Efficient Image Transmission Using LoRa Technology In Agricultural Monitoring IoT Systems
Notice bibliographique
Résumé
Reliable image transmission using LoRa in IoT monitoring systems is considered to be challenging due to insufficient LoRa data rate and payload size. Existing approaches transmit an image in a sequence of packets each of which is individually acknowledged. This approach results in a long image transmission time due to the time spent waiting for the many individual acknowledgements. The acknowledgement traffic also inflates network load. To facilitate LoRa-based image transmission in agricultural monitoring IoT systems, this paper proposes a new reliable delivery protocol, Multi-Packet LoRa (MPLR), for transmission of large messages, such as images, in LoRa networks. The proposed protocol is implemented and evaluated using a LoRa testbed network. In point-to-point experiments with a single sender/receiver pair, MPLR reduced image transmission time by an average of 24% in scenarios with no packet loss, and by averages of 30%, 42%, and 49% in scenarios with 2%, 5%, and 10% loss rate, respectively. When multiple LoRa nodes send images to a single gateway, high channel utilization and an unacceptable collision probability can be experienced with the standard LoRa MAC ALOHA protocol. In experiments with between 5 and 20 nodes, MPLR in conjunction with a channel reservation protocol can successfully send more images and reduce the maximum successful image transmission time between 2 and 7 times, compared to stop-and-wait packet transmission with ALOHA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».