A Remote Strawberry Health Monitoring System Performed with Multiple Sensors Approach
Notice bibliographique
Résumé
Temperature is a key physiological indicator of plant health, influenced by factors including water status, disease and developmental stage. Monitoring changes in multiple factors is helpful for early diagnosis of plant growth. However, there are a variety of complex light interference phenomena in the greenhouse, so traditional detection methods cannot meet effective online monitoring of strawberry health status without manual intervention. Therefore, this paper proposes a leaf soft-sensing method based on a thermal infrared imaging sensor and adaptive image screening Internet of Things system, with additional sensors to realize indirect and rapid monitoring of the health status of a large range of strawberries. Firstly, a fuzzy comprehensive evaluation model is established by analyzing the environmental interference terms from the other sensors. Secondly, through the relationship between plant physiological metabolism and canopy temperature, a growth model is established to predict the growth period of strawberries based on canopy temperature. Finally, by deploying environmental sensors and solar height sensors, the image acquisition node is activated when the environmental interference is less than the specified value and the acquisition is completed. The results showed that the accuracy of this multiple sensors system was 86.9%, which is 30% higher than the traditional model and 4.28% higher than the latest advanced model. It makes it possible to quickly and accurately assess the health status of plants by a single factor without in-person manual intervention, and provides an important indication of the early, undetectable state of strawberry disease, based on remote operation.
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 ».