Hydra：基于 mm-Wave 和摄像头融合的多模态叶面湿度感测
计算机视觉与模式识别
2025-08-05 v1 人工智能
摘要
叶面湿度持续时间(LWD)，即水在叶面上的停留时间，是植物病害发展的关键因素。现有 LWD 检测缺乏标准化的测量技术，且不同植物特征的差异限制了其有效性。先前的研究提出了多种方法，但它们未能直接测量真实自然叶片，且在 various 环境条件下缺乏鲁棒性。这降低了精度和鲁棒性，暴露了在实际农业环境中存在显著的实际应用和有效性差距。本文提出了 Hydra，一种创新方法，将毫米波(mm-Wave)雷达与摄像头技术集成，用于检测叶面是否有水，从而确定叶面湿度。我们可基于此检测结果确定 LWD 的持续时间。首先，我们设计了一个卷积神经网络(CNN)用于选择性融合多个 mm-Wave 深度图像与 RGB 图像以生成多个特征图像。然后，我们开发了一个基于转换器的编码器来捕捉多个特征图像之间的内在关联，生成特征图，进而输入分类器进行检测。此外，我们在训练期间对数据集进行增强以实现模型的泛化。使用工作在 76至81 GHz 频段内的频率调制连续波(FMCW)雷达实现，Hydra 的性能在植物上进行了详尽评估，显示出在各种情景下达到最高 96% 分类叶面湿度的潜力。部署到农田，包括雨天、黎明或光线不足的夜晚，仍可实现约 90% 的准确率。
引用
@article{arxiv.2508.02409,
title = {Hydra: Accurate Multi-Modal Leaf Wetness Sensing with mm-Wave and Camera Fusion},
author = {Yimeng Liu and Maolin Gan and Huaili Zeng and Li Liu and Younsuk Dong and Zhichao Cao},
journal= {arXiv preprint arXiv:2508.02409},
year = {2025}
}
备注
In Proceedings of ACM MobiCom (2024)