《AgriEngineering》：Towards the Autonomous Harvesting of Leafy Greens in Deep-Water Culture Systems: A Systematic Review
编辑推荐：
摘要：在受控环境农业（Controlled-Environment Agriculture, CEA）生产中，机器人收获仍是深水栽培（Deep-Water Culture, DWC）系统中叶菜类蔬菜生产的瓶颈。垂直农业、温室、气雾栽培（aeroponics）及
摘要：在受控环境农业（Controlled-Environment Agriculture, CEA）生产中，机器人收获仍是深水栽培（Deep-Water Culture, DWC）系统中叶菜类蔬菜生产的瓶颈。垂直农业、温室、气雾栽培（aeroponics）及其他类似平台已产生若干可行或接近可行的收获解决方案。由于基于浮筏的DWC系统相对而言仍未得到充分研究，本综述调查了与收获相关的技术。感知、作物收获、轻柔处理及收获集成必须协同工作。本系统综述批判性地梳理了CEA中这些能力，并探讨其在DWC中的潜在应用。PRISMA 2020框架对文献识别过程进行了回顾性记录。2026年7月25日的8次数据库检索共产生6114条记录，其中4884条唯一记录经过筛选，29篇报告进入全文检索阶段。共有4855条记录在标题/摘要层面被排除。本稿件共纳入19篇文献用于证据图谱。综合结果区分了13项核心收获研究、5项CEA自动化背景研究及1项基础视觉来源文献。文献表明各组件层面已取得显著成果。然而，由于各研究在评估各要素性能时采用的指标不同，所报告的结果无法直接比较。因此，本综述展示了从孤立的技术功能向集成自动化过渡的过程，同时表明成熟且可比较的叶菜类蔬菜收获系统尚未建立。
1. 引言
叶菜类蔬菜特别适合在CEA系统中栽培，作物被置于水培床、垂直塔或气雾栽培墙中。这些布局提供了可预测的几何形状和作物位置，但仍使收获自动化变得困难。一个成功的系统需要：评估作物成熟度；定位可接近的目标；在避开障碍物的同时移动目标；在不损伤叶片的情况下抓取植株。任一环节的失败都会使整个流程效率低下，即使其他环节正确执行。文献已在多个方向取得进展。感知研究关注作物检测、成熟度评估和目标定位。末端执行器（end-effector）研究致力于切割、抓取、去根、作物支撑和损伤预防。运动研究评估了笛卡尔（Cartesian）和关节型机器人以及输送机在定位和运输方面的应用。系统集成研究将感知、操作、作物运输及其物流整合在一起。将这些任务等同对待会过度简化该问题，高分割分数、成功抓取、定位可重复性以及完整的收获和转移周期分别代表了该挑战的不同方面。尽管本综述的动机是评估DWC和水产养殖（aquaponic）生产中叶菜类蔬菜的收获技术，但证据基础不足以得出有意义的结果。实际目标是识别受控环境农业中使用的自主收获技术，并确定其未来在DWC情境中实施的潜在相关性。因此，本综述提出以下问题：感知、末端执行器、运动控制和系统集成在CEA中叶菜类蔬菜收获系统的开发中是如何实施和评估的？哪些约束限制了它们向DWC系统中集成化生产流程的转移？研究目标包括：绘制四个问题领域的最新技术现状；将收获性能的直接验证与组件、平台和背景结果区分开；识别关于CEA收获技术向DWC和水产养殖系统转移的研究空白。
2. 材料与方法
2.1 生成式人工智能的使用
在稿件准备期间，作者使用OpenAI ChatGPT 5.6 Sol生成并迭代优化概念性图示。作者已审查并编辑输出内容，并对本出版物的内容承担全部责任。该工具仅用于视觉开发，未生成、分析或解读综述数据。
2.2 报告标准
本综述按照PRISMA 2020报告标准进行报告。在检索过程中，综述范围被扩展以涵盖上述四个相互关联的工程领域。收获工作流程不仅仅是作物脱离研究，因此保留了这一修正。由于未进行前瞻性注册，这也被报告为一项局限性。
2.3 纳入-排除资格标准
符合条件的报告为2015年至2026年间发表的英文同行评审期刊论文或会议论文，研究对象为CEA中莴苣或其他叶菜类蔬菜的机器人收获，或与收获相关的感知、作物交互、运动或集成功能。直接作物收获、收获相关组件测试以及CEA特定使能平台在明确贡献于所述工作流程时均符合条件。来自其他CEA系统的研究也符合条件，因为DWC是目标应用情境而非强制性的栽培设置。专利、学位论文、网站、作为主要证据的综述、非评审会议论文、主题范围之外的记录以及无法获取全文的报告均被排除。
2.4 来源与检索策略
筛选工作簿包含来自Scopus、IEEE Xplore、ScienceDirect和SpringerLink数据库的记录条目以及选定的全文论文。本综述使用了一个主要的收获相关查询和三个基础检索，分别针对感知、末端执行器和受控环境应用。同行评审期刊论文和同行评审会议论文优先用于形成本综述的证据基础。相关非同行评审材料在术语和应用情境的初步范围界定阶段被查阅，但未纳入19项选定研究，也未用于支持综述发现或结论。一篇2005年的较早文章作为同行评审的非农业基础来源被保留，它为视觉引导和形状感知抓取规划提供了参考。此外，在初步证据图谱过程中，通过博客和YouTube演示发现了另外3条记录，这些记录由相应作者发布以展示其研究。相关记录随后与数据库记录合并，进行重复检查，并按照相同的资格标准和筛选程序进行评估。
2.5 选择过程
记录先按DOI去重，再按规范化标题去重，保留最完整的记录。共记录了1232条重复数据库记录，另有1条手动提供的报告也出现在数据库中。其余4884条记录按资格标准进行标题和摘要筛选。标题和摘要筛选、全文资格评估以及排除原因的记录由1名评审人员进行。未进行独立的重复筛选。共检索到29篇报告，其中1篇无法找到。最终PRISMA流程记录为：19项纳入研究和9篇在全文资格评估后被排除的报告。档案保留了2篇非评审ASABE会议论文的明确全文排除原因。其余7篇论文因未对上述标准做出直接贡献，而是聚焦于生长监测或表型分析报告而被排除。
2.6 数据提取
对每篇纳入来源提取的信息包括：作物与环境、平台与运动布置、感知方法、末端执行器或处理机制、集成架构、报告的指标和所述局限性。证据被分配到4个边界之一：直接收获证据——作物在收获任务中被脱离、提升或转移；组件证据——感知、末端执行器或控制功能在无完整收获工作流程的情况下被评估；平台证据——运动或运输机制在无整株作物收获的情况下被评估；基础证据——为技术挑战提供信息但不验证农业收获的概念性来源。
2.7 主题综合
由于研究在作物、栽培系统、任务定义、自主性边界、结果定义、分母和实验深度方面存在差异，荟萃分析不适用。因此，综合按感知与定位、末端执行器、运动和系统集成进行组织。结果随后按各研究报告的边界进行解读。栽培方法也被保留为分析特征，因为环境布局和作物呈现同时影响感知和操作。
3. 结果
3.1 PRISMA审计
图1展示了PRISMA 2020选择流程。共识别6117条记录：6114条来自数据库，3条通过其他方法获得。去除1233条重复后，4884条唯一记录被筛选，4855条被排除。共检索29篇报告，其中19项研究被纳入。1篇未检索到的报告是由于全文档案记录不可用。在9篇被排除的报告中，2篇有全文排除原因的为ASABE 2020会议论文，明确为非评审性质。另外7篇因未满足叶菜类CEA收获相关贡献的资格要求而被排除。具体而言，1篇报告缺乏收获验证，1篇聚焦于作物监测，2篇不包含收获任务，1篇与叶菜类无关，1篇涉及采后分选而非收获，1篇未涉及收获。
3.2 分析框架
本文讨论的技术形成一种依赖关系而非四种独立技术。感知技术提供作物的估计状态和目标几何参数。运动与控制技术利用感知信息并将其转化为运动。末端执行器执行抓取或支撑动作，而系统集成连接所有过程。
3.3 研究特征与证据图谱
表2显示了当前的识别和选择审计。这防止平台或组件结果被误解为端到端收获验证。记录数量被保留以确保工作的可追溯性。在29篇进入进一步筛选的报告中有21篇符合本综述资格。2篇论文后来因不符合排除标准（非评审会议论文）而被拒绝。最终选定19篇文章，其中13篇为核心收获论文，5篇为CEA自动化研究，1篇为纯视觉论文。分类情境为：DWC（0）、水产养殖（0）、NFT（2）、气雾栽培（1）、其他水培配置（11）、植物工厂或其他室内垂直农场情境（5）、栽培配置未报告（1）以及非农业基础证据（1）。
3.4 感知与定位
感知性能在很大程度上取决于生产系统对作物几何形状的界定程度。Pham等人利用网络摄像头、经典图像处理和并行水培管中种植孔的已知位置，在常见情况下定位误差平均为0.831–0.883 mm。然而，该算法定义的是种植位置而非茎部，且利用了高度可预测的管几何形状。该方法适用于结构化系统中的运动规划，但不是适用于具有多变植株姿态的非结构化冠层的通用方法。更具作物特异性的方法结合了RGB-D传感、目标检测和分割。Bashir等人报告了莴苣分割模型在IoU 75下99.09%的精确率、99.76%的召回率和97.53%的mAP，以及中心位置莴苣切割点定位85%的准确率。然而，定位误差的来源包括不对称冠层生长、作物倾斜、重叠和视觉相似性。Xie等人报告了水培中国开花菜的高检测性能，但发现遮挡的存在降低了根部区域定位性能。这些结果表明感知可以提供有用的目标估计，但应与不确定性考量相结合。Pranowo等人将CIELAB轮廓和面积识别与机器人手臂关联，在汇总结果中报告了93%的计算机视觉准确率和85%的机器人手臂准确率。尽管如此，论文的个别子组和较差的末端执行器描述阻碍了其与切割研究的比较。Jayasekara等人在垂直农场设计中实现了立体定位、HSV分割和MobileNetV2作物质量/病害分类，但未量化作物收获、损伤和循环时间。就整个平台而言，Terra等人证明了廉价的笛卡尔运动能够携带传感器并实现莴苣检测和发育阶段分类，最终收获机留待未来研究。Sanz等人较早的研究提供了一个概念上相关的警示，即识别莴苣不能保证良好的抓取，因为类内形状存在变异。
3.5 末端执行器
关于物理证据最直接的证据涉及作物如何被处理。Bashir等人在温室中对288株NFT莴苣测试了剪切切割器和两指抓取器，报告切割成功率为95.15%，保持成功率为94.45%。然而，他们必须手动输入坐标，且未测量叶片损伤程度。Barthelme和Lehnert在干式水培垂直农场中测试了羽衣甘蓝植株，结果显示其机器人能够100%地附着并收获，即9/9次成功抓取和提升尝试。样本量明显较小，且未报告定量作物损伤或全周期效率研究。Ma等人提供了关于损伤机制更受控的证据。他们发现如果将抓取器手指置于叶片上的特定位置，平均损伤面积可减少至某值mm2，而另一种抓取方式的平均损伤面积为某值mm2。这项工作支持抓取设计，但不支持自主感知到抓取的工作流程。Yu等人致力于去除水培莴苣植株上的异常叶片，其最佳评估模式在受控条件下实现了88.14%的去除成功率和每叶2.864秒的处理时间。因此可将其保留为情境性末端执行器证据，而非整株作物收获验证。Yu和Jiang报告了一种用于水培莴苣原位收获的集成末端执行器，在证据库中实现了94%的收获成功率和3.50%的叶片损失。显然，要轻柔地处理作物，机器人应能够感知植株、充分移动并小心处理子系统。末端执行器在受控测试中可能在机械上安全，但当目标不确定性导致偏心时仍可能损伤作物。
3.6 运动与控制
运动可分为三类：围绕固定作物移动机器人、将作物移过处理站以及将浮筏移过工作站。这些方法解决不同的约束，不应以单一成功率值进行排序。
3.6.1 笛卡尔、龙门和关节型机器人
笛卡尔运动在CEA中具有吸引力，因为它能以相对简单的运动模式提供对规则植株布置的可重复访问。Bashir等人使用的线性笛卡尔运动允许切割-保持测试，但依赖手动输入目标坐标。Asnapetch等人为垂直气雾栽培绿橡叶莴苣创建了二维X-Z笛卡尔系统，使用网络摄像头进行视觉、双罐抓取器和下降过程中的避碰序列。其可重复性通过在刚性板上放置标记物进行测试，水平方向标准差约为0.445–0.565 mm，垂直方向约为0.507–0.584 mm。这表明该系统能够准确定位，但不一定能无损伤或高速地成功收获作物。关节型和协作臂允许更多运动自由度，但引入了姿态、碰撞和末端执行器几何依赖等挑战。Pham等人将6自由度（6-DoF）臂与伺服控制抓取器配对用于结构化水培管。Mahalingam等人在集装箱化垂直农场中使用眼在手（eye-in-hand）RGB-D相机和Franka Panda协作机器人（cobot），在31项任务中成功完成26项，即83.8%，并在16次试验中成功收获作物13次。他们遇到的问题源于抓取器、位置误差以及叶片卡在抓取器手指之间。因此，柔性臂系统可以结合感知和操作，但其优势取决于作物间隙和可靠的接触规划。
3.6.2 输送机
基于输送机的系统通过将作物或栽培硬件移过受控站来减少机器人需求。Jiang和Geng评估了一种对水培中国羽衣甘蓝/芥菜进行捋直、抓取和切根的装置，在测试的参数组合中成功率为89–98%，而加速度增加和作物倾斜会降低性能。该系统没有相机感知，因此展示了作物处理而非自主作物选择。Ma等人研究了控制一种处理水培叶菜装置的移动，该装置结合了调整蔬菜姿态的机构和可变速输送带。他们得出结论，优选的刷子旋转实现了74.9%的除根率，当皮带扭转某角度时，平均绝对误差（MAE）为某值；75 mm/s的皮带速度差给出了差速转向MAE为某值。在这些设置下，作者以87.5%的成功率收获蔬菜。该研究在运输过程中测量了作物朝向，并在受控装置中评估了中国白菜（一种叶菜），而非完整的感知到运动单元。Jia等人设计了一种在植物工厂中运输浮筏的系统，该系统使用双向移动小车和地面输送带。他们报告最大水平定位误差为2.87 mm，最大垂直定位误差为1.34 mm，运输成功率为92.5–96.0%，处理量为176–317盘/小时。这是物流可以自动化的证据，但只能运输浮筏而不能收获作物。Ohara等人研究了一种在植物工厂中自动移动莴苣托盘的系统，在15天栽培周期内无需任何帮助即可运行且无问题。该报告表明生产物流可以在规模上实现自动化，但未在收获任务中测试机器人抓取器。两篇关于滑轨输送和水培莴苣自动收获机的ASABE 2020会议报告被审查但被排除，因为所提供的报告明确标识为非评审性质。其报告值有意从本最新技术证据综合中省略。
3.7 系统集成
系统集成在概念上是核心但在实证上不均衡。Mahalingam等人在集装箱化农场中集成了感知、学习臂运动和抓取，但其试验次数仍然较少，且作物质量和循环时间未量化。Liu等人集成了柔顺抓取器、切根和转移系统，但提供的最终阶段重复性有限。Pham等人表明利用结构化水培能够展示感知、臂运动和抓取的紧密集成。Jayasekara等人则展示了传感和植物监测如何与垂直农场平台集成，但收获结果仍未报告。关于植物工厂的系统级研究提供了有价值的背景视角。栽培盘移动、调度和转移可以是收获效率的先决条件，特别是在机架几何形状或可达性使得将植物移至工作站比将操作器移至作物更有利的情况下。然而，植物物流不应被误认为是直接收获验证。
3.8 跨领域启示
前述各节表明定量结果是在不同功能层面报告的。作为总结，表3呈现了四类中的代表性边界。由于报告使用了不同的定义和分母，未对频率进行比较。
4. 讨论
4.1 评估
系统证据基础反映了感知、作物交互、定位、运输和部分系统集成方面的可测量进展。最直接的证据涉及单个组件相关性能，特别是在保持、抓取和量化损伤结果方面。感知研究在明确的成像和作物条件下建立了目标估计性能，而运动和物流研究展示了可达性、定位或栽培硬件移动。尽管这些证据形式相互补充，但其在方法论、分母和报告惯例上的异质性阻碍了它们聚合成统一指标。证据基础中识别的主要空白涉及功能间接口的验证。收获系统必须将感知不确定性带入接近规划、接触、脱离、转移、作物质量评估、故障恢复和循环时间评估中。几项纳入研究在受限条件下运行，包括预定义姿态、手动目标坐标、结构化背景、标记物代理或受控处理站。虽然在这些有界实验参数内报告的结果令人鼓舞，但它们不能证实非结构化和广泛条件下运行可靠性的主张。
4.2 对DWC和水产养殖的启示
本综述的初始动机是评估DWC和水产养殖生产中叶菜类蔬菜的收获技术。在此过程中，由于缺乏实质性研究，检索被扩展到CEA技术。纳入的研究可能为向DWC和水产养殖系统的转移提供参考，但未证明在这些环境中的性能。关于在水附近操作、作物支撑、根部或茎部可达性、湿作物接触、卫生以及作物和收集区分离的要求应被视为未来测试的设计考虑因素，而非本综述确立的发现。同样，缺乏包装特定检索词并不能保证作物到包装系统不存在的结论。更恰当的结论应更为狭窄，即在检索策略层面未识别到直接相关的包装证据。未来工作应将包装、打包、采后处理、释放、呈现、卫生、质量和恢复作为明确的检索词加入。
4.3 局限性
初始文献识别过程旨在绘制相关技术发展。因此，在数据库中索引或使用检索范围之外术语的出版物可能未被捕获。综述过程由1名评审人员进行，未进行独立重复筛选。尽管它们不能替代独立重复评审，但记录的资格标准、检索档案、去重程序和明确的全文排除原因提供了透明的审计轨迹。现有证据大多涉及感知、末端执行器设计、运动控制和栽培物流等单个功能，而非完整的自主收获工作流程。组件在受控条件下的强性能并不转化为与作物检测、接近规划、脱离、转移和持续运行作为整体的可靠集成。文献在作物差异、栽培系统、成功定义和实验深度方面存在异质性。成功可能与检测、切割、抓取、作物转移、姿态控制、运动或任务完成相关。只有少数研究同时处理多个标准，如作物损伤、循环时间、鲁棒性、清洁度和长期可靠性。因此，本综述不提供系统的定量排名或技术成熟度的荟萃分析估计。在纳入研究中未识别到DWC和水产养殖系统中端到端收获的直接证据。包装未被作为专门检索领域处理。因此，关于DWC、水产养殖和作物到包装集成的讨论应被解读为研究需求和考虑因素的识别，而非此类系统不存在的确定性证据。本综述未进行正式的质量评价或偏倚风险评估。因此，本综述不应被解释为提供研究质量、技术成熟度或运行可靠性的排名估计。
5. 结论
本系统综述目前包含19项研究中关于感知、末端执行器、运动和系统集成的证据。组件级抓取和受控操作是末端执行器最有力的证据，而运动的最佳直接证据表明笛卡尔操作器、关节臂、输送机和运输可以提供可接受的可达性、控制和物流。然而，这些成就不可互换，不应合并为一个性能评级。主要发现是该领域正从技术合格的组件向自动化生产过程演变。然而，它尚未证明具备能力和可靠性的收获系统。对于DWC和水产养殖应用，文献最好用作设计指南而非完整系统的确认。未来研究将在实际应用中验证感知、运动和作物操作之间的接口。
