基于RGB-D成像与张量加速的葡萄园变量喷施系统：推动精准农业可持续发展的创新方案

本刊推荐：为解决葡萄园植物保护产品(PPP)施用中因冠层结构差异导致的过度施用或施用不足问题，研究人员开展基于RGB-D相机与GPU边缘计算平台的变量喷施系统(VRS)研究。通过张量加速处理、快速近似网格化及实例分割技术，实现了冠层体积实时精确估算，使PPP用量减少57.4%的同时保证雾滴覆盖度。该研究为精准葡萄栽培提供了实时、精准且经济高效的解决方案。

　　

在葡萄栽培领域，植物保护产品(PPP)的精准施用一直是确保葡萄产量和质量的关键环节。传统的均匀喷施(URS)方式存在明显缺陷：由于葡萄冠层在大小、形状和密度上存在显著差异，固定速率喷洒往往导致冠层稀疏区域过度施用，而茂密区域却施用不足。这种不均匀施用不仅造成农药浪费和环境染污，还影响病虫害防治效果。

目前国际上推荐的叶墙面积(LWA)模型和树行体积(TRV)模型虽然为变量喷施提供了理论依据，但在实际应用中面临巨大挑战。手动测量冠层参数费时费力，几乎无法在农场操作中频繁进行。现有的变量喷施技术主要依赖激光雷达(LiDAR)或超声波传感器，但前者无法提供颜色信息难以区分目标与非目标，后者测量精度和分辨率有限。立体视觉系统特别是RGB-D相机虽能同时获取空间和颜色信息，但其数据处理复杂度高，难以实现实时性能与系统成本的平衡。

针对这些挑战，来自意大利帕多瓦大学的研究团队在《Computers and Electronics in Agriculture》上发表了一项创新研究，开发了一种基于RGB-D成像和张量加速的变量喷施系统。该系统通过深度融合视觉感知与计算架构，实现了葡萄园冠层体积的实时精确估算和精准喷施控制。

研究人员采用了几项关键技术方法：使用Intel RealSense D415 RGB-D相机采集冠层彩色和深度图像；基于NVIDIA Jetson边缘计算平台实现GPU加速的全流程处理；创新性地采用张量数据结构表示RGB-D数据，通过快速近似网格化方法从点云快速生成3D网格；应用YOLOv8n-seg实例分割模型识别葡萄冠层和棚架支柱；通过网格投影计算冠层体积并生成脉冲宽度调制(PWM)信号控制流量。实验在帕多瓦大学实验农场进行，使用华盛顿州立大学和帕多瓦大学的图像数据集训练模型。

2.1. 硬件框架和数据处理工作流程

研究团队开发了完整的VRS原型系统，包含RGB-D相机、Jetson AGX Orin边缘计算平台、两个PWM驱动模块、两个电磁阀和拖拉机牵引的风助式喷雾器。系统通过RGB-D相机捕获葡萄冠层的彩色和深度图像，使用制造商SDK从深度图像提取点云，边缘计算平台从点云生成3D网格。同时，定制化的YOLOv8n-seg实例分割模型处理彩色图像生成冠层和棚架支柱的分割掩膜，进而分离冠层网格和棚架支柱点云。通过计算棚架支柱的平均深度动态确定参考平面，将冠层网格投影到参考平面上估算冠层体积。相机视场(FoV)的上下部分分别处理，实现对应冠层部位的独立流量控制。

2.3. 基于张量的RGB-D数据GPU处理

研究利用RGB-D相机产生的3D数据天然具备图像式2D网格结构的特点，将点云组织成3D张量结构作为GPU处理的输入。这些张量进一步处理成3D网格，同样以张量形式驻留在GPU内存中。计算冠层体积时，基于张量的结构允许每个三角面在GPU核心上独立并行处理，确保从RGB-D数据输入到冠层体积输出的全流程受益于高效并行计算，避免昂贵的数据传输至CPU，显著提高了计算效率。

2.4. 快速近似网格化

研究采用快速近似网格化方法，利用RGB-D点云固有的2D网格结构优势，通过系统连接2D网格中每三个相邻点高效构建覆盖相机整个视场的3D网格。这种方法优先考虑实时适用性，不考虑表面光滑度、噪声过滤或无效深度值处理，也不执行整体3D网格的全局优化，但充分利用点云中的每个数据点，使网格分辨率与RGB-D相机分辨率保持等效，提供了高分辨率3D网格。

2.5. 葡萄冠层网格提取

获得完整3D网格后，利用点云与彩色图像间的像素级对齐特性，将实例分割生成的冠层掩膜直接映射到3D网格上。通过掩膜操作，仅保留与掩膜值255对齐的张量元素，将其余元素归零，有效去除背景，提取冠层网格。

2.6. 实例分割

虽然任何实例分割算法都可用于获取葡萄冠层掩膜，但研究选择YOLOv8n-seg模型，因其具备实时效率、分割精度和易实现性。使用手动标注的葡萄数据集训练模型，包含华盛顿州立大学(WSU)和帕多瓦大学(UNIPD)实验场的图像。通过Segment Anything模型辅助标注，定义两个目标类别：葡萄冠层和棚架支柱。

2.7. 冠层体积计算

由于生成的冠层网格不是封闭实体，计算冠层体积需要将3D网格投影到参考平面上。研究选择葡萄冠层的中位平面作为参考平面，通过识别葡萄园中的棚架支柱动态确定中位平面位置。冠层体积计算采用投影方法，对每个三角面进行并行计算，充分利用GPU加速。

2.8. 流量计算

流量计算基于标准公式，考虑了冠层体积、单位冠层体积施用率(Am³)、行进速度等因素。由于RGB-D相机安装在拖拉机前部而扩散器位于后部，计算出的流量需要根据相机与扩散器之间的距离和当前拖拉机速度进行适当延迟。

3.1. RGB-D相机体积测量精度评估

通过立方体和圆柱体两个不同表面类型的物体测试表明，RGB-D相机能够相对准确地估计物体体积，但不同表面类型的测量精度存在差异。曲面测量精度较低，可能由于圆柱体侧面的陡坡导致深度变化超过相机分辨率限制。低系数变异(CV)值表明相机提供了稳定且可重复的测量结果，成像噪声保持在可接受范围内。

3.2. 测量冠层体积与总叶面积的关系

破坏性方法评估显示，测量的冠层体积与总叶面积之间存在强线性正相关关系(R² = 0.9019)。结果表明RGB-D相机的体积测量可靠地反映了总叶面积，从而支持精确的施用率调整，实现了葡萄变量喷施的应用。

3.3. 喷施参数确定

流量校准显示PWM占空比在10%至80%范围内与流量呈线性关系。均匀喷施(URS)流量设置为1.8 L·min^-1，对应每阀50% PWM占空比，总喷施流量3.6 L·min^-1。基于葡萄园配置，TRV估计为2500 m³·ha^-1，URS体积施用率为200 L·ha^-1，URS的A_m3为0.08 L·m^-3。为补偿RGB-D测量冠层体积与TRV之间的差异，VRS的A_m3设置为0.3 L·m^-3，约为URS所用值的四倍。

3.4. 喷施性能实验

田间实验表明，VRS系统能够根据冠层条件动态调整流量：无冠层区域几乎不喷施，低密度冠层有限喷施，高密度冠层较多喷施。与URS相比，VRS在不同冠层条件下雾滴覆盖度变化更为显著，URS在低密度冠层明显过度施用。水量消耗测量显示，URS消耗105.64 L水，相当于平均体积施用率174.67 L·ha^-1，而VRS仅使用45.04 L，相当于平均体积施用率74.47 L·ha^-1，节水57.36%。

3.5. 实时性能评估

实时性能测试显示，Jetson AGX Orin实现了14.360 FPS的实时性能，而Jetson Nano达到2.429 FPS，代表了所提出系统的较低性能边界。基于FPS值估计，Jetson AGX Orin的最大延迟距离约为0.155 m，Jetson Nano约为0.915 m。3D网格生成和棚架支柱距离测量处理时间最短，冠层体积估算和点云生成次之，YOLOv8n-seg推理是最耗时的任务。

研究结论表明，基于RGB-D成像和张量加速的变量喷施系统为精准葡萄栽培提供了高度准确、适应性强、实时且经济高效的解决方案。通过优化喷施应用，显著减少了植物保护产品用量，通过最小化化学投入和减少环境影响，为更可持续的葡萄生产做出贡献。系统在保持实时性能的同时提供强大的成本效益，展示了实际部署的巨大潜力，特别是在中小型葡萄园中。

讨论部分指出，与激光雷达相比，RGB-D相机在低光或黑暗条件下性能显著下降，过度的可见光和红外辐射会导致曝光过度、颜色失真和不可靠的3D感知结果，限制了在农业应用中各种环境条件下的稳定性和鲁棒性。另一个基本限制是关于葡萄冠层体积的定义问题，RGB-D测量的冠层体积与传统TRV模型估计值之间存在显著差异，而基于冠层体积的喷施调整方法需要葡萄栽培社区的更广泛共识。

该研究的重要意义在于为精准农业提供了技术经济性俱佳的解决方案，通过深度融合视觉感知与计算架构，实现了数据处理效率与系统成本的优化平衡，为可持续农业发展提供了重要技术支撑。