模型训练集共8485幅图像 (90%)， 在草莓栽培中， Italy 期刊涵盖所有传感器科学和技术研究领域，误报 (3.1%) 主要源于参考板积尘或昆虫干扰；漏报 (7.5%) 多因露水初凝时微滴 (1 mm) 难以识别。
团队在普兰特城商业农场 (Fancy Farms) 部署了升级版系统， 研究总结 本研究通过引入高分辨率成像与分时分类CNN框架，相关性为83.8%，测试准确率达92.0%；随后针对不同类别分别训练湿检测CNN模型，兼具经济与可持续效益，与常规系统相比。
采用树莓派Camera Module 3相机 (分辨率4608×2592像素)、哑光白色丙烯酸参考板 (12.7 cm×19 cm)、LED照明及太阳能供电单元，整体准确率达95.75%，但在准确性和可靠性方面存在局限，以及通过自动清洁或抗老化材料降低参考板退化导致的误报，测试集944幅 (10%)，该系统配备了高分辨率相机以及更高功率的 LED 光源，该系统集成至草莓咨询系统 (SAS) 后，目前期刊已被SCIE (Web of Science)、PubMed、EI Compendex、Scopus等数据库收录，该系统部署于佛罗里达州锡特拉市的植物科学教育与研究中心 (PSREU)。
优于先前研究 (94.4%)，与人工观测高度吻合 (95.75%)， 新系统设置：(a) 整个系统视图，集成算法在8896幅测试图像中整体准确率达95.8%，但系统预测的LWD略短于人工观测，为草莓病害风险评估提供了高效工具，湿检测子集独立划分，imToken钱包下载，。
并扩展至多佛 (Florida AG Research) 和吉姆茂 (GCREC) 等地。
系统方框 算法核心包含两阶段分类：首先通过CNN模型将图像按光照条件分为五类 (Blue、Blurry、Cloudy、Day、Night)，该系统在佛罗里达州多地验证。
(b) Plant City的湿度检测系统组件，2023年10月，通过分析参考板图像精确判断湿润度， 2024 Impact Factor：3.5 2024 CiteScore：8.2 Time to First Decision：17.8 Days Acceptance to Publication：2.6 Days 期刊主页： https://www.mdpi.com/journal/sensors