pp. 1–6. [Google Scholar]

87. Jumat, M.H.; Nazmudeen, M.S.; Wan, A.T. Smart farm prototype for plant disease detection, diagnosis & treatment using IoT device in a greenhouse. In Proceedings of the 7th Brunei International Conference on Engineering and Technology 2018 (BICET 2018), Begawan, Brunei, 12–14 November 2018. [Google Scholar] [CrossRef]

88. Shinde, P.G.; Shinde, A.K.; Shinde, A.A.; Borate, S. Plant disease detection using Raspberry Pi by k-means clustering algorithm. Int. J. Electr. Electron. Comput. Syst. 2017, 5, 92–95. [Google Scholar]

89. Kitpo, N.; Inoue, M. Early rice disease detection and position mapping system using drone and IoT architecture. In Proceedings of the 2018 IEEE 12th South East Asian Technical University Consortium (SEATUC), Yogyakarta, Indonesia, 12–13 March 2018; Volume 1, pp. 1–5. [Google Scholar]

90. Thalluri, L.N.; Adapa, S.D.; Priyanka, D.; Sarma, A.V.N.; Venkat, S.N. Drone technology enabled leaf disease detection and analysis system for agriculture applications. In Proceedings of the 2021 IEEE 2nd International Conference on Smart Electronics and Communication (ICOSEC), Trichy, India, 7–9 October 2021; pp. 1079–1085. [Google Scholar]

91. Chodorek, A.; Chodorek, R.R.; Sitek, P. UAV-based and WebRTC-based open universal framework to monitor urban and industrial areas. Sensors 2021, 21, 4061. [Google Scholar] [CrossRef] [PubMed]

92. Mishra, S.; Sachan, R.; Rajpal, D. Deep convolutional neural network based detection system for real-time corn plant disease recognition. Procedia Comput. Sci. 2020, 167, 2003–2010. [Google Scholar] [CrossRef]

93. Faiçal, B.S.; Costa, F.G.; Pessin, G.; Ueyama, J.; Freitas, H.; Colombo, A.; Fini, P.H.; Villas, L.; Osório, F.S.; Vargas, P.A.; et al. The use of unmanned aerial vehicles and wireless sensor networks for spraying pesticides. J. Syst. Archit. 2014, 60, 393–404. [Google Scholar] [CrossRef]

94. Basso, M.; Stocchero, D.; Ventura Bayan Henriques, R.; Vian, A.L.; Bredemeier, C.; Konzen, A.A.; Pignaton de Freitas, E. Proposal for an embedded system architecture using a GNDVI algorithm to support UAV-based agrochemical spraying. Sensors 2019, 19, 5397. [Google Scholar] [CrossRef]

95. Hussain, N.; Farooque, A.A.; Schumann, A.W.; McKenzie-Gopsill, A.; Esau, T.; Abbas, F.; Acharya, B.; Zaman, Q. Design and development of a smart variable rate sprayer using deep learning. Remote Sens. 2020, 12, 4091. [Google Scholar] [CrossRef]

96. Terra, F.P.; Nascimento, G.H.d.; Duarte, G.A.; Drews, P.L., Jr. Autonomous agricultural sprayer using machine vision and nozzle control. J. Intell. Robot. Syst. 2021, 102, 38. [Google Scholar] [CrossRef]

97. Coleman, G.R.; Macintyre, A.; Walsh, M.J.; Salter, W.T. Investigating image-based fallow weed detection performance on Raphanus sativus and Avena sativa at speeds up to 30 km h⁻¹. Comput. Electron. Agric. 2023, 215, 108419. [Google Scholar] [CrossRef]

98. Vikhram, G.R.; Agarwal, R.; Uprety, R.; Prasanth, V. Automatic weed detection and smart herbicide sprayer robot. Int. J. Eng. Technol. 2018, 7, 115–118. [Google Scholar] [CrossRef]

99. Singh, K.D.; Natarajan, M.; Gill, K.; Ravichandran, P.; Wang, H.; Geddes, C.M. Digital imaging system for high-throughput plant phenotyping using Raspberry Pi computers. In Proceedings of the 2023 IEEE 13th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing (WHISPERS), Athens, Greece, 31 October–2 November 2023; pp. 1–5. [Google Scholar]

100.                Valle, B.; Simonneau, T.; Boulord, R.; Sourd, F.; Frisson, T.; Ryckewaert, M.; Hamard, P.; Brichet, N.; Dauzat, M.; Christophe, A. PYM: A new, affordable, image-based method using a Raspberry Pi to phenotype plant leaf area in a wide diversity of environments. Plant Methods 2017, 13, 98. [Google Scholar] [CrossRef]

101.                Tovar, J.C.; Hoyer, J.S.; Lin, A.; Tielking, A.; Callen, S.T.; Elizabeth Castillo, S.; Miller, M.; Tessman, M.; Fahlgren, N.; Carrington, J.C.; et al. Raspberry Pi–powered imaging for plant phenotyping. Appl. Plant Sci. 2018, 6, e1031. [Google Scholar] [CrossRef]

102.                Rehman, T.U.; Zhang, L.; Wang, L.; Ma, D.; Maki, H.; Sánchez-Gallego, J.A.; Mickelbart, M.V.; Jin, J. Automated leaf movement tracking in time-lapse imaging for plant phenotyping. Comput. Electron. Agric. 2020, 175, 105623. [Google Scholar] [CrossRef]

103.                Cho, W.J.; Yang, M. High-throughput plant phenotyping system using a low-cost camera network for plant factory. Agriculture 2023, 13, 1874. [Google Scholar] [CrossRef]

104.                Stamford, J.D.; Vialet-Chabrand, S.; Cameron, I.; Lawson, T. Development of an accurate low cost NDVI imaging system for assessing plant health. Plant Methods 2023, 19, 9. [Google Scholar] [CrossRef]

105.                Arunachalam, A.; Andreasson, H. Real-time plant phenomics under robotic farming setup: A vision-based platform for complex plant phenotyping tasks. Comput. Electr. Eng. 2021, 92, 107098. [Google Scholar] [CrossRef]

106.                Sangjan, W.; Carter, A.H.; Pumphrey, M.O.; Jitkov, V.; Sankaran, S. Development of a Raspberry Pi-based sensor system for automated in-field monitoring to support crop breeding programs. Inventions 2021, 6, 42. [Google Scholar] [CrossRef]

107.                Tilly, N.; Aasen, H.; Bareth, G. Fusion of plant height and vegetation indices for the estimation of barley biomass. Remote Sens. 2015, 7, 11449–11480. [Google Scholar] [CrossRef]

108.                Banerjee, B.P.; Spangenberg, G.; Kant, S. CBM: An IoT-enabled LiDAR sensor for in-field crop height and biomass measurements. Biosensors 2021, 12, 16. [Google Scholar] [CrossRef] [PubMed]

109.                Balbin, J.R.; Memije, F.L.C.; Pineda, A.M.; Guillermo, J.A.; Garcia, R.G. Remote monitoring of drip fertigation system using tree-based wireless sensor networks and multispectral imaging. In Proceedings of the 2023 IEEE 15th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Palawan, Philippines, 19–23 November 2023; pp. 1–6. [Google Scholar]

110.                Darshna, S.; Sangavi, T.; Mohan, S.; Soundharya, A.; Desikan, S. Smart irrigation system. J. Electron. Commun. Eng. 2015, 10, 32–36. [Google Scholar]

111.                Jadhav, S.; Hambarde, S. Automated irrigation system using wireless sensor network and Raspberry Pi. Int. J. Sci. Res. 2015, 4, 2056–2058. [Google Scholar]

112.                Routis, G.; Roussaki, I. Low power IoT electronics in precision irrigation. Smart Agric. Technol. 2023, 5, 100310. [Google Scholar] [CrossRef]

113.                Karthikamani, R.; Rajaguru, H. IoT based smart irrigation system using Raspberry Pi. In Proceedings of the 2021 IEEE Smart Technologies, Communication and Robotics (STCR), Sathyamangalam, India, 9–10 October 2021; pp. 1–3. [Google Scholar]

114.                Kumar, A.; Tiwari, R.G.; Trivedi, N.K. Smart farming: Design and implementation of an IoT-based automated irrigation system for precision agriculture. In Proceedings of the 2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT), Dehradun, India, 8–9 September 2023; pp. 1–6. [Google Scholar]

115.                Agrawal, N.; Singhal, S. Smart drip irrigation system using Raspberry Pi and Arduino. In Proceedings of the 2015 IEEE International Conference on Computing, Communication & Automation, Noida, India, 26–27 February 2015; pp. 928–932. [Google Scholar]

116.                Math, A.; Ali, L.; Pruthviraj, U. Development of smart drip irrigation system using IoT. In Proceedings of the 2018 IEEE Distributed Computing, VLSI, Electrical Circuits and Robotics (DISCOVER), Mangalore, India, 13–14 August 2018; pp. 126–130. [Google Scholar]

117.                Aaron, S. Irrigation System. Law Insider. Available online: https://www.lawinsider.com/clause/irrigation-system (accessed on 14 January 2025).

118.                Chithra, V.; Jeyashri, R.; Deepashri, R.; Prathibanandhi, K.; Priya, C. Smart sprinkler system using Raspberry Pi. In Proceedings of the 2022 IEEE International Conference on Communication, Computing, and Internet of Things (IC3IoT), Chennai, India, 10–11 March 2022; pp. 1–5. [Google Scholar]

119.                Mattia, G.P.; Beraldi, R. Lifespan and energy-oriented load balancing algorithms across sets of nodes in Green Edge Computing. In Proceedings of the 2023 IEEE Cloud Summit, Baltimore, MD, USA, 6–7 July 2023; pp. 41–48. [Google Scholar]

120.                Geerling, J. Raspberry Pi Cluster—Setting up the Cluster. Raspberry Pi Cluster—Jeff Geerling Blog. Available online: https://www.jeffgeerling.com/blog/2020/raspberry-pi-cluster-episode-2-setting-cluster (accessed on 14 January 2025).

Joice A, Tufaique T, Tazeen H, Igathinathane C, Zhang Z, Whippo C, Hendrickson J, Archer D. Applications of Raspberry Pi for Precision Agriculture—A Systematic Review. Agriculture. 2025; 15(3):227. https://doi.org/10.3390/agriculture15030227

Перевод статьи «Applications of Raspberry Pi for Precision Agriculture—A Systematic Review» авторов Joice A, Tufaique T, Tazeen H, Igathinathane C, Zhang Z, Whippo C, Hendrickson J, Archer D.., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык