使用波波变换和混合CNN - LSTM模型对VOC和超声波物联网传感器数据进行非视觉玉米疾病检测
Theofrida Julius Maginga1, Emmanuel Masabo1, Pierre Bakunzibake1
1African Centre of Excellence in Internet of Things (ACEIoT) - University of Rwanda (UR), Rwanda.
Heliyon
|February 29, 2024
概括
现在可以使用物联网 (IoT) 传感器在玉米中早期检测北方叶病 (NLB),在视觉症状出现4-5天前识别疾病. 这一创新通过保护作物产量,有助于粮食安全.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 传感器技术 传感器技术
背景情况:
- 北方叶病 (NLB) 显著降低了玉米产量,传统检测需要14-21天.
- 早期发现疾病对于粮食安全至关重要,特别是在撒哈拉以南非洲等地区.
研究的目的:
- 开发一种新的,快速检测玉米中NLB的方法.
- 利用物联网 (IoT) 传感器用于症状前疾病检测.
主要方法:
- 采用卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型.
- 分析的非视觉数据:总挥发性有机化合物 (VOC) 和超声波排放.
- 开发了一种混合CNN-LSTM模型用于VOC和一种LSTM模型用于超声波异常.
主要成果:
- 混合CNN-LSTM模型在VOC分类中获得F1得分为0.96和AUC为1.00.
- 该LSTM模型在检测超声波异常方面显示了99.98%的准确性.
- 疾病检测最早在感染后4-5天就得到了.
结论:
- 物联网传感器为在视觉症状出现之前早期检测植物疾病提供了一个有希望的方法.
- 这项技术可以带来先进的疾病预防策略,增强农业的弹性.
- 未来的研究将集中在物联网部署优化和现场验证上.


