近日，北京农学院智能科学与工程学院青年教师张宇轩与邱权教授在国际物联网领域顶级期刊IEEE Internet of Things Journal（IF=8.9）在线发表了题为“TinyML-Enabled IoT Edge Framework with Knowledge Distillation for Weed Classification”的研究论文。该研究围绕农业物联网场景中杂草识别的高效部署问题，提出了一种面向超低功耗设备的TinyML边缘智能框架，为农业机器人实现长时间运行与精准作业提供了关键技术支撑。

在智慧农业快速发展的背景下，杂草识别作为农业机器人感知系统中的核心任务之一，直接关系到作物产量与资源利用效率。然而传统深度学习方法通常依赖高性能计算平台（如Jetson或云端服务器），其高功耗与高计算需求严重制约了在资源受限物联网设备上的实际应用。针对这一问题，研究团队提出了一种TinyML驱动的IoT边缘计算框架，通过引入创新的“三维对齐知识蒸馏方法（TDA-KD）”，实现了高精度模型向轻量化模型的高效知识迁移。该方法从三个维度进行知识对齐：①单样本预测对齐；②样本间关系对齐；③类别语义对齐，并结合多温度软标签机制，有效提升了轻量模型的表达能力与泛化性能。

在模型设计方面，团队构建了一种多尺度膨胀卷积轻量网络结构，能够在极低参数量条件下同时捕捉局部纹理与全局形态特征，从而解决农业场景中杂草与作物形态相似、环境复杂等关键难题。该模型在DeepWeeds和4Weeds数据集上均取得超过95%的分类准确率，而参数量仅为24万，显著优于现有轻量化方法。更为重要的是，该研究实现了模型在实际嵌入式平台上的成功部署。通过在OpenMV H7 Plus（STM32H7微控制器）上的验证，模型仅需约105 KB存储空间，单次推理能耗约510 mJ，推理时间约375 ms，在保持高精度的同时实现了超低功耗运行。相比传统NVIDIA Jetson平台方案，系统整体运行时间提升约30.5%，显著增强了农业机器人在野外环境中的持续作业能力。

图1 TinyML驱动的IoT边缘杂草识别框架与TDA-KD方法示意

该研究从“算法设计—模型压缩—嵌入式部署—系统验证”构建了完整技术链条，为农业物联网中边缘智能模型的落地提供了系统性解决方案。相关成果不仅拓展了TinyML在智慧农业中的应用边界，也为低功耗边缘AI在无人机、移动机器人等场景中的应用提供了重要参考。

智能学院青年教师张宇轩为本论文第一作者，邱权教授为本论文共同通讯作者，该研究与瑞典中部大学Sebastian Bader副教授、澳大利亚联邦科学与工业研究组织农业与食品研究中心研究员Luciano Sebastian Martinez-Rau博士、爱尔兰廷德尔国家研究所Brendan O’Flynn教授等国内外学者合作完成。该研究得到了北京农学院青年教师科研创新能力提升计划、瑞典知识基金会项目的资助。

文章链接：https://doi.org/10.1109/JIOT.2026.3679508