Deep Learning-Based Fault Detection in Wireless Sensor Networks for Precision Agriculture

方法

使用Intel Berkeley实验室真实传感器数据训练RNN，捕捉时序依赖。

发现

RNN在准确率、精确率和鲁棒性上优于传统机器学习故障检测方法。

机会点

可探索轻量级边缘部署与多模态数据融合的故障检测，提升田间实时性与泛化能力。

无线传感器网络（Wireless Sensor Networks, WSNs）是精准农业不可或缺的组成部分，能够实时监测对作物管理至关重要的环境参数。然而，由于传感器故障（如数据缺失、传感器性能退化和通信错误）导致读数不准确，WSNs的可靠性往往受到损害。本文提出了一种基于深度学习的框架，利用循环神经网络（Recurrent Neural Networks, RNNs）对农业WSNs进行故障检测。我们采用英特尔伯克利研究实验室数据集（该数据集包含带有自然发生故障的真实传感器数据）来训练RNN模型。该模型能够捕捉传感器读数中的时间依赖性，并有效区分故障与正常的传感器行为。实验结果表明，基于RNN的方法在准确率、精确率和鲁棒性方面优于传统机器学习技术，为维护农业WSNs中的数据完整性提供了一种可靠的解决方案。本研究增强了精准农业系统的故障韧性，确保更准确的决策制定，并有助于可持续农业实践。