Strateški Izveštaj o Izboru Senzorske Tehnologije

1. Ciljevi Istraživanja

Naš primarni cilj nije bio samo da odaberemo kameru, već da pronađemo hardversku osnovu za naš "Savetnika za Ekvilibrijum". Definisani su sledeći ključni ciljevi:

• Podrška Arhitekturi: Rešenje mora biti kompatibilno sa našom "Cloud-Centric" arhitekturom (slanje slika na AI obradu).
• Pre-Simptomatska Detekcija: Sistem mora biti u stanju da detektuje stres (vodeni i nutritivni) pre nego što simptomi postanu vidljivi golim okom.
• Spremnost za AI: Podaci moraju biti pogodni za spacio-temporalne AI modele (npr. CNN-LSTM).
• Vremenska Stabilnost: Ovo je bio naš ključni kriterijum. Signal senzora mora biti stabilan tokom vremena, kako bi naš AI model mogao da razlikuje stvarni biološki trend od tehničkog šuma senzora.
• Isplativost (Faza 2): Rešenje mora biti cenovno održivo za masovnu ODM proizvodnju.

2. Šta smo sve analizirali

Naše istraživanje je bilo holističko i obuhvatilo je celokupan ekosistem podataka. Prvo smo analizirali vremensku liniju stresa biljaka. Zaključili smo da različiti stresori zahtevaju različite senzore i da je RGB signal najkasniji, "zaostajući" indikator. Uporedili smo osnovne senzorske tehnologije: RGB ("Teslina analogija"), Multispektralne (RE, NIR) i Hiperspektralne senzore (koji su odbačeni kao preskupi). Analizirali smo modele za bilans ugljenika: DNDC, Century i RothC. Usvojili smo RothC kao naš biogeohemijski "motor" zbog njegove robusnosti i praktičnosti. Definisali smo hibridnu arhitekturu (AI + RothC) i kako će naši senzori (NDVI/3D), ljudski unos (obrada, amandmani) i satelitski podaci (za inicijalizaciju) zajedno raditi na pokretanju RothC modela. Mapirali smo kompletan katalog modula: Kamere, In-Situ Senzore, Internet Servise i Ljudski Unos.

3. Šta je ušlo u uži izbor (Finalni "Head-to-Head")

Analiza je sužena na dva tehnička pristupa za postizanje jeftinog "RGB+NIR" senzora, koji su ključni za merenje biomase i nutritivnog stresa.

• Opcija 1: "Jednočipni RGB-IR" Senzor (npr. e-con Systems, Omnivision). Koristi jedan čip sa 4-kanalnim filterom (R-G-B-IR) i oslanja se na softversko razdvajanje signala (demosaicing).
• Opcija 2: "Modifikovani RGBN" Senzor (npr. "Ncam" pristup). Koristi standardni senzor (bez IR-cut filtera) i prilagođeni optički dual-band-pass filter.

4. Zašto smo odabrali "Modifikovani RGBN" (Konačna Odluka)

Naša "Forenzička Analiza Rizika" donela je nedvosmislen zaključak: Pobednik: "Modifikovani RGBN" (Opcija 2).

Obrazloženje (Zašto je Opcija 1 ODBAČENA):

Pristup "Jednočipni RGB-IR" (Opcija 1) je odbačen jer nosi fatalan tehnički rizik. Njegovo oslanjanje na softversko "razdvajanje" signala unosi algoritamski šum ("crosstalk"). Naša analiza je utvrdila da je ovaj šum vremenski nestabilan i da se menja u zavisnosti od uslova osvetljenja. Za naš CNN-LSTM model, koji traži suptilne promene tokom vremena, nemoguće je razlikovati ovaj algoritamski artefakt od stvarnog stresa biljke.

Obrazloženje (Zašto je Opcija 2 USVOJENA):

Pristup "Modifikovani RGBN" (Opcija 2) koristi superiornu optičku separaciju (dual-band-pass filter). Ovim se dobija optički čist, sirov signal. Iako ovaj pristup ima svoje izazove (npr. termalni šum), taj šum je fizički, predvidljiv i može se kalibrisati. Naš AI može naučiti da modelira ovaj šum. Ovaj pristup je naučno validiran kao visoko tačan i dokazano vremenski stabilan, što ga čini jedinim ispravnim izborom za naš cilj.