A Knowledge‐Augmented Wearable System for Interpretable Plant Health Monitoring
Xingxing Dong · Yihan Luo · Jiang Qin 等 10 人
提出知识增强可穿戴系统K-Wear,将植物传感信号转化为可解释诊断与建议。
软可穿戴传感平台+知识引导推理框架+大语言模型。
模拟诊断准确率99%,真实钾缺乏实验第4天检出早期胁迫并给出干预建议。
可探索知识增强LLM推理在更多作物胁迫类型与田间长期监测中的泛化能力。
将可穿戴传感与大模型知识推理结合,实现可解释的植物健康诊断,方法新颖、实验数据扎实,对智慧农业感知决策有参考价值。
在精准农业中,现代传感技术能够利用统计或机器学习模型自主采集并处理海量植物数据。然而,“可解释性鸿沟”依然存在:这些输出往往仍是黑箱式的相关性结果,而非可解释的生理学洞见,这意味着用户无法验证其可信度、追溯其与植物生理的因果联系,或将其转化为可操作的决策。为弥合这一鸿沟,我们提出了一种用于可解释植物健康监测的知识增强可穿戴系统(K‐Wear)。通过将柔性可穿戴传感平台与知识引导的推理框架相结合,K‐Wear利用大语言模型将原始传感信号转化为机理诊断和主动管理建议。在模拟评估中,该系统达到了99%的诊断准确率,并最早在平均第4.95天正确检测到植物胁迫。在一项为期14天的真实缺钾监测实验中,K‐Wear成功在第4天识别出早期胁迫信号,并生成有针对性的干预建议,从而使植物健康得到及时治疗和恢复。