A Rapid, Low-Cost, and High-Precision Multifrequency Electrical Impedance Tomography Data Acquisition System for Plant Phenotyping
Notice bibliographique
Résumé
Plant phenotyping plays an important role for the thorough assessment of plant traits such as growth, development, and physiological processes with the target of achieving higher crop yields by the proper crop management. The assessment can be done by utilizing two- and three-dimensional image reconstructions of the inhomogeneities. The quality of the reconstructed image is required to maintain a high accuracy and a good resolution, and it is desirable to reconstruct the images with the lowest possible noise. In this work, an electrical impedance tomography (EIT) data acquisition system is developed for the reconstruction and evaluation of the inhomogeneities by utilizing a non-destructive method. A high-precision EIT system is developed by designing an electrode array sensor using a cylindrical domain for the measurements in different planes. Different edible plant slices along with multiple plant roots are taken in the EIT domain to assess and calibrate the system, and their reconstructed results are evaluated by utilizing an impedance imaging technique. A non-invasive imaging is carried out in multiple frequencies by utilizing a difference method of reconstruction. The performance and accuracy of the EIT system are evaluated by measuring impedances between 1 and 100 kHz using a low-cost and rapid electrical impedance spectroscopy (EIS) tool connected to the sensor. A finite element method (FEM) modeling is utilized for image reconstruction, which is carried out using electrical impedance and diffuse optical tomography reconstruction software (EIDORS). The reconstruction is made successfully with the optimized results obtained using Gauss–Newton (GN) algorithms.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».