基于表型机器人与Transformer图像分析的田间花生单株产量精准估测技术研究

针对传统花生产量估测方法效率低下、育种筛选周期长的问题，本研究创新性地开发了基于LoFTR特征匹配的田间图像拼接算法与改进RT-DETR轻量化检测模型，构建了自动化机器人表型采集系统。在68个基因型试验中，系统预测荚果数与实际产量的相关性达R2=0.47，产量排序一致性达84.8%，为加速花生遗传改良提供了高效精准的技术方案。

　　

花生作为美国第七大经济作物，年产值超10亿美元，其育种效率却受制于传统产量测定方法——需要人工挖取、运输、称重等繁琐步骤。这种低效性在需要精确评估单株荚果产量的育种试验中尤为突出。尽管无人机高通量表型技术已应用于抗旱性筛选等领域，但间接估产易受环境干扰；联合收割机搭载的质量流量传感器则面临振动噪声和校准难题。如何实现非破坏性、高精度的田间产量预测，成为作物育种领域亟待突破的技术瓶颈。

针对这一挑战，佐治亚大学的研究团队开发了一套创新的自动化解决方案。研究以19个基因型68个田间的花生植株为对象，采用配备RTK-GNSS导航的MARS-X机器人采集高清图像序列。核心技术突破体现在三方面：首先利用局部特征Transformer（LoFTR）算法实现重叠区域仅3-6%的精准图像拼接，较传统SIFT方法将特征匹配准确率提升3倍；其次改进实时检测Transformer（RT-DETR）模型，通过FasterBlock模块和动态采样（DySample）技术，使荚果检测平均精度（mAP50）达89.3%，计算量降低15%；最后开发滑动窗口推理策略，实现整幅拼接图像的精准计数。

研究结果部分，图像拼接模块的测试显示，LoFTR算法的Frobenius范数差异（5.81±8.79）显著优于SIFT（6.01±23.58），匹配点分布更均匀。检测模型对比实验中，定制RT-DETR以16.0M参数量实现55.0%的mAP95，超越原模型5.9个百分点。田间验证表明，预测荚果数与人工计数的决定系数（R²）达0.60，较结构运动（SfM）方法提升11%。当基因型间产量差异超过12%时，系统排序准确率突破90%，其中高产品种Georgia-12Y的识别准确率达88.9%。

讨论部分指出，该技术的创新性在于首次实现田间尺度花生荚果的直接计数，克服了采样偏差问题。虽然单视角存在约9%的荚果漏检，但9%的平均绝对百分比误差（MAPE）已满足早期育种筛选需求。研究同时揭示了当前局限：仅依赖荚果数量未考虑单荚重量变异，且倒伏荚果的侧向遮挡影响检测精度。未来将通过多视角融合和重量传感器集成进一步提升系统性能。

这项发表于《Smart Agricultural Technology》的研究，为作物田间表型分析提供了可推广的技术范式。其价值不仅体现在将花生产量评估效率提升10倍，更开创了Transformer架构在农业机器人视觉系统中的创新应用。该技术路线可扩展至马铃薯、草莓等可见器官作物的产量预测，为精准农业和基因型-表型关联研究提供了新工具。