编辑推荐：
在现代温室番茄生产中，高效低损采摘面临诸多难题，如相机视野受限、果实遮挡等。研究人员开展数字孪生驱动的智能番茄采摘系统研究，实验显示该系统提升采摘性能，减少采摘时间等。这为精准农业智能化转型提供新范式。
在当今科技飞速发展的时代，农业领域也在不断探索智能化转型的道路。温室番茄种植作为现代农业的重要组成部分，正面临着一系列严峻的挑战。在番茄采摘环节，传统方式效率低下且容易对果实造成损伤，尤其是在密集种植的环境下，问题更加突出。由于种植行距较窄，安装在采摘机器人上的相机视野受限，无法完整呈现机器人前方的所有番茄，导致采摘路径规划难以有效实施。而且，番茄果实常被叶片遮挡，成熟度不一且多批次结果，这使得机器人在识别果实位置和成熟度时困难重重，不仅浪费大量时间，还可能因决策不当导致部分果实过熟掉落腐烂，或采摘过早影响投入产出比。
为了解决这些问题，来自国内的研究人员开展了一项关于 “Digital twin-driven system for efficient tomato harvesting in greenhouses” 的研究。他们构建了一个高保真的数字孪生温室，利用多视图扫描和 3D 建模技术，对温室环境进行精确模拟，并在其中训练强化学习模型，以做出综合采摘决策。通过这项研究，研究人员得出了令人瞩目的成果。该系统显著提高了采摘性能，平均采摘时间缩短了 34.95%（至每个果实 7.4 秒），机械臂运动距离减少了 20.93%，碰撞发生率降低了 45.16% 。这一研究成果发表在《Computers and Electronics in Agriculture》上，具有重要的意义。它为大规模部署由数字孪生技术驱动的智能农业系统提供了新的范例，有助于推动精准农业的智能化转型，实现农业的高效、可持续发展。
研究人员在开展这项研究时，主要运用了以下关键技术方法：首先，利用安装在机器人上的可滑动深度相机对温室中的番茄数据进行扫描和识别，收集果实成熟度、大小以及番茄和幼苗的位置信息。然后，将收集到的信息在 Unity 引擎中进行预处理和 3D 重建，构建数字孪生模型。最后，在数字孪生温室环境中训练强化学习模型，以优化采摘策略。
研究结果
- 3D 模拟效果：主要考察番茄果实的检测精度以及 3D 虚拟温室与真实场景之间的重建误差。通过精确的扫描和重建技术，实现了对番茄植株位置和形态的高精度模拟，为后续决策提供了可靠的基础。
- 采摘决策效果
- 模拟实验：通过在虚拟环境中的实验，验证了算法在不同场景下的有效性，为实际应用提供了理论支持。
- 重建扰动实验：测试了模型在面对重建数据扰动时的稳定性，确保系统在复杂环境下仍能正常工作。
- 田间实验：在实际温室环境中进行实验，进一步验证了系统在真实场景中的采摘性能提升，证明了其在实际生产中的可行性。
- 全球规划实验：从全局角度考虑采摘决策，优化了采摘时机、行级优先级等，减少了果实过熟或采摘过早的情况，提高了整体采摘效率。
研究结论与讨论
研究人员成功构建了数字孪生驱动的温室番茄高效采摘系统。该系统利用可滑动深度相机实现了对温室番茄的全面扫描和识别，通过计算机视觉算法构建了精确的数字孪生模型，并借助强化学习模型优化了采摘策略。实验结果表明，该系统在采摘效率、运动路径长度和碰撞率等方面都有显著改善，同时更好地协调了果实成熟度与采摘时机的关系。这一研究成果不仅为番茄采摘提供了高效的解决方案，也为其他温室作物的智能采摘提供了借鉴，展示了数字孪生技术在精准农业领域的广阔应用前景。未来，有望进一步优化系统，提高其在不同环境下的适应性和稳定性，推动智能农业的大规模发展。
