面向非结构化田间环境的多传感器稳定化小麦冠层表型高通量采集平台

《Smart Agricultural Technology》：A multi-sensor stabilized phenotyping platform for accurate wheat canopy sensing in unstructured field environments

　　

为解决非结构化田间环境中作物表型采集过程中传感器稳定性不足及多源数据一致性差的问题，研究人员基于四轮驱动高地隙表型平台构建了软硬件协同优化框架。硬件层面集成了采用扩展状态观测器线性二次调节器(Extended State Observer-Linear Quadratic Regulator, ESO-LQR)控制策略的多传感器稳定装置，有效抑制运动过程中的俯仰扰动。软件层面基于机器人操作系统(Robot Operating System, ROS)的分层架构实现了激光雷达(Light Detection and Ranging, LiDAR)、相机与惯性测量单元(Inertial Measurement Unit, IMU)的协同，并通过空间标定与时间戳软同步确保时空一致性。研究人员采用紧耦合激光雷达惯性里程计同步定位与建图(LiDAR-Inertial Tightly Coupled Simultaneous Localization and Mapping, LiDAR-IMU SLAM)算法实现农田厘米级三维重建。针对地形影响，提出融合垂直度与空间分布特征的两阶段地面点提取方法，提升了冠层高度估算精度。田间试验表明，该平台在1.5 m·s-1作业速度下保持稳定高效，覆盖效率达95.2%，有效点云保留率85.3%，图像清晰度调制传递函数(Modulation Transfer Function, MTF)值为0.35。表型评估显示预测株高与人工测量高度吻合，拔节期与灌浆期的决定系数(R2)分别为0.898与0.729，均方根误差(Root Mean Square Error, RMSE)分别为1.30 cm与1.64 cm。此外，拔节期二维绿色面积指数(Green Area Index, GAI)与三维点云冠层覆盖率(Canopy Coverage, CC)均与基于ImageJ的结果高度一致(R2=0.873与0.910)。该研究实现了复杂田间环境下作物表型信息的高效稳定获取，为数字农田监测、数据驱动作物管理与智能农业系统提供了技术支撑。

本研究由林凡、李广瑞、薛晓航、陈凯康、魏立国、王瑞雪（中国农业机械化科学研究院）完成，发表于《Smart Agricultural Technology》。在非结构化田间环境中，作物表型高通量采集面临平台振动导致传感器姿态不稳、多源数据时空不一致、高密度冠层下地面点难以获取等问题，限制了表型参数的提取精度与应用范围。为此，研究人员基于四轮驱动高地隙移动平台，构建了软硬件协同优化的表型采集系统，实现了从数据采集到参数提取的全流程稳定与精准。

关键技术方法方面，研究人员设计了集成三轴增稳云台的多传感器稳定装置，引入扩展状态观测器线性二次调节器(ESO-LQR)复合控制策略抑制俯仰扰动。基于机器人操作系统(ROS)建立分层控制架构，完成LiDAR、立体相机、IMU的空间标定与时间戳软同步。采用紧耦合激光雷达惯性里程计同步定位与建图(Fast-LIO)实现农田厘米级三维点云重建。针对冠层遮挡问题，提出结合点云垂直度与空间分布特征的两阶段地面点提取方法，并通过动态调节云台角度适应不同生育期冠层结构。实验在北京农机试验站冬小麦田进行，涵盖拔节期与灌浆期两个关键生育阶段。

研究结果如下：

3.1 数据采集装置稳定性评估：在平坦与颠簸两种田间通道条件下，ESO-LQR控制策略显著降低了平台振动。平坦通道下，加速度均方根降幅57.3%，峰值降幅67.4%；颠簸通道下，分别提升至68.6%与73.9%。功率谱密度分析显示全频段振动能量均被有效抑制，且抑制性能随地形复杂度提高而增强。

3.2 点云建图性能评估：实验室静态箱体测绘误差小于1 cm；田间道路重复测绘中，水平距离平均绝对误差(Mean Absolute Error, MAE)约4.5 cm，垂直高度MAE约2.6 cm。拔节期点云平面定位精度R²=0.957，RMSE=0.035 m；灌浆期因冠层郁闭略有下降，仍保持R²=0.820，RMSE=0.049 m。

3.3 表型性状提取结果：在1.5 m·s^-1最优作业速度下，系统兼顾效率与质量。株高提取方面，拔节期传统直接高度法与本研究方法均与人工测量高度高度相关(R²>0.89)；灌浆期传统方法因无法获取基部点云严重低估株高(RMSE=8.02 cm)，而本研究方法通过行间地面点拟合仍保持较高精度(R²=0.729，RMSE=1.64 cm)。冠层绿色覆盖方面，二维绿色面积指数(GAI)与ImageJ结果一致性较好(R²=0.873，RMSE=1.94%)；三维点云冠层覆盖率(CC)更接近真实值，精度优于二维方法(R²=0.910，RMSE=1.64%)。

讨论与结论部分指出，该系统通过软硬件协同优化，解决了非结构化田间环境下表型采集的稳定性与一致性难题，实现了小麦关键表型参数的高精度提取。研究仍存在局限性，如试验仅针对单一品种与区域，未充分涵盖生理与光谱性状。未来将扩展至多作物、多品种验证，融合多光谱和热红外传感，并结合深度学习点云补全与语义分割技术，进一步提升复杂冠层下的表型提取能力与大规模连续监测应用潜力。