基于多指标评分的田间土壤传感机器人最优传感器插入点决策方法

《Artificial Intelligence in Agriculture》：A multi-indicator scoring-based method for optimal sensor insertion point decision of field soil sensing robot

　　

田间土壤作为农业生产的基本载体和关键要素，其电导率（EC）、含水率和pH值等土壤理化信息是反映土壤质量的核心依据。传统实验室分析方法精度较高但流程复杂、分析周期长且依赖实验室操作，难以满足大规模现代农业生产的快速实时获取需求。卫星遥感和无人机（UAV）遥感虽然覆盖范围广，但数据处理复杂且受云层、天气和复杂地形影响较大。近地传感器虽具备实时性强和多参数感知优势，但现有土壤信息传感系统主要依赖预设GNSS坐标或网格路径规划，未有效融入作业过程中的局部环境感知。当采样点与石块、根茬或密集植被区域重合时，传感器极易损坏或产生不具代表性的测量结果，限制了系统在复杂田间环境中的可靠性和适应性。现有深度学习研究多聚焦于单一类别目标感知，对石块、作物残茬、绿色植被和压实土壤等多类干扰物同时存在的复杂土壤表面综合感知研究不足。基于此，本研究针对田间土壤传感机器人传感器的最优插入点决策问题展开研究，主要贡献包括：（1）设计并构建了田间土壤信息检测机器人平台，集成自主移动、土壤表面多源感知和高精度传感器控制等功能；（2）提出了基于GE-PIDNet的田间土壤表面干扰物分割模型，通过轻量化模块替换和注意力模块集成对原始PIDNet模型进行改进，实现对石块、作物残茬和绿色植被等干扰物的高精度快速识别；（3）提出了基于多指标评分的最优传感器插入点决策方法，引入基于图像纹理分析的田间土壤粗粒度分类模型，结合干扰特征信息实现最优插入点决策。田间试验验证了该技术从感知到决策再到执行的有效性，为复杂环境下自主土壤信息检测提供了研究思路。

研究背景方面，农田土壤是农业生产的基本载体，其电导率（EC）、含水率和pH值等理化信息是精准施肥、灌溉和田间管理决策的核心依据。传统实验室分析方法流程复杂、分析周期长且依赖实验室操作，难以满足大规模现代农业的快速实时需求。卫星遥感和无人机（UAV）遥感虽覆盖范围广，但数据处理复杂且受云层、天气和地形影响较大。近地传感器虽具备实时性强和多参数感知优势，但现有土壤信息传感系统主要依赖预设GNSS坐标或网格路径规划，未有效融入作业过程中的局部环境感知，当采样点与石块、根茬或密集植被重合时传感器极易损坏或产生不具代表性的测量结果。现有深度学习研究多聚焦单一类别目标感知，对多类干扰物同时存在的复杂土壤表面综合感知研究不足。为此，研究人员开展了田间土壤传感机器人最优传感器插入点决策方法研究，构建了GE-PIDNet语义分割模型实现石块、作物残茬和绿色植被等表面干扰物的精准识别，结合基于图像纹理分析的土壤粗粒度分类方法和多指标评分机制，实现了复杂田间环境下传感器最优插入点的智能决策与精准插入。田间试验表明该方法在旋耕田、苗期油菜田和苗期小麦田等典型场景中平均决策准确率达95.78%，验证了从感知到决策再到执行的全技术链有效性，为土壤信息传感机器人和自动土壤采样机器人等智能农业装备研发提供了新技术思路。论文发表在《Artificial Intelligence in Agriculture》。

关键技术方法方面，研究人员设计并开发了田间土壤信息检测机器人平台，集成自主移动平台与三轴决策控制系统，采用RealSense D455深度相机进行土壤表面信息感知；构建了基于改进PIDNet的GE-PIDNet语义分割模型，通过Ghost模块替换标准卷积实现轻量化并集成高效多尺度注意力（EMA）模块增强特征关注能力；提出了基于图像纹理分析的土壤粗粒度分类方法，提取颜色一阶矩、二阶矩、三阶矩及局部二值模式（LBP）纹理特征进行线性加权评分；建立了基于多指标评分的最优插入点决策模型，融合硬物指标、绿色植被指标和土壤粗粒度指标进行归一化加权评分。数据采集于中国湖北省襄阳市襄州区无人实验示范农场（约58.11 ha）和华中农业大学实验区（约5.53 ha），采集时间为2025年7月至2026年1月，覆盖旋耕田、苗期油菜田和苗期小麦田三种典型田间状态。

研究结果方面，第一，田间土壤表面干扰物检测模型结果分析。通过消融实验对比改进前后的PIDNet模型，GE-PIDNet模型平均像素精度（mPA）达93.35%、平均交并比（mIoU）达87.18%、检测速度（FPS）为66.25帧/秒、模型大小为21.87 MB，相比原始PIDNet的mPA提升10.96个百分点、mIoU提升11.48个百分点、FPS提升6.87、模型大小减小8.51 MB。与BiSeNetV2、DeepLabV3+、UNet和SegFormer等主流分割模型对比，GE-PIDNet在mPA、mIoU和检测速度等多项关键指标上均表现最优。通过Grad-CAM特征热力图可视化分析，GE-PIDNet在复杂背景干扰下仍能对绿色植被实现更准确的空间注意力，但模型在处理颜色和纹理特征相似的干扰物时判别一致性仍有不足。第二，田间土壤粗粒度分类模型结果分析。通过GE-PIDNet去除干扰区域后，基于颜色特征和LBP纹理特征对剩余区域进行网格化粗粒度分类，模型在不同干扰覆盖条件下均能实现较准确的粗粒度识别，对细碎均匀土壤赋予较高评分、对粗大或不均匀土壤赋予较低评分，与土壤结构的物理特性一致。第三，最优传感器插入点决策结果分析。在包含400幅图像的数据集上，旋耕田决策准确率为97.14%、油菜田为96.15%、小麦田为95.38%，平均准确率为96.25%。权重优化实验表明，当权重组合为（αh=0.40，αg=0.35，αs=0.25）时决策准确率最高，在独立田间测试集No.7至No.9上平均准确率为95.78%，各权重组合下决策准确率范围为89.94%至96.25%（数据集No.3）和86.56%至95.78%（田间测试集No.7至No.9），表明三种指标在不同权重配置下均保持较高决策性能。第四，田间测试结果分析。在旋耕田、苗期油菜田和苗期小麦田三种典型田间场景中，系统稳定完成硬物检测、绿色植被检测、土壤粗粒度检测和多指标评分决策等关键任务，测试集No.7准确率为96.67%、No.8为95.67%、No.9为95%，平均准确率为95.78%。第五，不同图像干扰条件下的鲁棒性分析。亮度变化在γ=0.67至1.5范围内模型保持95%至96.25%的高准确率，但γ低于0.4或高于1.5时准确率显著下降至最低63.25%；高斯噪声强度σ=0时准确率为96.25%，σ增至16时仍保持在91%以上，超过16后性能显著退化；图像模糊程度对性能影响相对平缓，5×5核下准确率保持88.75%，25×25核下为81.75%。第六，土壤传感器测量结果验证与分析。基于土壤机器人平台在三种典型场景共30个采样点进行对比实验，以人工选择为参考基准，所提方法的含水率、EC、pH和氧化还原电位的决定系数（R2）分别为0.968、0.960、0.954和0.977，均高于固定位置选择的0.933、0.856、0.783和0.879；均方根误差（RMSE）分别为0.821%、13.355 μS/cm、0.025和6.195 mV，均低于固定位置选择。与实验室参考值对比，所提方法的R2与人工选择差异不超过0.008，验证了所选区域不仅接近专家决策水平且测量结果优于固定位置选择。

讨论部分，本研究构建了GE-PIDNet语义分割模型实现石块、作物残茬和绿色植被等表面干扰物的精准识别，结合基于图像纹理分析的土壤粗粒度分类方法和多指标评分机制，实现了复杂田间环境下传感器最优插入点的智能决策与精准插入，田间试验验证了从感知到决策再到执行的全技术链有效性，可扩展至土壤表面暴露度高、作物处于苗期的类似农田场景。研究所测土壤参数与典型精准农业决策具有明确对应关系：含水率反映土壤蓄水状况可用于灌溉调度和干旱预警，土壤温度反映土壤热状况可用于预测作物物候和微生物活性强度，土壤EC反映可溶性盐含量可用于盐渍化监测和精准施肥规划，土壤pH反映土壤酸碱度可用于石灰施用和土壤改良决策，土壤氧化还原电位反映土壤通气性和氧化还原状况可用于稻田排水管理和厌氧条件评估。然而，该方法仍存在以下局限性：（1）仅关注可见表面干扰物，地下障碍物（如埋藏石块、硬磐层、地下根系和压实土层）也可能损坏传感器，未来可集成探地雷达、超声波传感器或力反馈监测等技术感知地下土壤结构；（2）连续多点测量过程中土壤可能附着于传感器表面引入微小误差，未来可安装自适应土壤清洁机制；（3）多指标评分系统采用固定权重参数，未来可引入自适应权重调整机制。未来工作将聚焦于地下障碍物感知、土壤残留清洁和自适应权重调整等方向。

研究结论部分翻译如下：本研究针对当前土壤检测机器人在复杂田间环境（如硬物、绿色植被等干扰物）中传感器缺乏有效感知和规避能力、直接测量方法易导致传感器损坏、测量失败和土壤样本代表性不足等问题，提出了一种田间土壤信息检测机器人最优传感器插入点决策方法。主要结论如下：（1）设计并开发了田间土壤信息检测机器人平台，集成自主移动、土壤表面多源感知和高精度传感器控制等功能。（2）构建了基于GE-PIDNet的田间土壤表面干扰物分割模型，通过轻量化模块替换和注意力模块集成对原始PIDNet模型进行改进，实现了石块、作物残茬和绿色植被等干扰物的高精度快速识别。测试表明GE-PIDNet平均像素精度（mPA）为93.35%、平均交并比（mIoU）为87.18%、检测速度（FPS）为66.25、模型大小为21.87 MB，相比原始PIDNet的mPA提升10.96个百分点、mIoU提升11.48个百分点、FPS提升6.87、模型大小减小8.51 MB。（3）提出了基于多指标评分的最优传感器插入点决策方法，引入基于图像纹理分析的田间土壤粗粒度分类模型，结合干扰特征信息实现最优插入点决策。田间试验表明算法平均准确率达95.78%，验证了从感知到决策再到执行的技术有效性，为复杂环境下自主土壤信息检测提供了研究框架。