深度学习模型在生长加速器中动态解析植物养分吸收时序特征的研究

本研究针对增强效率肥料(EEF's)养分供应与植物需求同步性这一关键性能指标，开发了基于RandLA-net神经网络的三维点云(PCD)分割技术。通过Intel Realsense D415相机采集植物生长数据，实现了单株生物量的非破坏性高通量监测（测试精度0.93，平均交并比IOU 0.90），建立的体素计数与干物质相关性达R2=0.87。该技术成功量化了Logistic曲线拐点等关键养分同步参数，为肥料性能评估提供了自动化解决方案。

　　

在现代农业面临的环境挑战中，传统肥料的低效利用导致大量养分流失，既造成经济损失又引发环境污染。增强效率肥料(Enhanced Efficiency Fertilizers, EEF's)的研发核心在于实现养分释放与作物需求的精准同步，但现有评估方法存在明显局限：水解释放试验与农艺表现相关性差，而传统收割法耗时费力且采样频率低。Matthew R. Redding团队此前开发的基于K近邻聚类(Kth-nearest neighbour clustering)的三维成像技术虽取得79%的预测精度，但单次扫描需耗费2小时人工处理时间，严重制约研究效率。

为突破这一技术瓶颈，研究团队在《Smart Agricultural Technology》发表的研究中，创新性地将深度学习引入植物生长监测领域。通过搭载Intel Realsense D415相机的机器人门架系统，每周对盆栽植物进行三维扫描，构建包含840组标注点云的数据集。研究采用RandLA-net神经网络架构，利用局部特征聚合模块处理百万级点云数据，通过RGB色彩特征和空间坐标实现单株植物的实例分割。

关键技术包括：1) 基于Ubuntu系统和NVIDIA 3090TI GPU的深度学习平台；2) 包含7次扫描事件的多品种植物数据集(芥菜和菠菜)；3) 两阶段训练策略（初始学习率0.00005，微调0.000025）；4) 开发自动化分析流程实现点云配准、推理和体素统计。

数据收集与预处理

实验设计涵盖三种作物（小白菜、青梗菜和菠菜）在不同土壤中的生长试验，设置对照组（仅基础养分）、常规施肥组和最大潜力组（持续供氮）。扫描系统通过362个定位点采集数据，环境控制在25°C和50%湿度，确保数据可比性。

RandLA-net模型训练验证

模型在45个epoch后达到最优（验证损失0.933，mIOU 0.903），成功解决相邻植株重叠和设施干扰的 segmentation难题。微调阶段加入1035组侧重背景的数据后，对菠菜品种的迁移学习效果显著。

植物生长比较

体素计数与干物质呈强相关性（R²=0.87），Logistic模型有效表征不同处理的生长动态。通过引入"潜在比例"公式：(Vox_Treat-Vox_Control)/(Vox_Max-Vox_Control)，直观展示养分供应时序差异。

讨论与意义

该研究首次将点云深度学习应用于植物养分同步性评估，处理效率较传统方法提升82%。研究建议：1) 选择生育期较长的模式植物；2) 控制养分供给使生长曲线不进入平台期；3) 设置最大产量参照。这些发现为EEF's研发提供了高通量筛选工具，通过量化Logistic参数（如拐点时间）实现精准养分管理。

当前系统已实现单次扫描（120盆）102分钟的处理速度，其中26%耗时用于点云推理。未来将通过扩展光谱传感实现生物量氮含量监测，进一步深化技术应用。这项工作不仅推进了精准农业发展，也为三维点云在农业AI领域的应用开辟了新途径。