This paper focuses on developing a computationally economic lightweight artificial intelligence (AI) technology for smartphones. Until date, no commercial system is available on this technology. Thus the developed breakthrough technology can enhance the capability of users on the field for monitoring the agricultural vehicles (AgV)s health by analyzing the acoustic noise using smartphone‘s app. This paper can enable the user of AgVs to optimize their farming by management at edge devices: smartphones. Since smartphones use a small integrated computing unit with computational limited resources, thus lighter the system, more favorable to work on. Artificial neural network (ANN) is one of the most favorite AI techniques, but its lightweight architecture—attributed by the number of inputs and hidden layers and neurons—, is one of the most important issues in the context of smartphones. Under the framework of bi-level optimization, we aim to analyze the tournament selection operator based genetic algorithm with hybrid crossover operators, at level-I, to evolve ANN, at level-II to design the lightweight edge device enabled AI technique. The obtained results and numerical evaluative analysis indicate that the optimized design of the lightweight fault detection system responds well to the soundtracks received via microphones. We present the evaluation of the proposed technology on serial programming, parallel programming (PP), GPU programming, and GPU with PP. The results show that PP is enough efficient for the proposed technology and can save the cost of GPU for large scale implementation of the technology.

中文翻译：

---

农用车健康诊断轻量化人工智能技术：基于遗传算法的并行进化人工神经网络

本文侧重于为智能手机开发一种计算经济的轻量级人工智能 (AI) 技术。迄今为止，还没有可用于该技术的商业系统。因此，开发的突破性技术可以通过使用智能手机的应用程序分析噪声来增强现场用户监测农用车辆（AgV）健康的能力。本文可以使 AgV 的用户通过在边缘设备（智能手机）上进行管理来优化他们的农业。由于智能手机使用计算资源有限的小型集成计算单元，因此系统更轻，更利于工作。人工神经网络 (ANN) 是最受欢迎的 AI 技术之一，但其轻量级架构（由输入、隐藏层和神经元的数量决定），是智能手机环境中最重要的问题之一。在双层优化的框架下，我们的目标是分析基于锦标赛选择算子的遗传算法和混合交叉算子，在第一级进化人工神经网络，在第二级设计轻量级边缘设备启用人工智能技术。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。在双层优化的框架下，我们的目标是分析基于锦标赛选择算子的遗传算法和混合交叉算子，在第一级进化人工神经网络，在第二级设计轻量级边缘设备启用人工智能技术。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。在双层优化的框架下，我们的目标是分析基于锦标赛选择算子的遗传算法和混合交叉算子，在第一级进化人工神经网络，在第二级设计轻量级边缘设备启用人工智能技术。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。我们的目标是分析基于锦标赛选择算子的遗传算法和混合交叉算子，在第一级，进化人工神经网络，在第二级设计轻量级边缘设备启用人工智能技术。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。我们的目标是分析基于锦标赛选择算子的遗传算法和混合交叉算子，在第一级，进化人工神经网络，在第二级设计轻量级边缘设备启用 AI 技术。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。所得结果和数值评估分析表明，轻量级故障检测系统的优化设计对通过麦克风接收的音轨响应良好。我们介绍了对串行编程、并行编程 (PP)、GPU 编程和 GPU 与 PP 技术的评估。结果表明，PP 对于所提出的技术来说是足够有效的，并且可以为该技术的大规模实施节省 GPU 的成本。