AI‐Enabled RGB Light‐to‐Frequency Sensor for Nondestructive Salinity Stress Monitoring in Medicinal Plants
Ahmad Ali · Vinie Lee Silva-Alvarado · Arman Heydari 等 5 人
开发AI驱动的RGB光频传感器，实现药用植物盐胁迫无损实时监测。
RGB与CIELAB色度特征、ReliefF特征选择、SHAP解释及TinyML
Subspace KNN验证准确率96.28%，10特征Wide NN模型仅0.017MB且推理超2
可探索多作物多胁迫通用色度特征库，及田间光照变化下的模型鲁棒性与长期部署验证。
该研究提出一种轻量、可解释的边缘AI盐胁迫诊断框架，方法新颖、数据扎实，对精准农业具有参考价值，但属于实验室阶段成果，产业影响有限。
盐胁迫制约药用植物的生产力，尤其是在沿海及受盐影响的农业生态系统中，亟需可快速部署的诊断手段。本研究开发了一种基于人工智能的RGB光-频率近端传感平台，并集成微型机器学习（TinyML），用于无损、实时的盐胁迫判别。植物暴露于三个盐浓度水平（0、100和200 mM NaCl）。研究构建了RGB衍生描述符与CIELAB色度描述符，经归一化后按75:25划分为训练集与测试集。将基于ReliefF的特征排序与系统性特征子集优化相结合，采用五折交叉验证进行监督学习，并通过SHAP分析实现模型可解释性。盐处理下的生物量下降证实了光谱变异性背后的生理扰动。子空间KNN取得了最高的预测性能（验证集准确率96.28%；独立测试集准确率95.55%）。将模型选择构建为多目标优化问题，确定了最优的10特征子集。在该约束下，宽神经网络（Wide Neural Network）达到0.904的准确率，模型体积仅0.017 MB，推理速度超过246 000次观测/秒，展现出完全的TinyML兼容性。SHAP归因一致表明，绿色强度、蓝色通道指标及色度比是主要预测因子。本研究为精准农业中可扩展的实时盐胁迫诊断建立了一个轻量、可解释的边缘人工智能框架。