論文の概要: Embedded Deep Learning for Bio-hybrid Plant Sensors to Detect Increased Heat and Ozone Levels

• arxiv url: http://arxiv.org/abs/2509.24992v1
• Date: Mon, 29 Sep 2025 16:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.12369
• Title: Embedded Deep Learning for Bio-hybrid Plant Sensors to Detect Increased Heat and Ozone Levels
• Title（参考訳）: バイオハイブリッド植物センサの組込み深層学習による熱・オゾン濃度の上昇検出
• Authors: Till Aust, Christoph Karl Heck, Eduard Buss, Heiko Hamann,
• Abstract要約: 本稿では,植物と組込み深層学習を統合したバイオハイブリッド環境センサシステムを提案する。 本システムは,ヘデラヘリックスからの電気微分電位信号を記録し,組込み深層学習モデルを用いて処理する。 センサは温度とオゾンの変化を最大0.98の感度で検出できることを実証した。
• 参考スコア（独自算出の注目度）: 2.729898906885749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a bio-hybrid environmental sensor system that integrates natural plants and embedded deep learning for real-time, on-device detection of temperature and ozone level changes. Our system, based on the low-power PhytoNode platform, records electric differential potential signals from Hedera helix and processes them onboard using an embedded deep learning model. We demonstrate that our sensing device detects changes in temperature and ozone with good sensitivity of up to 0.98. Daily and inter-plant variability, as well as limited precision, could be mitigated by incorporating additional training data, which is readily integrable in our data-driven framework. Our approach also has potential to scale to new environmental factors and plant species. By integrating embedded deep learning onboard our biological sensing device, we offer a new, low-power solution for continuous environmental monitoring and potentially other fields of application.
• Abstract（参考訳）: 本稿では,植物と組込み型深層学習を統合したバイオハイブリッド環境センサシステムを提案する。 低消費電力PhytoNodeプラットフォームをベースとした本システムは,ヘデラヘリックスから電気微分電位信号を記録し,組込み深層学習モデルを用いて処理する。 センサは温度とオゾンの変化を最大0.98の感度で検出できることを実証した。 日と植物間の変動や、限られた精度は、データ駆動フレームワークで容易に統合可能な追加のトレーニングデータを組み込むことで軽減できます。 我々のアプローチは、新しい環境要因や植物種にも拡大する可能性がある。 生体センサーデバイスに組み込みのディープラーニングを統合することで、継続的環境モニタリングなどのアプリケーション分野に、新たな低消費電力のソリューションを提供する。

関連論文リスト

• When Plants Respond: Electrophysiology and Machine Learning for Green Monitoring Systems [3.8916312075738273]
  生物と人工装置の生理的信号流路を確立する。 我々は最先端と自動化機械学習(AutoML)を用いてデータを解析する。 この研究は、持続可能な環境モニタリングのために、スケーラブルで、自己持続的で、植物が組み込んだ生物ハイブリッドシステムを進める。
  論文  参考訳（メタデータ） (2025-06-30T14:04:31Z)
• Detecting Plant VOC Traces Using Indoor Air Quality Sensors [9.218359701264797]
  植物は、病原体、捕食者、光、温度などの非生物的・生物的ストレス因子に曝されると、テルペン(VOCの一種)を産生する。 制御された実験で16テルペンを測定して、これらのセンサーの感度を定量化し、現実的な環境で最も有望なテルペンを特定し、テストした。 本研究は, 植物VOC検出の課題を克服する基盤を確立し, 将来のスマートビルにおける室内環境の質を高めるため, 先進的プラントベースセンサーの活用を図った。
  論文  参考訳（メタデータ） (2025-04-03T16:18:35Z)
• Automated Phytosensing: Ozone Exposure Classification Based on Plant Electrical Signals [10.274619512179882]
  本研究では, 生物の分散ネットワークを空気質センサとして利用し, その電気生理学的な測定を行い, 環境状態を推定することを提案する。 本手法は, 植物オゾン曝露を94.6%の精度で未確認データで分類することに成功した。 本研究は, コスト効率の高い高密度都市大気モニタリングシステムの開発に寄与する植物センシング装置の開発に有効である。
  論文  参考訳（メタデータ） (2024-12-17T20:29:00Z)
• Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images [0.0]
  本研究では、リモートセンシング画像や機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。 我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。 農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。
  論文  参考訳（メタデータ） (2024-06-14T08:10:44Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。