深度学习在生物污垢环境下的溶解氧传感用于海洋监测
图像与视频处理
2026-04-28 v1 人工智能
计算机视觉与模式识别
信号处理
摘要
气候危机的不断升级和生态系统的退化要求采用能够在真实环境中实现可靠、长期监测的智能低成本传感器。绝对溶解氧浓度是预测气候临界点所关键的参数。基于掺杂磷光染料的微结构聚合物薄膜的低成本光电子传感器可能容易部署;然而，信号漂移和海洋生物污垢仍是主要挑战。本文引入了一种结合基于相机的溶解氧传感器和基于视觉转换器(ViT)的物理信息神经网络(PINN)用于在生物污垢条件下进行高保真感知的感知范式。通过14天的藻类水箱获得的训练和测试数据捕捉加速生物污垢。ViT-PINN将Stern-Volmer(SV)方程嵌入损失函数，相对于经典统计方法和机器学习方法将平均平均误差(MAE)降低92%和89%，实现约2 μmol/L的绝对误差。深度集成进一步量化预测不确定性，实现自诊断感知。
引用
@article{arxiv.2604.24236,
title = {Deep Learning-Enabled Dissolved Oxygen Sensing in Biofouling Environments for Ocean Monitoring},
author = {Nikolaos Salaris and Adrien Desjardins and Manish K. Tiwari},
journal= {arXiv preprint arXiv:2604.24236},
year = {2026}
}