2. 边缘硬件与农业现场约束

农业视觉模型的边缘部署，第一步不是选模型，而是选“落脚点”。同一套检测算法，放在 Jetson Orin Nano 上能跑 30 FPS，放到 ESP32 上连一帧 224×224 的 RGB 图都存不下。因此本节先建立一张“硬件能力—现场条件—环境扰动”的约束地图，再讨论这些约束如何反过来影响模型结构、量化策略和部署方案。

四类典型边缘设备的算力与功耗画像

农业场景常见的边缘计算载体大致分四档：Jetson 系列（GPU 加速）、RK3588（NPU 加速）、树莓派（CPU/轻 GPU）、ESP32（MCU）。它们的差别不只是“快慢”，而是算力类型、内存带宽、功耗预算和软件栈四个维度的整体差异。

表中数值为公开规格的示例量级，实际吞吐必须用目标模型实测。关键判断是：TOPS 不等于帧率。NPU 的利用率受算子支持度影响极大——一个 NPU 不支持的激活函数或后处理算子，可能让整条推理链回落到 CPU，帧率骤降数倍。因此选型时应先确认目标模型的算子是否在厂商工具链的支持列表内，再谈算力是否够用。

田间网络与供电：被低估的部署约束

实验室里默认千兆网和稳定市电，田间则完全不同。网络方面，大棚和果园常依赖 4G/5G 或 LoRa/WiFi 回传，上行带宽可能只有几百 kbps 到几 Mbps，且存在间歇断连。这直接决定推理结果不能“每帧上传原图”，而应在边缘完成检测，只上传结构化结果（类别、置信度、坐标、时间戳）或压缩后的关键帧。

供电方面，固定式设备可接市电，移动式设备（巡检机器人、无人机、虫情监测杆）多依赖电池或太阳能。此时功耗不是“越小越好”，而是要算能量预算：例如一块 12 V/10 Ah 电池约 120 Wh，若整机平均功耗 8 W，理论续航约 15 小时；若通过降低推理频率、休眠调度把平均功耗压到 3 W，续航可延长到 40 小时左右。这往往比换更快的芯片更能解决实际问题。

# 能量预算估算示例（假设值，需按实测替换）
电池能量 = 12 V × 10 Ah = 120 Wh
平均功耗 = 推理功耗 × 占空比 + 待机功耗 × (1 - 占空比)
         = 8 W × 0.2 + 0.5 W × 0.8 = 2.0 W
理论续航 ≈ 120 Wh / 2.0 W = 60 h（未计转换损耗，实际按 0.8 折算约 48 h）

环境适应性如何“改写”模型部署方案

农业现场的光照、震动、温湿度会从三个层面影响部署。光照上，正午强光与逆光造成高光溢出，傍晚和阴天则信噪比低，模型在实验室数据集上的精度会明显下降；应对方式包括在采集端加遮光罩、使用宽动态摄像头，以及在训练时加入强光/低照度增强样本。震动上，车载或机械臂搭载的相机会产生运动模糊，需提高快门速度或做帧间配准，否则检测框抖动会传导到跟踪与计数逻辑。温湿度上，高温会触发设备降频，低温会降低电池可用容量，高湿则带来凝露与镜头污染，需要在结构上做防护并设置温度监控与降频保护策略。

把约束落到部署决策上

把上述三类约束合起来看，部署决策可以按以下顺序推进：先根据部署形态和供电方式确定功耗上限，再根据网络条件确定单帧可上传的数据量，然后据此选择设备档位与模型规模，最后针对光照、震动、温湿度设计采集端与训练端的补偿措施。例如一个果园虫情监测杆，太阳能供电、4G 回传、固定安装，合理方案是 RK3588 或树莓派 + 轻量检测模型，按分钟级触发推理，只上传计数结果与异常帧，而不是追求实时视频流。

需要强调的是，本节给出的算力、功耗与续航数值均为示例量级，用于说明估算方法。真实项目中应以目标设备、目标模型和实测功耗为准，并在部署前完成一次“整机功耗 × 占空比”的能量预算核算与一次目标设备上的端到端帧率测试，这两项数据才是后续模型轻量化与调度策略的直接输入。