AI-Based Crop Health Monitoring and Early Disease Prediction for Precision Agriculture

方法

IoT环境传感与计算机视觉多模态分析，结合可解释AI与边缘计算。

发现

多源数据联合评估病害风险，并给出可解释预警，最终决策仍由农户判断。

机会点

可探索实验室与田间数据域差异下的多模态轻量模型鲁棒性与误报抑制。

作物健康状况的变化本质上可能是渐进的，而传统的田间巡查难以提供充足的观察机会。本文描述了一种利用环境传感器和作物图像对病害概率进行持续监测与估计的方法。物联网（IoT）传感器提供温度、湿度和土壤湿度读数，而计算机视觉模型则处理作物/叶片图像中的可见模式。两组数据分别独立分析，其融合结果基于所有输入形成病害风险评估。该方法包含可解释性机制，以确保发出警报的原因由影响预测结果的关键观察构成。近期文献表明，IoT监测、轻量级机器学习（深度学习）、多模态分析和边缘计算受到关注。可解释AI日益被视为应用于农业的任何AI系统的重要组成部分。然而，实验室生成数据与田间环境之间的差异性、输入数据缺乏多样性、传感器精度、计算成本以及误报可能性等问题仍需加以考虑。本文聚焦于面向田间的研究框架的开发与评估，在该框架中，预测质量、预警发出时间、资源消耗以及所生成解释的有用性均被联合评估。该研究的目标是构建一种简单的决策支持工具，能够及早检测作物健康问题，但仍将最终决策留给农民或农业专家。