编辑推荐：
在大豆农业生产中，传统检测技术存在时间滞后、现有高光谱成像方法各有弊端且缺乏自动化解决方案等问题。研究人员开发 PhenoBee 无人机机器人系统，其叶检测和姿态估计准确率高，抓叶成功率达 90.55% ，为农业表型分析带来新突破。
在农业领域，大豆作为全球重要的双子叶作物，对保障粮食安全、促进经济繁荣以及维护环境可持续性都有着不可忽视的作用。从营养角度来看，大豆是极为优质且价格亲民的蛋白质来源，不含淀粉的特性让它成为糖尿病患者理想的蛋白质摄取选择。在经济层面，它支撑着全球数百万人对植物蛋白的消费，同时也是众多化学产品的重要原料。并且，大豆能够通过共生细菌固氮，改善土壤环境，助力可持续农业发展。
然而，大豆在农业生产过程中面临着诸多挑战。其中，农业环境中检测压力或解读信号时存在的时间滞后问题尤为突出。例如，当植物遭受病虫害侵袭时，往往需要一段时间才会出现可见症状；基于采样的化学分析也受到诸多后勤因素的限制，这些都会导致检测和应对的延迟。这种延迟不仅会影响大豆生产和育种的效率，还会削弱应对策略的效果以及整体农场管理水平。因此，开发先进的检测和监测技术迫在眉睫。
在众多应对方案中，高光谱成像技术备受关注。它能够以非破坏性的方式获取植物的生理特征，在植物表型分析中发挥着重要作用。但现有的高光谱成像方法，即遥感和接触式传感，都存在明显的缺陷。遥感虽能实现高通量数据采集，但易受环境光和叶片坡度等噪声干扰；接触式传感虽然能提高植物应激信号的质量，可手动操作不仅耗费大量人力，还容易出错，并且在通量和可扩展性方面面临困境。此外，尽管研究人员探索了多种自动化解决方案，但适用于大豆田间接触式传感应用的却寥寥无几。例如，部分机器人系统只能远距离成像，无法进行接触式测量；有的系统受重量和尺寸限制，仅适用于室内环境；还有的系统自由度有限或缺乏野外移动能力。
为了解决这些问题，来自未知研究机构的研究人员开展了关于开发新型无人机机器人系统 PhenoBee 的研究。研究结果表明，PhenoBee 系统在田间活体接触式高光谱图像采集方面表现出色，该研究成果发表在《Computers and Electronics in Agriculture》上，为农业表型分析领域带来了新的突破，具有重要的意义。
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：首先是机器视觉系统，通过搭载 3D 深度相机（Intel RealSense D435）来检测和估计大豆小叶的姿态；其次是配备了 6 关节铰接式机械臂（Robotis OpenMANIPULATOR-P），并结合专门的控制和路径规划算法，实现对叶片的精准抓取和成像；最后利用定制的高负载无人机，为在不同田间位置进行采样提供移动能力。
系统概述
PhenoBee 专为农业田间自主接触式数据采集而设计，尤其适用于大豆等双子叶植物的表型分析。该系统集成了机械臂、空中移动平台和高光谱成像仪。机械臂上的 3D 深度相机用于目标叶片定位，6 关节铰接式机械臂则负责精确运动。
整体系统性能
在 2022 年的实验中，研究人员共对 97 株植物进行了采样，并通过机器视觉系统处理了 107 株植物的图像。结果显示，PhenoBee 系统的飞行控制器在自动飞行任务中，速度能达到目标稳态，并经扩展卡尔曼滤波（EKF）验证。在样本位置降落之后，机器视觉（分割和姿态估计）的优化算法表现出色，叶片检测的平均准确率达到 95.88%，叶片姿态估计的平均准确率为 97.54%，叶片抓取的平均成功率为 90.55% ，这些数据充分证明了该系统的有效性和可靠性。
研究结论与讨论
PhenoBee 作为一种新型无人机机器人系统，成功实现了自主移动、机器视觉和机器人操作的整合，能够在广阔的田间条件下，以叶片级分辨率进行活体接触式高光谱成像。实验结果表明，PhenoBee 具有较高的效率和准确性，这在农业表型分析领域，特别是大豆作物的研究中，是一项重大的进步。它不仅为大豆生长状况的监测和评估提供了更加高效、精准的手段，还有助于及时发现植物的应激反应，为农业生产中的精准管理和决策提供有力支持。不过，研究中也发现了一些失败案例，这凸显了环境感知的重要性，尤其是对非目标小叶姿态的理解。后续研究可以考虑通过扩大机械臂工作空间、将障碍物姿态数据纳入运动规划等方式来进一步优化系统，以减少环境干扰，提高系统在复杂田间环境中的适应性和可靠性。总之，PhenoBee 系统的出现为农业领域的发展带来了新的契机，有望推动农业生产向智能化、精准化方向迈进。
