葡萄藤冬季修剪的智能化突破：融合2D分割与3D点云技术的精准修剪点生成系统

为解决葡萄园冬季修剪劳动强度大、效率低的问题，意大利理工学院与圣心天主教大学联合开发了基于2D分割神经网络与3D点云重建的自动化修剪系统。研究通过融合多视角深度信息与农学规则，实现了54.2%的成功修剪率，为平衡修剪提供了可定制化参数框架，显著推进了农业机器人技术在复杂生物结构操作中的应用。

　　

葡萄藤修剪的智能革命：当传统农艺遇上机器视觉

葡萄栽培中冬季修剪是影响产量与品质的关键环节，但传统人工修剪面临劳动强度大（每公顷需80-100工时）、技术门槛高、劳动力短缺等挑战。尤其对于采用垂直枝蔓定位（VSP）训练的葡萄藤，其复杂的休眠期器官结构（包括主蔓Cordon、臂枝Arm、短枝Spur、新梢Cane和节Node）需要经验丰富的农艺师判断修剪点。现有机械预修剪设备精度不足，而Botterill等开发的封闭式机器人系统难以适应露天环境，Silwal团队的方案则依赖简化规则无法实现平衡修剪。

意大利理工学院（IIT）与圣心天主教大学（UCSC）合作的VINUM项目组开发了开放式移动机器人平台，搭载Kinova Gen3七自由度机械臂和RealSense D405深度相机。研究创新性地将2D语义分割（识别5类器官）与多视角3D重建结合，通过迭代最近点算法（ICP）和位姿图优化构建实例分割点云，再基于农学规则（如保留2个节、直径>7mm）生成修剪点。该系统在2022/2023冬季对6株盆栽葡萄藤（24个修剪区域）的测试中，实现37.5%完全正确修剪率，若包含可人工修正的节数误判案例则成功率提升至54.2%。

技术方法精要
研究采用Robotnik Summit XL移动平台，通过2D神经网络（输出Cordon/Arm/Spur/Cane/Node五类分割）引导机械臂执行扫描轨迹（15个位姿点环形运动）。深度图像与分割掩码经体素化（1mm精度）后，使用HDBSCAN聚类生成器官实例，构建植物图谱模型。厚度测量通过20段欧氏距离均值计算，修剪决策流程整合了基部芽修剪（Base-bud cut）、短枝修剪（Spur cut）和替换修剪（Replacement cut）三类策略。

关键研究发现

1. 三维重建效能
   平均每个修剪区域使用37.6帧图像（标准差12.83）构建含40,724个点的云模型，位姿图优化使点云对齐误差降低38%。

2. 器官检测精度
   枝条（Cane）检测准确率达90%（F1-score 94.2%），但节点（Node）识别存在层级差异：基部枝条节点准确率85%，远端枝条降至70.6%。厚度测量误差导致25%案例误选保留枝条。

3. 修剪决策分析
   典型错误包含：16.7%节数误判（系统保留3节而非2节）、20.8%完全错误修剪类型。图15展示相邻修剪区枝条错误聚类引发的误判案例。

农艺与工程的碰撞
该研究首次实现开放式环境下基于三维生物量测量的葡萄藤自主修剪。虽然当前成功率受限于深度相机精度（±6mm误差）和保守碰撞规避策略，但其可定制参数框架（如调整保留节数、直径阈值）为不同品种和栽培目标提供了灵活性。相比Bumblebee系统的固定4芽规则，本研究通过整合农艺知识（如7mm直径标准）更贴近实际生产需求。

未来改进应聚焦三点：提升深度传感器精度（如采用激光雷达）、开发枝条健康评估算法、优化机械臂避障策略。这项发表于《Computers and Electronics in Agriculture》的成果，标志着农业机器人从简单重复操作向复杂生物结构理解的跨越，为果园管理的全面自动化奠定关键技术基础。