用于植物健康监测与深度学习辅助作物识别的高拉伸可靠石墨烯应变传感器

针对传统应变传感器在动态环境中长期稳定监测植物生理参数及作物识别精度不足的问题，研究人员开发了一种基于石墨烯/Ecoflex复合材料的网状结构应变传感器。该传感器具备高灵敏度（GF=138）、低检测限（0.1%应变）和优异可靠性（>1500次循环），同时具备防水耐酸碱特性。结合深度学习算法，实现了对8种作物95.2%准确率的分类，为智能农业提供了兼具环境适应性与多功能感知的创新解决方案。

　　

随着全球农业智能化与精准化快速发展，作物健康监测与识别已成为提高作物产量质量、优化管理决策的关键手段。植物在生长周期中面临缺水、病虫害、极端温度等复杂环境胁迫，常通过茎干膨胀、叶片卷曲等细微形态变化响应外界压力。传统监测手段如RGB成像、多光谱分析虽已成熟，却易受光照变化、枝叶遮挡和复杂背景干扰，且依赖昂贵硬件与大数据传输带宽。更关键的是，图像形态特征难以直接反映植物机械或生理状态的微妙变化。

针对这些挑战，研究人员开发了一种基于石墨烯/Ecoflex复合材料的高拉伸可靠网状应变传感器，通过结构优化与深度学习融合，实现了植物生长实时监测与作物精准识别的双重突破。该研究发表于《Research》，为智能农业提供了兼具环境鲁棒性与多功能感知的创新解决方案。

研究采用激光加工技术在石墨烯表面构建网状结构，结合Ecoflex弹性基底的封装，通过有限元模拟优化几何参数（圆孔直径与间距），并利用扫描电子显微镜（SEM）和拉曼光谱表征材料形貌与化学特性。力学性能测试通过万能试验机完成，环境适应性评估涵盖水、酸碱溶液及温湿度、紫外照射等户外条件。作物识别实验集成四指柔性夹爪与双通道传感系统，采集8类作物300次抓取数据，采用多层感知器（MLP）模型进行分类训练与验证。

网状石墨烯拉伸应变传感器的制备与特性

通过激光烧蚀技术制备的网状石墨烯传感器呈现不规则层状表面结构，SEM显示石墨烯与Ecoflex基底结合紧密。拉曼光谱显示石墨烯薄膜存在D峰（1350 cm^?1，缺陷特征）与G峰（1580 cm^?1，sp²杂化碳原子振动）。复合材料断裂伸长率约700%，拉伸强度0.6 MPa。传感器具备超弹性，可承受拉伸、弯曲和扭曲变形，50%与100%应变-释放曲线恢复良好，200%应变出现滞后现象。

结构优化与传感机制

有限元模拟表明，增大圆孔直径可分散应力，减小连接点断裂风险。等效电路分析揭示网状结构通过并联电阻降低整体电阻值，增强拉伸过程中的导电通路稳定性。光学显微镜显示：0%应变时石墨烯结构致密连续；10%应变产生微裂纹；50%应变裂纹扩展导致电阻显著上升；70%应变时导电通路大规模断裂。

传感器性能表征

灵敏度分级显著：0%-40%应变区间GF=15，40%-60%应变GF=49，60%-80%应变GF=138。弯曲（0°-50°）与扭转变形下电阻变化率分别低于2%和0.5%。动态测试显示20%应变下不同速率加载响应稳定，响应/恢复时间快，最低检测限0.1%。循环测试（1500次20%应变）证实高重复性，8日内电阻波动小于2%，滞后效应可忽略。与文献报道的 wearable sensors 相比，该传感器在检测限与综合机械性能方面具显著优势。

植物生长原位监测应用

传感器直接贴附于 Epipremnum aureum 叶片表面，1个月内未引起叶片黄化或生长抑制，水培40天后根系发育健康，证明优异生物相容性。防水、耐酸碱（HCl/NaOH溶液）测试中电阻变化率稳定，连续1小时碱浸电阻波动小于2%。温室环境下监测 Brassica chinensis 3昼夜生长，发现夜间生长主导模式（光合能量储存所致），户外茄子监测显示阶梯式生长规律。机械损伤（刀片切割）引发电阻骤变，而轻微触碰响应可忽略，证实对植物胁迫的特异性检测能力。

深度学习辅助作物识别

集成双传感器的四指柔性夹爪抓取8类作物（玉米、白萝卜、胡萝卜、黄瓜、茄子、丝瓜、白菜、西葫芦），采集300周期数据。MLP模型（输入层、2隐藏层5/8神经元、ReLU激活、Softmax输出）以95.2%准确率实现分类，精确度、召回率和F1分数均超94.98%。单周期预测与混淆矩阵显示类别区分清晰，实时光学反馈验证模型可靠性。

该研究通过网状结构设计优化应力分布，结合Ecoflex封装赋予传感器高拉伸性（>200%应变）、环境稳定性（防水耐酸碱）与生物相容性，解决了传统传感器在动态农业环境中耐久性不足、信号衰减的问题。深度学习融合突破了图像识别法对硬件与环境的依赖，为植物表型组学与农业机器人提供了多模态感知新范式。未来工作需聚焦无线通信集成、监测周期延长及模型跨作物泛化能力提升，以推动自动化作物管理技术的实际应用。