基于轻量级异常检测的模块化现场解决方案：面向农业可持续养分管理
计算机视觉与模式识别
2025-11-27 v2 人工智能
摘要
高效的养分管理对于作物生长和可持续资源消耗（如氮、能源）至关重要。现有方法需要冗长的分析，阻碍了实时优化；同样，成像技术能促进快速表型分析，但计算量大，阻碍了在资源受限环境下的部署。本研究提出了一种灵活的分层流水线，用于异常检测和状态估计（鲜重、干物质和组织养分），包括对跨越效率-精度频谱的方法的全面能耗分析。利用具有三种处理（T1-100%、T2-50% 和 T3-25% 肥料浓度）的养分耗竭实验和多光谱成像 (MSI)，我们开发了一个使用自编码器 (AE) 进行预警的分层流水线。此外，为了进行更详细的分析，我们比较了两个不同复杂度的状态估计模块：结合机器学习（随机森林，RF）的植被指数 (VI) 特征，以及原始全图深度学习（Vision Transformer，ViT）。结果表明，异常检测具有高效性（在移栽后 9 天对 T3 样本的净检测率为 73%），且其能耗远低于浪费氮所蕴含的能耗。状态估计模块表现出权衡，ViT 在磷和钙的估计上优于 RF（R2 分别为 0.61 对 0.58，0.48 对 0.35），但能耗更高。凭借我们的模块化流水线，这项工作为边缘诊断开辟了机会，并为农业可持续性提供了实际机遇。
引用
@article{arxiv.2509.12247,
title = {Modular, On-Site Solutions with Lightweight Anomaly Detection for Sustainable Nutrient Management in Agriculture},
author = {Abigail R. Cohen and Yuming Sun and Zhihao Qin and Harsh S. Muriki and Zihao Xiao and Yeonju Lee and Matthew Housley and Andrew F. Sharkey and Rhuanito S. Ferrarezi and Jing Li and Lu Gan and Yongsheng Chen},
journal= {arXiv preprint arXiv:2509.12247},
year = {2025}
}