面向药用植物盐胁迫无损监测的AI赋能RGB光频传感与TinyML边缘诊断平台

《Advanced Intelligent Systems》：AI-Enabled RGB Light-to-Frequency Sensor for Nondestructive Salinity Stress Monitoring in Medicinal Plants

　　

盐胁迫限制药用植物生产力，尤其在沿海和受盐影响的农业生态系统中，快速且可部署的诊断至关重要。在此，研究人员开发了一个AI赋能的RGB（红绿蓝）光频近端传感平台，并集成Tiny Machine Learning（TinyML，微型机器学习），用于无损、实时的盐度判别。植物暴露于三个盐度水平（0、100和200 mM NaCl）。构建RGB衍生描述符和CIELAB（国际照明委员会L^*a^*b^*色彩空间）色度描述符，对其进行归一化，并按75:25划分为训练集和测试集。将基于ReliefF（ReliefF特征排序算法）的特征排序和系统子集优化与采用五折交叉验证的监督学习相结合，并通过SHAP（Shapley Additive Explanations，沙普利加性解释）分析实现可解释性。盐处理下的生物量降低证实了光谱变异性背后的生理扰动。Subspace KNN（子空间K近邻）取得最高预测性能（验证集96.28%；独立测试集95.55%准确率）。将模型选择构建为多目标优化问题，识别出最优的10特征子集。在该约束下，Wide Neural Network（宽神经网络）达到0.904准确率，模型大小仅0.017 MB，推理速度>246 000 observations s^?1，证明其完全兼容TinyML。SHAP归因一致突出绿色强度、蓝色通道指标和色度比值为主要预测因子。该工作建立了轻量、可解释的Edge-AI（边缘人工智能）框架，用于精准农业中可扩展的实时盐度诊断。

土壤盐渍化是21世纪全球粮食安全的重要生物物理威胁之一，受盐影响面积超过10亿公顷，并以每年200万公顷扩展；在地中海盆地及邻近沿海地区，海水入侵、含水层过度开采和低质量灌溉水利用加剧NaCl积累，造成作物叶片生物量下降和代谢稳态改变。气候变化通过提高蒸散、促进盐分毛细上升和限制淋洗水可用性进一步催化该危机。药用植物对盐胁迫表现为中等敏感性，NaCl暴露先引起渗透胁迫，随后Na⁺和Cl^?积累造成离子毒害，导致气孔关闭、光合抑制和叶绿素色素降解，并改变叶片光学反射；芳香植物还可能发生萜类途径代谢瓶颈。传统盐胁迫评估依赖色素分光光度法、叶绿素荧光和色谱等破坏性实验室方法，虽分析准确性高，但成本高、难以对同一植株重复采样且结果滞后。高光谱和多光谱遥感可实现无损表型分析，但高光谱传感器昂贵且数据量大，无人机多光谱相机对光照和阴影敏感并需复杂分割；基于智能手机或工业相机的RGB计算机视觉常受光照伪影影响且依赖空间分辨率，像素分割计算负荷不利于超低功耗边缘设备。此前较少研究探索频率域RGB反射传感用于盐胁迫分类并规避繁重图像处理和背景分割。因此，研究人员开发并验证了紧凑的AI驱动RGB传感平台，以解码药用植物盐度诱导生理扰动相关的光谱特征，并结合优化特征工程、可解释机器学习和超轻神经架构，构建可现场部署的诊断工具，以支持可持续水分管理、土壤盐度监测和药用作物韧性生产。
关键技术方法（不超过250字）：研究人员以西班牙Valencia商业苗圃来源的胡椒薄荷（Mentha × piperita L.）为样本，经7 d适应后设置0、100、200 mM NaCl处理，并于第9天取样；采用TCS3200 RGB光频传感器和3D打印遮光壳体采集叶片频率信号，通过Arduino UNO R4节点、Wi-Fi/LoRaWAN与Raspberry Pi 5网关构建WSN（无线传感器网络）；将频率逆变换为强度并以clear通道归一化，计算CIELAB及植被/颜色指数，结合ReliefF（特征排序算法）、五折交叉验证、多目标Chebyshev标量化与Pareto支配分析进行模型选择，并用SHAP（沙普利加性解释）解释特征贡献。
3.1 盐胁迫对植物生物量的影响：通过0、100和200 mM NaCl处理9天后测定鲜生物量并进行单因素方差分析和LSD（最小显著差法）比较，得出盐处理显著降低胡椒薄荷生物量；100 mM时已表现明显敏感，200 mM时生物量进一步下降幅度有限，提示渗透和离子阈值后生理扰动加剧而生长下降不呈比例，该生物量下降为后续RGB传感器分析奠定基础。
3.2 传感器响应：通过第1天和第9天RGB光频信号分布及CIELAB参数分析，得出第1天各盐处理红、绿、蓝通道输出 largely 重叠，第9天出现明显分离；100和200 mM处理相对对照降低绿色和蓝色强度并伴随红色通道变化；CIELAB空间中处理沿a^*和b^*轴形成聚类，盐度升高提高b^*值，a^*变化反映绿红平衡调制，L^*轻度下降，表明传感器可捕获与色素重构相关的胁迫光谱特征。
3.3 机器学习建模结果：3.3.1 监督分类总体结果：通过多类分类器、五折交叉验证和独立测试评估，得出Subspace KNN在10特征子集上验证准确率96.28%、独立测试95.55%，Fine KNN为95.94%和95.70%；10特征足以区分0、100和200 mM NaCl，20—35特征性能略低，2特征明显不足；Fine KNN在5和10特征时推理速度超过100 000 observations s^?1，模型大小分别为0.30和0.47 MB。3.3.2 基于特征充分性分析的模型选择：通过肘部法、bootstrap不确定性、加权Chebyshev多目标排序和Pareto支配分析，得出23个候选模型满足条件，10特征为最优维度；Wide Neural Network在10特征下准确率0.9042、模型大小0.017 MB、推理速度246 612 observations s^?1、多目标得分0.033，最适合TinyML；Fine KNN准确率0.9594但模型较大，Medium KNN得分0.114；混淆矩阵显示Wide Neural Network在相邻盐度间仅有少量误分类，Fine KNN在100和200 mM间混淆略高。3.3.3 基于SHAP的特征解释：通过SHAP对10特征下前三个Pareto最优模型分析，得出Wide Neural Network中b^*、饱和度、G_raw、B_raw、C_raw和RB比值贡献较高；Fine KNN以G_norm、b^*和C_raw为主，RB和ND-RB比值增强判别；Medium KNN的SHAP分布更分散；跨模型一致突出绿色强度、蓝色通道指标和色度比值，说明模型利用具有生理意义的色素和叶片光学变化。
3.4 比较分析：通过与已有作物胁迫表型研究比较，得出TCS3200通过硬件级颜色分解直接输出方波频率，避免像素矩阵处理和复杂分割；结合Wide Neural Network在边缘端对0、100和200 mM NaCl分类准确率达90.4%；该研究进一步开展特征优化和模型排序，识别维持准确率所需的最小光学变量子集，降低过拟合风险，并证明无需昂贵高光谱设备或高维数据结构即可实现较高精度盐度评估。
3.5 局限性：通过分析实验条件与模型适用范围，得出当前评估在光控条件下完成，田间异质光照、背景干扰和微气候下的稳健性尚待验证；传感器信号为胁迫的间接表现，不直接量化Na⁺或Cl^?积累及渗透调节；模型在不同生长阶段或盐旱混合胁迫下的稳定性尚未建立；胡椒薄荷叶片质地和色素密度等特性意味着跨物种或品种应用可能需要进一步校准。
讨论部分总结：该研究将低成本频率域RGB光学传感、简约特征选择和轻量机器学习结合，实现了胡椒薄荷盐胁迫的无损分类，并在边缘设备约束下平衡了预测性能、模型大小和推理速度；与依赖高分辨率成像或深度网络的方案相比，该框架计算负担低、可解释性较强，但田间验证、多物种泛化和直接生理参量关联仍是后续应用需要解决的问题。
研究结论部分翻译：本研究表明，基于离散光学传感和边缘智能的无损、便携、快速且低成本传感器系统能够准确、高效地检测胡椒薄荷作物中的盐胁迫。TCS3200颜色-频率传感器的集成提供了捕获光谱变化的稳健基础，使光强度可靠转换为数字频率数据，而无需传统图像处理的计算负担。这种硬件级RGB光谱分解可精确识别与盐条件相关的光学变化。简约性分析是本研究的核心，证实最小光学特征子集足以表征植物对0、100和200 mM盐度水平的响应。该分析揭示特定频率组分携带强胁迫特异性特征，可能反映叶绿素降解和叶片反射变化等潜在生理改变。通过优化特征集，模型在主动降低过拟合风险的同时实现了高预测稳健性，确保系统在不同处理组间的稳定性。此外，这些优化模型在基于Arduino的便携节点上的成功部署，突出了在资源受限农业环境中进行实时设备端胁迫推断的可行性。系统以低功耗处理高保真数据的能力，使其成为精准盐度管理的实用且可扩展解决方案。总体而言，这些发现验证了低成本光学转换器和简约机器学习作为现代作物表型分析中具有生物学基础和技术效率的替代方案，为其集成到智能农业系统提供了显著潜力。