論文の概要: Deep Learning-Enabled Dissolved Oxygen Sensing in Biofouling Environments for Ocean Monitoring

• arxiv url: http://arxiv.org/abs/2604.24236v1
• Date: Mon, 27 Apr 2026 09:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.883142
• Title: Deep Learning-Enabled Dissolved Oxygen Sensing in Biofouling Environments for Ocean Monitoring
• Title（参考訳）: 海洋モニタリングのための深層学習型溶存酸素センシング
• Authors: Nikolaos Salaris, Adrien Desjardins, Manish K. Tiwari,
• Abstract要約: 本稿では,バイオファウリング条件下での高忠実度センシングのために,カメラベースのDOセンサと視覚変換器(ViT)ベースの物理インフォームドニューラルネットワーク(PINN)を組み合わせたセンシングパラダイムを提案する。 ViT-PINNは、Stern-Volmer方程式を損失関数に埋め込み、古典統計学やML手法と比較して平均誤差(MAE)を92%、平均誤差(MAE)を89%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The escalating climate crisis and ecosystem degradation demand intelligent, low-cost sensors capable of robust, long-term monitoring in real-world environments. Absolute dissolved oxygen (DO) concentration is a key parameter for predicting climate tipping points. Inexpensive optoelectronic sensors based on microstructured polymer films doped with phosphorescent dyes could be readily deployable; however, signal drift and marine biofouling remain major challenges. Here, we introduce a sensing paradigm that combines camera-based DO sensors with a visual transformer (ViT)-based physics-informed neural network (PINN) for high-fidelity sensing under biofouling conditions. Training and testing data were obtained from an algae-laden water tank over 14 days to capture accelerated biofouling. The ViT-PINN, which embeds the Stern-Volmer (SV) equation into the loss function, reduces mean average error (MAE) by 92% and 89% compared to classical statistical and ML approaches, achieving ~2 umol/L absolute error. A deep ensemble further quantifies predictive uncertainty, enabling self-diagnostic sensing.
• Abstract（参考訳）: 気候危機のエスカレートと生態系の悪化は、現実世界の環境において堅牢で長期的な監視が可能なインテリジェントで低コストのセンサーを必要とする。 絶対溶存酸素(DO)濃度は、気候の転換点を予測するための重要なパラメータである。 蛍光染料をドープしたマイクロ構造ポリマーフィルムをベースとした光電子センサは容易に展開できるが、信号のドリフトと海洋生物汚染は大きな課題である。 本稿では,バイオファウリング条件下での高忠実度センシングのために,カメラベースのDOセンサと視覚変換器(ViT)ベースの物理インフォームドニューラルネットワーク(PINN)を組み合わせたセンシングパラダイムを提案する。 藻類処理水槽から14日間の訓練および試験データを取得し, 生物汚染の促進を図った。 損失関数にStern-Volmer(SV)方程式を埋め込んだViT-PINNは、古典統計学やMLのアプローチと比較して平均平均誤差(MAE)を92%、平均誤差(MAE)を89%削減し、平均誤差を約2umol/Lとする。 深層アンサンブルは予測の不確実性をさらに定量化し、自己診断的センシングを可能にする。

関連論文リスト

• FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture [8.150520348578087]
  FinSight-Netは、養殖環境のための効率的で物理学的な魚検出フレームワークである。 FinSight-Netは92.8% mAPに達し、YOLOv11よりも4.8%、パラメータは29.0%向上した。 特にUW-BlurredFishでは、FinSight-Netは92.8% mAPに達し、パラメータを29.0%減らしながらYOLOv11sを4.8%上回っている。
  論文  参考訳（メタデータ） (2026-02-23T02:12:47Z)
• Active Optics for Hyperspectral Imaging of Reflective Agricultural Leaf Sensors [0.0]
  植物の健康状態のモニタリングは、リアルタイムな生理的データを提供する葉のついたセンサーにますます依存している。 我々は、植物センサーを自律的に検出し、尋問する統合的で適応的でスケーラブルなシステムを提案する。
  論文  参考訳（メタデータ） (2025-12-11T02:03:07Z)
• Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy [0.5002873541686897]
  農薬や合成染料は、食品の安全性、人間の健康、環境の持続可能性に重大な脅威をもたらす。 ラマン分光法は分子特異的な指紋を提供するが、スペクトルノイズ、蛍光背景、バンドオーバーラップに悩まされている。 本稿では,ラーマン分光法(MLRaman)から農薬や染料を検出するためのResNet-18特徴抽出に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T11:35:55Z)
• Embedded Deep Learning for Bio-hybrid Plant Sensors to Detect Increased Heat and Ozone Levels [2.729898906885749]
  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。
  論文  参考訳（メタデータ） (2025-09-29T16:19:31Z)
• Variational Autoencoder Framework for Hyperspectral Retrievals (Hyper-VAE) of Phytoplankton Absorption and Chlorophyll a in Coastal Waters for NASA's EMIT and PACE Missions [17.569943344077892]
  本研究では、ESMやPACEを含むNASAのハイパースペクトルミッションに対する機械学習に基づく新しいソリューションを提案する。 我々は、光学的に複雑な沿岸海域における高スペクトルRrsからアフィとChl-aのハイパースペクトル検索を実現するために、革新的な設計によるVAEモデルを初めて調整する。
  論文  参考訳（メタデータ） (2025-04-18T05:37:14Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• 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)

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。