智能堆肥成熟度评估：一种结合计算机视觉与物理化学参数的方法

《Sustainable Chemistry and Pharmacy》：Intelligent compost maturity assessment: A hybrid computer vision and physicochemical parameters

　　

谢浩军|朱学茹|李超|焦帆|冯学斌|张一云|李华

中国江苏省南京市南京农业大学工程学院，210031

摘要

堆肥是回收畜禽粪便的重要策略，有效监测分解过程对于确保堆肥成熟度和产品质量至关重要。为了解决传统单一方法评估成熟度时存在的滞后性和信息捕捉有限的问题，本研究开发了一个多模态检测框架，将机器视觉特征与物理化学指标相结合。实验中使用了牛粪和稻壳作为堆肥材料，并通过同步收集堆肥图像和物理化学参数来建立多模态数据集，以确保图像与参数之间的时间对齐。通过主成分分析构建了复合成熟度指数（CM），并开发了一个双分支多模态检测系统，称为MaturityNet。视觉分支基于RegNet32GF，采用掩码引导的预处理和多粒度特征融合；物理化学分支则使用多层感知器。两个分支的互补信息通过中间阶段的融合策略进行整合。实验结果表明，MaturityNet在预测复合成熟度指数（CM）时达到了0.98的R2值、3.72的均方误差（MSE）和1.58的平均绝对误差（MAE）。基于LSTM架构的时间序列预测模块MaturityNet-LSTM在预测五天后的堆肥成熟度时，达到了0.95的R2值、13.82的MSE和2.97的MAE。总体而言，本研究为当前实验条件下的堆肥成熟度监测和短期趋势预测提供了方法论基础。

引言

随着全球集约化农业生产的扩展，每年会产生大量的畜禽粪便和农作物残余物（Adnane等人，2024年；Koul等人，2022年）。作为两种典型的农业副产品，畜禽粪便和稻壳需要高效处理和利用，以减少环境负担并提高资源回收率（Khoshnevisan等人，2021年；Valverde-Orozco等人，2024年）。

随着农业生产系统的迅速扩张，中国的农业废弃物产生量显著增加。到2020年，中国的畜禽粪便产量达到了30.5亿吨，而稻壳产量约为4200万吨（Shi等人，2022年；Zhang等人，2023年）。同时，畜牧业中抗生素的广泛使用导致大量药物及其代谢物通过粪便排放到环境中。这些难以降解的化合物会在土壤中积累，促进抗性菌株的选择，从而进一步加剧畜禽粪便带来的潜在生态和环境风险（Hanc等人，2024年；Spielmeyer，2018年）。在可持续发展和循环农业战略的推动下，实现畜禽粪便的高效处置和利用已成为一个紧迫而关键的问题。

好氧堆肥被认为是利用畜禽粪便的关键途径，因为它通过微生物分解和腐殖化作用将易分解的有机物转化为结构稳定的腐殖质，从而生产出高质量的有机肥料（Liu等人，2023年；Shen等人，2023年）。这一过程不仅实现了粪便的减少、无害化处理和资源回收，还有助于降低某些药物残留物的活性、改善土壤结构并提高土壤肥力，符合绿色农业发展的要求。

牛粪富含氮、磷和钾等必需营养素，是堆肥的有效氮源和养分载体。稻壳也含有宝贵的矿物质成分，尤其是硅（Anwaar等人，2024年；Vijayaraghavan等人，2012年）。其含硅的表面赋予了堆肥结构稳定性，有助于保持堆肥基质的同时提高孔隙度和透气性。因此，以适当比例共同堆肥牛粪和稻壳可以同时提供足够的养分和结构支持，从而加速好氧发酵并提高最终堆肥的成熟度（Farooq等人，2024年；Hanc和Hrebeckova，2023年；Jiang等人，2025年）。

传统的成熟度评估依赖于物理、化学和生物指标的组合，包括温度、颜色、pH值、水分含量、碳氮比（C/N）、紫外吸收比（E4/E6）和种子发芽指数（GI）（Ji等人，2023年；Xie等人，2025年）。

在实际的堆肥评估中，GI和C/N常被结合使用来评估成熟度和植物毒性。GI通过指示堆肥过程中有机酸和氨等植物毒性化合物的降解程度来反映解毒程度。通常，GI值≥70表示堆肥已经成熟且无毒（Zhao等人，2022年）。C/N反映了有机物的分解和氮的矿化过程，通常在成熟时逐渐降低到约10–15（Li等人，2023年；Rekha等人，2005年）。在最近的研究中，GI和C/N仍然是评估堆肥成熟度的主要指标。Wang等人（2022年）使用GI和C/N作为主要成熟度指标，并证明添加成熟堆肥可以显著加速厨余堆肥的成熟过程。Nakhshiniev等人（2014年）同样应用GI和C/N来评估热处理稻草堆肥的成熟度。尽管这些方法被广泛接受，但它们存在测试周期长和响应滞后的问题。目前，成熟的实时在线检测方法仍然缺乏。

最近的综述表明，尽管传统的成熟度指标仍然重要，但机器学习和计算机视觉提供了快速和定量评估成熟度的有前景的补充工具（Kong等人，2024年）。这些方法提供了一种将外部视觉变化与堆肥过程中的物理化学变化联系起来的潜在方式，从而支持更快、更智能的成熟度评估。

随着人工智能的进步，基于图像的方法越来越多地被用于堆肥成熟度评估。在这些研究中，纹理、颜色和形态特征等视觉信息被用来表征堆肥的外部变化。例如，Kujawa等人（2019年）从堆肥图像中提取了灰度和颜色-纹理特征，并使用多层感知器对早期成熟阶段进行分类，分类错误率仅为1.56%。Xue等人（2019年）进一步开发了一个结合卷积神经网络和循环神经网络的深度学习框架，展示了基于图像和时间特征的成熟度预测潜力。

同时，基于物理化学参数的机器学习方法在堆肥成熟度评估中也显示出前景。Wan等人（2022年）整合了已发布的数据集，并使用温度、水分含量、pH值和E4/E6等关键物理化学变量构建了GI和C/N的预测模型。类似地，Sharma等人（2021年）应用基于反向传播的人工神经网络来模拟混合牛粪的花卉废弃物的蚯蚓堆肥过程，使用C/N比、发芽指数（GI）和CO?演变等成熟度相关指标来评估模型性能。Khandakar等人（2025年）将基于物联网的监测与机器学习模型结合用于成熟度预测。这些研究表明了数据驱动的成熟度评估的可行性，但大多数方法仍然依赖于单一模式，因此无法全面捕捉堆肥过程中的视觉变化和物理化学变化。

然而，目前仍缺乏覆盖整个堆肥周期的标准化、时间对齐的多模态数据集，将视觉变化信息与物理化学指标结合进行同步成熟度评估和短期预测的研究也还不够充分。因此，本研究的目的是通过整合堆肥图像和物理化学参数来开发和验证一个多模态智能框架。具体来说，本研究旨在：（1）构建一个时间对齐的多模态堆肥数据集；（2）通过主成分分析基于GI和C/N构建复合成熟度指数（CM）；（3）建立一个结合计算机视觉和机器学习的双分支多模态评估模型；（4）使用基于LSTM的时间预测模块探索短期成熟度预测。

部分摘录

实验材料

本研究中使用的原材料是牛粪和稻壳。稻壳被用作膨松剂，以改善堆肥过程中的通气性和保持结构孔隙度。牛粪来自中国江苏省泰州市的一个奶牛场。原材料的基本物理化学性质见表1。

实验在中国江苏省南京农业大学滨江校区的工程学院进行。采用好氧堆肥方法。

堆肥的视觉变化和数据集特征

图2展示了不同堆肥阶段的代表性堆肥图像。如图2所示，堆肥过程中的外部形态发生了明显变化。在初始阶段，牛粪和稻壳的混合物表现出明显的异质性，牛粪呈深棕色且粘稠，而稻壳颗粒相对完整。随着堆肥过程的进行，材料逐渐变暗且更加均匀，同时稻壳的结构破碎程度增加。

结论

本研究通过整合堆肥图像和物理化学参数，开发并验证了一个多模态堆肥成熟度评估框架。统计和建模结果表明，该框架能够有效捕捉与成熟度相关的信息，并可靠地预测由GI和C/N得出的复合成熟度指数。与单模态方法相比，所提出的框架在当前实验条件下表现出更好的鲁棒性和可解释性。

CRediT作者贡献声明

谢浩军：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，概念化。朱学茹：可视化，验证，调查，正式分析，数据管理。李超：正式分析，数据管理。焦帆：正式分析，数据管理。冯学斌：正式分析，数据管理。张一云：正式分析，数据管理。李华：监督，资源提供。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。