BioTransNet：通过将生物传感器数据转换为RGB通道并与Transformer网络结合来检测植物胁迫

《Journal of Crop Health》：BioTransNet: Detection of Plant Stress Through the Conversion of Biosensor Data into RGB Channels and Combination with Transformer Networks

AI驱动植物压力评估方法研究通过生物传感器数据集结合2D-Transformer模型优化，成功识别关键环境特征并达到99.83%分类准确率，为农业生产力提升提供技术支撑。

　　

摘要

本研究的主要目标是利用生物传感器数据，开发一种基于人工智能的方法来评估植物的压力水平（健康、中度压力、高度压力）。该研究旨在通过先进技术有效识别植物的健康状况，以应对威胁农业生产力和粮食安全的植物病害问题。研究使用了一个数据集，其中包含环境变量，如温度、土壤湿度、光照强度、湿度、养分和pH值，以及每株植物的标识符和时间戳。这些数据被转换为RGB通道，从而可以使用2D变换器模型（CaiT、DeiT3、ViT）进行特征提取。测试了不同的模型组合（CaiT & DeiT3、DeiT3 & ViT、CaiT & ViT、CaiT & DeiT3 & ViT），最终选择CaiT & ViT组合作为最佳方案。为了优化模型，应用了SelectKBest方法来识别最重要的特征，并使用支持向量机（SVM）来提升模型性能。该模型从包含960个特征的数据集中识别出了5个关键特征，分类准确率达到99.83%，证明了BioTransNet模型在识别植物压力水平方面的有效性。研究结果证实，BioTransNet方法在评估植物压力水平方面非常成功，为植物健康监测提供了一种高效且准确的解决方案。这种基于人工智能的模型可以通过有效检测植物压力来显著提高农业生产力，并为粮食安全做出贡献。

本研究的主要目标是利用生物传感器数据，开发一种基于人工智能的方法来评估植物的压力水平（健康、中度压力、高度压力）。该研究旨在通过先进技术有效识别植物的健康状况，以应对威胁农业生产力和粮食安全的植物病害问题。研究使用了一个数据集，其中包含环境变量，如温度、土壤湿度、光照强度、湿度、养分和pH值，以及每株植物的标识符和时间戳。这些数据被转换为RGB通道，从而可以使用2D变换器模型（CaiT、DeiT3、ViT）进行特征提取。测试了不同的模型组合（CaiT & DeiT3、DeiT3 & ViT、CaiT & ViT、CaiT & DeiT3 & ViT），最终选择CaiT & ViT组合作为最佳方案。为了优化模型，应用了SelectKBest方法来识别最重要的特征，并使用支持向量机（SVM）来提升模型性能。该模型从包含960个特征的数据集中识别出了5个关键特征，分类准确率达到99.83%，证明了BioTransNet模型在识别植物压力水平方面的有效性。研究结果证实，BioTransNet方法在评估植物压力水平方面非常成功，为植物健康监测提供了高效且准确的解决方案。这种基于人工智能的模型可以通过有效检测植物压力来显著提高农业生产力，并为粮食安全做出贡献。