基于深度强化学习的植物茎干遮挡修复技术及其在番茄表型监测中的应用

针对温室番茄生长监测中茎干遮挡导致的表型参数获取难题，研究人员创新性地采用深度强化学习(DRL)技术，通过单视角RGB-D数据实现茎干三维点云的结构补全和直径估算。实验显示主茎直径补全的平均绝对百分比误差(MAPE)仅9.7%，该方法显著降低了多视角采集需求，为大规模温室植物表型分析提供了高效解决方案。

　　

在现代化温室种植中，番茄等作物的精准监测对提升产量至关重要。茎干直径和伸长量是反映植物健康状况的关键表型参数，但传统人工测量方式效率低下，而现有三维点云技术又面临叶片遮挡的严峻挑战。多视角扫描虽能获取完整数据，但设备成本高昂且易受植株晃动影响，这使得大规模温室监测陷入两难境地。

针对这一技术瓶颈，中国农业科学院都市农业研究所的研究团队在《Computers and Electronics in Agriculture》发表创新成果。研究人员独辟蹊径地将深度强化学习(Deep Reinforcement Learning, DRL)引入植物表型领域，开发出仅需单摄像头即可实现茎干三维重建的新方法。该研究通过Intel RealSense D415相机采集番茄茎干点云，运用YOLOv8进行茎干分割，创新性地采用两阶段补全策略：先通过DQN算法补全茎干中心线获取空间结构，再补全边缘线计算直径。

关键技术包括：1)基于Blender构建番茄功能结构模型模拟训练环境；2)采用Ray框架实现深度Q网络(DQN)，设置256神经元双层全连接网络；3)设计包含位置误差、斜率误差和终点奖励的三元奖励函数；4)通过主成分分析(PCA)确定茎干倾斜方向。实验数据来自四川成都(30.6°N, 103.7°E)的自动化温室，包含幼苗期、营养生长期和开花期不同生长阶段的樱桃番茄。

【结构补全模型】
通过虚拟实验验证，DQN在补全3D茎干曲线时奖励值稳定在0.6。实际温室测试显示，主茎长度(SLBN)和节点间角度(ABN)的MAPE分别为5.7%和0.9%，R²达0.974。值得注意的是，茎干倾斜角>15°时，补全点偏移直径比(ODDR)增至0.076，揭示形态复杂度对精度的影响规律。

【茎干直径估算】
将三维点云投影至二维平面后，DQN补全的边缘线在模拟实验中奖励值达0.75。实际测量中，主茎直径MAPE为9.7%，且与Pheno4D公共数据集结果高度吻合(R²>0.9)。分支茎因直径较小(约10mm)，受D415相机2.1mm测量误差影响，MAPE升至23.1%。

该研究突破性地证明DRL在植物三维表型解析中的适用性，首次实现单视角下的茎干全参数化重建。相较于生成对抗网络(GAN)，该方法FLOPs计算量降低2个数量级，且无需预训练数据集。尽管在分支茎微小目标测量上存在局限，但为温室作物数字化监测提供了新范式。未来通过增加采集角度和优化分割算法，可进一步扩展至果实计数等复杂表型分析，推动设施农业向智能化方向迈进。