精准农业中作物3D建模技术综述：方法、应用与未来方向

《Precision Agriculture》：3D modeling for crop applications in precision agriculture: a review

　　

背景：数据采集和信息处理技术的进步增强了精准农业（Precision Agriculture, PA）在提升农业生产力和可持续性方面的作用。在新兴技术中，作物3D建模可提供农业场景的详细表示，支持作物表型分析，并实现收获、施肥和修剪等自主作业。然而，尽管3D建模的硬件和软件发展迅速，但关于现有方法及其在PA中应用的综合综述仍然有限。目的：本综述旨在考察PA中广泛采用的3D建模方法，重点关注其方法学特征、实际应用、优势和局限性，以支持根据不同农业需求选择合适的解决方案。方法：研究人员通过Scopus文献检索，共审阅了截至2026年3月发表的168篇文献。分析考察了3D数据类型与传感技术、传感器平台与应用环境，以及数据处理方法，包括数据配准技术和信息提取方法。此外，还分析并归类了3D模型在农作物上的应用，将其分为三大类：作物表型、机械导航和田间作业。结论：本综述突显了LiDAR、RGB和RGB-D传感器在无人驾驶飞行器（Uncrewed Aerial Vehicles, UAVs）、无人驾驶地面车辆（Uncrewed Ground Vehicles, UGVs）和机器人平台上的广泛采用，以及基于人工智能（AI）的处理方法的日益使用。与传感器鲁棒性、多传感器互操作性和大型3D数据集相关的挑战仍然存在。未来研究应着重克服这些局限，以推动3D建模技术在实用农业作业中向可靠、大规模应用过渡。

引言（Introduction）：技术进步显著推动了农作物生产与管理的变革，精准农业（Precision Agriculture, PA）作为利用信息与通信技术观测、测量并响应田间变异的策略，正逐步提升作物的品质、产量和可持续性。3D数据相比2D数据包含深度信息，能够更完整地表达作物空间结构，在冠层体积计算、株高测量、产量估算和作物健康评估等方面具有显著价值，同时也为地面自主平台在田间导航和避障提供了关键信息。本综述基于Scopus数据库截至2026年3月的168篇文献，从数据获取、平台搭载、处理方法和应用场景等多个维度进行了系统梳理，并将相关应用归纳为作物表型、机械导航和田间作业三大类。

精准农业中的3D数据类型与传感器（3D Data Types and Different Sensors）：3D数据可表达几何（如点云和网格）、外观（如纹理和颜色）以及场景信息。直接获取3D数据的传感器包括：基于飞行时间（Time of Flight, ToF）原理的LiDAR，可按部署方式分为地面激光系统（Terrestrial Laser System, TLS）、移动激光系统（Mobile Laser System, MLS）和机载激光系统（Airborne Laser System, ALS）；RGB-D相机，其将红绿蓝（Red, Green, Blue, RGB）图像与深度数据相结合，具有较低计算需求，适合实时应用；立体相机系统，通过双视角视差计算深度，在强光照和户外环境中鲁棒性较好。此外，3D模型也可从二维图像重建，常用方法包括运动恢复结构（Structure-from-Motion, SfM）结合多视角立体（Multi-View Stereo, MVS）的摄影测量流程，以及基于人工智能的神经辐射场（Neural Radiance Fields, NeRF）和3D高斯泼溅（3D Gaussian Splatting, 3DGS）等新技术。采集2D图像的传感器以RGB相机和多光谱相机为主。近年来，多传感器数据融合已成为重要趋势，通过结合不同传感器的优势弥补单一传感器的局限，低成本传感器也因其经济性在3D数据生成中得到探索。

传感器平台与实际应用（Sensor Platforms and Practical Applications）：3D数据采集平台可划分为固定平台、龙门架（gantry portals）、手持平台、无人机（Uncrewed Aerial Vehicle, UAV）、无人地面车辆（Uncrewed Ground Vehicle, UGV）、有人驾驶地面车辆（Crewed Ground Vehicle, CGV）、机器人和机械臂八类。应用环境则涵盖开放田野、温室和实验室。开放田野场景侧重大规模监测，需处理大量复杂数据并应对环境噪声；温室环境具有较好的环境控制能力，地面平台多用于植株尺度的精细分析；实验室则通过严格条件控制支持新方法和新技术的开发与验证。不同平台和环境之间存在明显关联，UAV在开放田野中应用最为普遍，UGV和机器人平台也日益受到重视。

数据处理方法（Data Processing Methods）：数据处理包括数据配准和信息提取两个核心环节。配准技术可分为同源配准和跨源配准，具体方法包括：数据融合技术，通过时间同步和空间同步将多源传感器数据统一到共同参考系；基于优化的方法，如迭代最近点（Iterative Closest Point, ICP）；基于特征的方法，如快速点特征直方图（Fast Point Feature Histogram, FPFH）、方向直方图签名（Signature of Histograms of Orientations, SHOT）和3D尺度不变特征变换（3D SIFT）；以及端到端学习的配准方法，如PointNetLK和深度最近点（Deep Closest Point, DCP）。信息提取方面，无学习方法包括随机采样一致性（Random Sample Consensus, RANSAC）和霍夫变换，常被用于分割作物行、地平面和规则结构。基于人工智能的方法则包括机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）两类：ML方法包括DBSCAN、k-means等无监督聚类，以及支撑向量机（Support Vector Machine, SVM）、K近邻（K-Nearest Neighbors, KNN）和随机森林（Random Forest, RF）等监督分类器；DL方法则以PointNet为代表，并在器官级分割任务中表现出优于传统算法的性能。几何参数计算常采用网格化（如泊松重建和球旋转算法）、包围体（如轴对齐包围盒与有向包围盒）、体素化以及凸包/凹包等方法，以实现体积、表面积和结构参数的高效提取。

作物3D模型的应用（3D Models Applications for Agricultural Crops）：3D模型在农业中的应用主要分为三类。在作物表型方面，3D数据被用于估算冠层面积（Canopy Area, CA）、叶面积指数（Leaf Area Index, LAI）和冠层密度（Canopy Density, CD）等重要冠层参数，测算作物体积，提取枝干等建筑学结构性状，并用于果实的检测、尺寸估计和颜色评估；例如，基于3D重建进行冠层光分布预测时，其决定系数R²可达0.932。在机械导航方面，3D数据能够支持路径规划、基于同步定位与建图（Simultaneous Localization and Mapping, SLAM）的定位以及障碍物检测，提升农业机器人在复杂农田环境下的自主作业能力。在田间作业方面，3D感知系统被用于自主除草、精准施肥、自动化收获以及修剪等任务，例如通过枝干直径与角度的测量确定优化修剪点，或利用RGB-D和LiDAR数据实现果实定位与采摘。

讨论与未来方向（Discussion and Future Directions）：现有文献分析显示，LiDAR是3D数据采集中最常用的传感器，RGB和RGB-D传感器次之。按作物类型统计，果树和坚果类作物的研究占比最高（38.3%），其次为蔬菜（20.7%）和谷类作物（16.3%）。平台方面，UAV在开放田野中应用最广，地面机器人紧随其后。尽管当前研究已具有较强的应用导向，但多数系统仍处于研究原型阶段，距离商业化集成仍有明显差距。主要挑战包括：复杂开放环境下恶劣天气对传感器稳定性的影响，多传感器系统的互操作性和数据标准化问题，以及大型3D数据集带来的存储、传输、处理和能耗压力。未来研究应着重提升传感器在户外环境中的耐久性与可靠性，发展数据格式和接口的标准化方案，并探索边缘计算等高效数据处理架构，以促进3D建模技术向可靠的大规模实际应用过渡。

结论（Conclusions）：本综述系统梳理了精准农业中3D建模的关键组成要素，包括传感技术、搭载平台、应用环境、数据处理方法以及作物表型、机械导航和田间作业三大类应用。3D数据凭借其深度信息提供了相比2D方法更完整的作物场景表示，已在作物监测和自主作业中展现出明显优势。当前主要瓶颈集中在传感器鲁棒性、多源数据互操作性和大数据管理等方面，未来通过硬件优化、标准化体系建设和高效计算方法的发展，有望推动相关技术从研究原型走向商业化与规模化部署。