Constructing the Comprehensive Intelligent Monitoring System based on Wireless Sensor Networks (WSNs) for Mango Crop Precision Agriculture
本文提出了一种用于芒果精准农业的综合智能监测系统，该系统集成了经过验证的物理传感器、利用 StarNet 实现高精度病害检测的改进型 YOLOv10 模型，以及通过 Aquila 优化器增强的无线传感器网络，以实现最优的能量效率和低延迟。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在阳光明媚、芒果树枝繁叶茂的广袤果园中，丰收与歉收之间的差别往往取决于那些肉眼难以察觉的细节。长期以来，农户们一直依靠经验来判断树木的健康状况，但一种结合了小型电池驱动传感器之静默警觉与人工智能之敏锐视觉的新方法正在兴起。这一被称为“精准农业”的领域，旨在将每一株植物都视为独立的个体，通过收集空气、土壤及果实本身的数据，做出既高效又及时的决策。通过将相互通信的传感器网络与能在疾病扩散前发现病灶的摄像头编织在一起，研究人员正在构建一个系统，让种植者能够实时洞察果园中隐藏的状况。其目标不仅是监测，更是为了理解决定芒果茁壮成长或枯萎的复杂因素网，将凭经验猜测转变为一种观察的科学。
在最近的一项研究中，研究人员着手为芒果作物构建这样一个全面的监测系统，旨在捕捉果园环境的全貌。他们首先验证了一套旨在测量空气湿度、温度以及土壤水分和酸度的物理传感器组。为了确保这些设备的可靠性，团队在全天范围内将其读数与标准测量工具进行了对比。结果显示，这些传感器的准确度极高，平均误差小于百分之一。这种高水平的精确度意味着该系统可以依靠所收集的数据，就灌溉或土壤处理做出明智的决策，为整个监测网络奠定了坚实的基础。
然而，了解土壤是否潮湿或空气是否潮湿仅仅是故事的一半；另一半则涉及对果实本身的观察。研究人员开发了一种专门的计算机视觉模型，用于检查芒果是否有病害迹象，该模型能够区分健康的果实与遭受特定病害（如交链孢菌病、炭疽病、黑霉病或茎腐病）影响的果实。为了使该系统足以在野外的便携式设备上运行，他们通过集成一个新的架构组件改进了现有的图像检测算法，该组件使计算机无需过高的计算能力即可识别复杂的模式。在测试中，这种改进后的模型优于其他几种领先的检测方法，能正确识别近 94% 的果实状况。它还以更快的速度运行并消耗更少的内存，使其成为在果园中随身携带的小型便携式计算机的理想选择。
拼图的最后一块是将所有这些传感器和摄像头连接成一个单一且高效的网络。由于芒果园可能规模庞大且分布广泛，研究人员需要一种方法来管理来自数十个设备的信息流，而不至于耗尽电池或造成延迟。他们采用了一种受雕鸮（Aquila eagle）捕食行为启发的策略，即一种通过优化设备如何组织成组来共享数据的算法。这种方法使网络能够找到传输信息最有效的路径，显著降低了传输数据所需的能量，并缩短了消息到达的时间。在涉及十个连接设备的测试中，这种优化后的网络比以往的方法消耗更少的能量，且丢包现象更少，确保了来自传感器和摄像头的数据能够快速、可靠地到达农户的设备。
通过将这三个要素——准确的物理传感器、快速智能的病害检测摄像头以及节能的通信网络——结合在一起，这项研究展示了一个完整的芒果作物监测系统。该系统不仅仅是收集数据，它还在本地处理数据以提供即时见解，让农民能够在果园发生变化时立即做出反应。研究表明，构建一个在现实农场约束条件下运行的稳健、智能的监测工具是完全可能的，这为更可持续和高产的农业提供了一条切实的路径。研究结果表明，凭借传感技术与智能算法的正确结合，种植者可以保持对作物的持续、清晰观察，确保每一棵树都能得到所需的照料，从而产出最好的果实。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。