田间作物高通量表型分析机器人PhenoRob-F的研发与应用

为解决传统作物表型分析效率低、数据标准化不足的问题，华中农业大学团队研发了自主移动表型机器人PhenoRob-F。该机器人整合视觉-卫星混合导航系统，通过RGB-D和近红外光谱技术实现了小麦穗数统计（mAP 0.853）、水稻株高动态监测（R2≥0.97）及干旱胁迫分级（准确率0.977-0.996），为作物育种提供了高效精准的表型采集方案。

　　

在全球气候变化与粮食安全双重压力下，作物育种正面临前所未有的挑战。传统人工测量表型的方法效率低下，而无人机等现有技术又受限于载荷能力与数据稳定性。更棘手的是，温室环境获取的表型数据往往与田间实际表现存在显著差异——这种"表型鸿沟"严重制约了优良品种的选育进程。

针对这一难题，华中农业大学植物科学技术学院的研究团队在《Plant Phenomics》发表了突破性研究成果。该团队成功开发出全球首款跨行式自主移动表型机器人PhenoRob-F，通过多模态传感器融合与智能算法，实现了大田作物从形态到生理的全维度表型解析。这项技术将作物表型分析效率提升至每小时1875株，为基因型-表型关联研究提供了革命性工具。

研究团队采用三大核心技术：1）基于Intel RealSense D435i深度相机与Huace CGI-410组合导航的混合定位系统，实现厘米级田间自主移动；2）集成SPECIM FX17高光谱相机（900-1700nm）与Azure Kinect DK的传感模块，同步获取光谱反射率与三维点云数据；3）开发YOLOv8m目标检测与SegFormer_B0语义分割算法，分别用于小麦穗计数（mAP 0.853）和水稻穗分割（mIoU 0.949）。实验材料涵盖20个玉米品种的连续60天生长数据及200份水稻核心种质资源。

【系统开发】

团队创新设计拱形结构的四轮驱动平台，配备750W电机与谐波减速器，在1.8m行距的田间实现稳定移动。测试表明，该平台在同时采集RGB-D与高光谱数据时，续航达3-6小时，最高速度1m/s。

【表型分析】

小麦穗检测实验中，经GWHD数据集预训练的YOLOv8m模型达到0.822召回率。玉米株高动态监测显示，基于RGB-D的3D重建结果与人工测量R²达0.99。更引人注目的是，利用近红外光谱建立的干旱分级模型，对5种胁迫程度分类准确率最高达99.6%。

【讨论与展望】

研究揭示了三大优化方向：1）卤素灯耗能过高（占总功耗80%）需开发低功耗全光谱光源；2）现有传感器视角单一，拟增加机械臂实现多角度采集；3）需建立统一表型分析平台整合多源数据。值得注意的是，团队已将该技术拓展至稻田场景（图9B），验证了系统的强适应性。

这项研究标志着田间表型分析进入智能化时代。PhenoRob-F不仅解决了传统方法效率低、误差大的痛点，其获取的高精度三维表型数据更为揭示作物形态建成机制提供了全新视角。特别是在干旱响应研究中展现的早期诊断能力，为分子设计育种提供了关键表型组学支撑。随着算法的持续优化，该系统有望成为连接基因组学与田间表现的桥梁，加速气候智能型作物的选育进程。