Artificial Intelligence‐Driven Robotic Sensing System for Noninvasive Crop Health Monitoring and Autonomous Irrigation Management
Notice bibliographique
Résumé
This study introduces an artificial intelligence (AI)‐driven robotic system utilizing a 3D‐printed electrophysiological (EP) sensor for noninvasive, real‐time monitoring of plant health signals across different irrigation levels, highlighting the crucial role of these technologies in enhancing smart agriculture and sustainability. The sensing system consists of a mobile robot with a 3D EP sensor and portable Faraday cage for data acquisition, using an AI‐powered convolution neural network to analyze EP data in greenhouses and categorize irrigation levels to optimize water usage for scalable agricultural management. The findings reveal that the 3D EP sensor displays lower and more stable contact resistance (2.10 ± 0.52 MΩ) compared to flat thin‐film sensors (2.96 ± 1.45 MΩ), ensuring high electrical reliability due to effective contact with hairy tomato leaves. The 3D EP sensor's high sensitivity (signal resolution of 0.0122 mV) detects subtle EP signal changes linked to irrigation levels, aiding water optimization and crop yield enhancement. For the first time, this study employs scalogram images for detailed analysis of plant EP signals, achieving a classification accuracy of 86.91%, comparable to red, gren, and blue image‐based methods (86.37%). This system is a reliable tool for long‐term monitoring in smart farming and provides insights into plant signal dynamics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».