《Artificial Intelligence in Agriculture》：AI-driven precision chemical thinning system and evaluation method for variable-rate application in apple orchards
编辑推荐：
幼果疏除对于果实负载管理至关重要，因为单株树体的果实数量直接影响最终产量、果实大小和品质。传统疏果方法通常采用均匀施药，未考虑单株树体间幼果分布差异，这不仅降低了疏果效果，还会造成不必要的化学药剂使用。为解决这一局限，研究人员基于人工智能驱动的深度学习模型生成
幼果疏除对于果实负载管理至关重要，因为单株树体的果实数量直接影响最终产量、果实大小和品质。传统疏果方法通常采用均匀施药，未考虑单株树体间幼果分布差异，这不仅降低了疏果效果，还会造成不必要的化学药剂使用。为解决这一局限，研究人员基于人工智能驱动的深度学习模型生成的单株幼果计数结果，构建了基于网格的处方图与可变施药方法；随后依据幼果密度与疏果剂剂量之间预先确定的关系生成喷施任务图。该任务图进一步部署于所开发的精准可变施量化学疏果系统中。该系统为一套采用全球导航卫星系统（GNSS）跟踪的喷雾设备，集成云端数据交互与脉宽调制（PWM）可变施量控制功能，可按需调节喷头流量。研究人员设计了一套评价框架，用于评估该喷雾系统在基于网格的目标喷施控制精度、可变施量喷施控制精度以及‘Fuji’和‘Honeycrisp’苹果园中的疏果效果。测试结果表明，网格尺寸与PWM占空比均会影响该精准可变施量疏果系统的性能。在0.92、1.84和2.76 m网格尺寸下，网格起始边界处的平均位置误差分别为22.1、17.1和16.1 cm，而终止边界处的误差分别为25.0、17.3和14.1 cm。相应的可变施量喷施控制精度分别为78.58%、90.34%和95.39%。与常规疏果相比，精准可变施量疏果在幼果减少效果和果实大小方面表现相近，但在‘Fuji’和‘Honeycrisp’苹果园中分别减少了36.46%和49.42%的化学药剂使用量。这些结果为建立基于处方图的可变施用技术评价标准提供了参考，并促进精准可变施量技术在果实负载管理中的应用。
该研究发表于《Artificial Intelligence in Agriculture》，围绕苹果园化学疏果中“感知—决策—执行”链条脱节的问题，构建了一套人工智能驱动的精准可变施量化学疏果系统及其评价方法。果实负载管理是苹果优质高产的核心环节，休眠期修剪、开花期疏花和幼果期疏果共同决定最终产量、果径与商品性。现有化学疏果虽然具有成本低、作业快、适期处理方便等优势，但普遍采用整园均匀喷施，忽视了单株树体间花果量及冠层空间分布的显著异质性，因此容易造成疏果不足或过度疏果，并带来额外药剂浪费及潜在环境风险。随着机器视觉、深度学习、实时定位和自动控制技术的发展，果园精准管理具备了从“整园平均处理”转向“单株定量调控”的条件，但既有研究多集中于花或幼果识别本身，对于识别结果如何进一步生成处方图、如何借助云端完成数据交互、以及如何通过喷雾装备实现精准执行，仍缺乏系统集成与田间评价。基于这一现实需求，研究人员开发了融合机器视觉幼果感知、云端处方图生成、GNSS（全球导航卫星系统）定位和PWM（脉宽调制）喷头控制的精准可变施量疏果系统，并构建针对处方图驱动型喷施技术的性能评价框架。
在技术方法上，研究主要包括以下几个关键环节。首先，利用Vivid X Vision System对果园单株树体进行扫描，结合多光谱成像、嵌入式处理器和AI驱动图像处理模型，实时检测并统计单株幼果数量，同时通过GNSS为树体赋予空间坐标。其次，在美国宾夕法尼亚州Biglerville的‘Fuji’苹果园和Aspers的‘Honeycrisp’苹果园中，研究人员预先获取树干RTK坐标，并结合株距、行距与行中心线信息，构建单株尺度的网格化喷施任务图。再次，根据幼果数量与疏果剂用量之间的对应关系，将喷量划分为0、30%、60%、80%和100%五个等级，并通过PWM喷头占空比调节实现处方执行。最后，设计网格目标喷施控制精度试验、可变施量喷施控制精度试验以及田间疏果对比试验，对系统控制性能和作业效果进行统计分析。样本来源为两个商业化栽培的高纺锤形（tall spindle）苹果园区块。
研究结果部分按论文原有小标题可概括如下。
3.1. Grid–based target spray control accuracy
这一部分主要评估喷雾系统在网格边界处的启停定位精度。研究人员在‘Fuji’果园设置不同长度的测试区域，并利用水敏纸记录喷头开启与关闭相对目标边界的位置偏差。结果表明，在各网格起始位置，PWM控制喷头总体表现为提前开启；在终止边界则表现为延迟关闭，位置误差大多集中在10–30 cm范围内。在0.92、1.84和2.76 m网格尺度下，起始边界平均误差分别为22.1、17.1和16.1 cm，终止边界平均误差分别为25.0、17.3和14.1 cm。方差分析显示，网格尺寸对起始和终止位置误差均有显著影响，而PWM占空比主要显著影响起始位置误差，二者交互作用不显著。该结果说明，较大网格能够改善GNSS位置匹配与喷头流量响应稳定性，从而提高目标喷施控制精度。
3.2. Variable-rate spray control accuracy
这一部分关注处方喷量与实际喷量的一致性。研究人员通过喷雾标定装置收集不同喷头在不同网格和占空比条件下的实际喷液体积，并与任务图设定值比较。结果显示，网格尺寸和PWM占空比均会影响可变施量控制误差，且二者交互作用显著。在0.92、1.84、2.76和3.68 m网格下，平均喷量控制误差分别为21.42%、9.66%、4.61%和3.73%。当网格为0.92 m且占空比为40%时，误差最高，达到43.67%，说明在小网格与低占空比条件下，喷头尚未达到目标流量便已进入下一网格，导致控制偏差显著增大。综合边界定位与喷量调节结果，当网格增大至2.76 m时，系统误差明显降低，可变施量喷施平均控制精度达到95.39%。这表明处方图驱动的可变施量作业并非仅依赖识别精度，执行环节中的定位刷新频率、PWM响应特性和网格划分策略同样决定最终作业质量。
3.3. Precision variable-rate thinning
这一部分从田间应用层面验证系统的疏果效果及投入节约能力。
3.3.1. ‘Fuji’ fruitlet thinning
研究人员利用Vivid X Vision System分别在疏果前后统计单株幼果数量。结果显示，精准可变施量处理和常规处理均显著降低了单株幼果数量，平均值分别由332和319降至83和96。精准处理的幼果去除程度略高于常规处理，且疏果后单株间幼果分布范围更窄，说明其在单株层面具有更好的均匀化效果。收获期对40株样树的分析表明，两处理在单株果数、单株总产量和单果质量方面无显著差异；精准处理的平均单果质量略高，离散性更小，表明该方法在维持产量与果径的同时优化了果实分布。
3.3.2. ‘Honeycrisp’ fruitlet thinning
在‘Honeycrisp’果园中，疏果前两处理的单株幼果量存在一定区间波动，疏果后均下降至约50–70个/株，显示两种方法在总体疏果强度上相近。对32株样树的分析表明，精准处理与常规处理在单株平均果数、单株产量和单果质量方面均无显著差异，平均单果质量分别为235.8 g和234.8 g，均处于商业偏好的果径范围内。然而，从不同试验区的分布看，精准处理在各区间的果数、产量和单果质量波动较小，而常规处理区间差异较明显，提示其可能同时存在局部过疏和疏果不足。进一步的分级结果显示，两种处理获得的果实尺寸分布趋势相似，主要集中于64–88 carton count范围，符合‘Honeycrisp’鲜食市场偏好的商品等级。不同分区单果质量分析也显示，精准处理更有利于保持果实大小均一，而常规处理产生更多300–500 g的大果，可能与局部过疏后剩余果实补偿性增大有关。
3.3.3. Chemical thinning agent usage
这一部分比较两种处理的疏果剂消耗量。结果表明，在‘Fuji’和‘Honeycrisp’果园中，精准可变施量疏果在总体疏果效果、最终产量和平均果径上与常规处理相当，但化学疏果剂使用量分别降低36.46%和49.42%。这一结果直接证明，基于单株幼果数量的处方图能够实现按需施药，在不牺牲疏果效果的前提下显著减少投入品使用。
讨论部分围绕系统意义、局限性和后续优化方向展开。研究人员指出，苹果园在冠层结构、叶面积、花果分布等方面具有明显空间异质性，因此施药、施肥和疏果等管理措施应逐步向单株定制化过渡。本研究提出的处方图生成与云端交互框架，不仅适用于化学疏果，也具备扩展至精准疏花、精准喷药和变量施肥的潜力。与此同时，研究还提出了一种较系统的处方图驱动喷施技术评价体系，包括目标边界控制精度、喷量控制精度和作业效果三个层面，为今后建立相关标准提供了参考。论文也明确指出了当前局限：Vivid X Vision System在‘Fuji’与‘Honeycrisp’中均存在一定低估计数误差，这可能导致部分树体处方等级偏低，进而出现疏果不足；相反，若高估则可能导致过度疏果。此外，网格尺寸选择受冠层重叠、GNSS刷新频率与PWM喷头响应速度共同影响，小网格条件下系统误差更明显。未来还需优化视觉检测准确率、细化疏果剂剂量—幼果数关系、改进GNSS与喷头动态响应，并推动感知、处方生成与变量喷施的实时联动。
研究结论部分可译为：本研究开发了一套人工智能驱动、基于机器视觉的精准可变施量疏果系统，该系统集成了基于机器视觉的幼果感知、云端数据交互和基于PWM的可变施量控制。研究提出了基于单株幼果计数的网格化处方图生成方法，并建立了幼果密度与疏果剂用量之间的定量关系，以实现可变施量疏果。该处方图被部署到精准可变施量喷雾系统中，系统利用GNSS对喷雾机实时位置进行跟踪，并根据喷头与网格的对位关系动态调节PWM电磁阀占空比。研究同时构建了用于评估网格目标喷施控制精度、可变施量喷施控制精度及化学疏果效果的评价框架。‘Fuji’苹果园田间试验表明，网格尺寸和PWM占空比的变化会影响网格目标喷施控制精度及喷量控制精度。在0.92、1.84和2.76 m网格尺度下，网格起始边界平均位置误差分别为22.1、17.1和16.1 cm，终止边界平均位置误差分别为25.0、17.3和14.1 cm；对应的平均可变施量喷施控制精度分别为78.58%、90.34%和95.39%。化学疏果试验表明，与常规疏果相比，精准可变施量疏果在幼果减少程度、最终产量和平均果实大小方面表现相近，但在‘Fuji’和‘Honeycrisp’试验中分别减少了36.46%和49.42%的疏果剂使用量。结果说明，该精准可变施量疏果系统改善了疏果效果与化学投入效率之间的平衡，可为基于处方图和基于网格传感驱动的可变施用技术提供参考。然而，视觉系统的检测精度以及疏果剂剂量与幼果数量之间的关系仍需进一步优化；此外，当前系统仍受网格分辨率和GNSS定位精度限制，其在不同类型果园中的适用性仍需进一步验证。
