《Smart Agricultural Technology》：High-throughput phenotyping platform for facility crops based on optical sensing technology: A Review
编辑推荐：
高通量获取作物表型信息是实现智能设施农业和精准育种的关键技术之一。传统的表型数据采集方法效率低下且主观性强，难以实现多尺度连续监测，无法满足现代研究和生产的需求。本文系统综述了由光学传感技术驱动的设施作物表型平台的技术框架和发展轨迹。首先，从光学传感技术出发，
高通量获取作物表型信息是实现智能设施农业和精准育种的关键技术之一。传统的表型数据采集方法效率低下且主观性强，难以实现多尺度连续监测，无法满足现代研究和生产的需求。本文系统综述了由光学传感技术驱动的设施作物表型平台的技术框架和发展轨迹。首先，从光学传感技术出发，通过比较分析突出了RGB、多光谱/高光谱（multi-/hyperspectral）、热红外（thermal infrared）和LiDAR传感器在表型感知方面的优势和局限性。其次，总结了固定式、轨道式、移动机器人和无人机（UAV）平台架构的特点及适用场景。此外，研究了表型数据处理方法的演变，重点关注从传统特征工程到深度学习驱动方法的转变。最后，讨论了多模态数据融合、系统成本和实时性等关键挑战，以及表型平台向智能闭环决策系统发展的未来方向。本文系统综述了光学传感技术驱动的设施农业表型平台，同时也纳入了田间表型研究中具有代表性的进展。这些进展提供了可迁移的传感技术、方法论框架和平台设计理念，有助于促进可控环境农业表型平台的发展。
1. 引言
1.1. 研究背景
现代农业正经历从“经验驱动”向“数据驱动”的智能化转型。设施农业作为现代农业的核心模式之一，通过构建高度可控的环境实现周年高效生产。与露地农业相比，设施环境的可控性和标准化为农业技术实施提供了理想试验场，也为作物表型研究创造了独特优势。在传统设施农业向智慧农业过渡过程中，作物表型研究至关重要。表型（Phenotype）指作物在特定环境条件下的可观测特征，涵盖形态结构、生理生化性状和胁迫响应等多维信息。表型分析是实现精准育种和智能管理的核心步骤。然而，传统表型获取方法如人工观察或简单仪器测量存在采集效率低、主观性强等缺陷，难以满足现代科研对高精度、高通量、多维度和实时性表型数据的需求。在此背景下，表型平台应运而生，通过集成多种先进传感器技术、自动化平台、智能控制和数据处理算法，实现设施环境下表型信息的无损高效采集。设施表型平台的出现使得从群体水平到个体水平，再到器官乃至微观状态的多尺度表型性状获取与分析成为可能。同时，通过整合RGB、多光谱/高光谱（multi-/hyperspectral）、热红外（thermal infrared）、荧光（fluorescence）和LiDAR等多源传感器，这些平台实现了植物形态、结构和生理生化性状等多维信息的同步获取。
1.2. 研究进展与趋势
对Web of Science核心合集（2005–2024年）中以“植物表型平台”为主题的出版物进行检索，结果显示美国、中国和欧洲国家在该领域占据主导地位。相关研究自2005年以来持续增长，表明该领域正处于快速发展阶段。从学科分布看，遗传学（73%）和植物科学（73%）占主导，而农学（61%）紧随其后，这表明表型平台正从基础研究向应用转化。
2. 光学传感器：多维表型感知的核心
传感器技术近年来发展迅速。光学传感器因其在植物表型检测领域的独特优势，已成为设施表型平台的首选传感手段。首先，光学传感器能够获取多维数据，同时捕捉植物的形态结构、生理生化特性等表型性状。其次，光学传感器具有非接触、无损伤的优势，这是表型研究中不可替代的优点。此外，光学传感器的应用极大提高了表型数据收集的效率。最后，光学传感器可实现多尺度覆盖以适应不同检测场景，从器官结构到单株再到作物群体的多尺度表型检测需求均可满足。不同光学传感技术为作物形态、生理生化及胁迫相关性状的表征提供互补信息。RGB、多光谱（multispectral）、高光谱（hyperspectral）、热红外（thermal infrared）、叶绿素荧光（chlorophyll fluorescence）和LiDAR传感技术在作物表型分析中的主要应用被系统比较。
3. 平台架构：从固定到智能移动
单个传感器通常只能提供“点”信息，为将“点”信息融合成“面”甚至“体”的多维信息，需要各种表型平台。常见的设施环境表型平台主要分为固定式、轨道式、移动机器人和无人机（UAV）平台。
3.1. 固定平台
固定平台采用“植物到传感器”（Plant-to-Sensor）模式，通常体积较大，适用于广泛的植物种类。主流固定表型平台主要使用传送带将盆栽作物运输至集成了传感器的成像室进行扫描，从而实现自动化表型测量。其优势在于无需手动更换实验样本，提高采集效率，同时可精确控制传感器扫描区域的光照强度等环境因素，减少测量误差并提供出色的重复性。然而，固定表型平台存在系统体积大、建设成本高等缺点，且茎秆脆弱的植物可能受传送带振动影响导致表型数据不准确，无法实现真正的原位检测。
3.2. 轨道式平台
轨道式表型平台采用“传感器到植物”（Sensor-to-Plant）模式，植物保持静止，传感器单元安装在温室上方的多轴移动轨道上，避免了运输对植物的物理干扰，实现真正的原位采集。这类平台具有良好的稳定性和高效的数据采集能力，在作物育种和生长调控等研究领域具有显著优势。然而，其工作区域相对固定，在不同温室间进行跨区域检测时需要重新安装表型平台和成像设备，这显著增加了建设成本。
3.3. 移动机器人
与轨道式表型系统相比，移动机器人可根据预设或自主规划的路径在多跨温室间导航。此外，为解决其他表型平台因冠层叶片遮挡而无法获取完整植物表型数据的问题，移动机器人可配备机械臂等装置灵活调整相机定位和朝向以获得最佳视角。现有移动机器人按驱动机构可分为轮式、履带式和轮腿式三类。轮式移动机器人结构简单、运动效率高、控制方法成熟、能耗低，适合地面平坦、通道布局规则的设施农业环境。履带式机器人接地面积大、越障能力强，对松软、湿滑和轻微不平整地形适应性更好。轮腿式混合机器人能根据地况调整轮腿机构姿态，但结构复杂、控制难度大、成本高。
3.4. 无人机（UAV）
无人机平台因其高机动性和小尺寸，可灵活穿梭于狭窄空间并进行俯视或侧视成像，实现作物三维结构和冠层生理信息的高效无损获取。早期无人机主要用于室外精准农业研究。随着无人机技术快速发展，其在温室中的应用逐渐增多。目前无人机在温室中的应用仍主要受限于温室环境的特殊性，包括GPS信号不稳定以及环境结构带来的限制。随着关键技术瓶颈的逐步突破，无人机有望在未来成为温室表型信息高通量、精准化、自动化获取的核心平台。
3.5. 总结
在实际生产应用中，选择不同的表型平台需综合考虑核心需求、目标作物特性、设施环境条件和成本等多重因素。不同类型平台的基本特征、性能和应用建议被进行比较分析。
4. 表型数据处理与分析
设施作物表型平台的核心价值在于将多源传感器获取的海量原始数据转化为可解释的表型信息并用于指导实际生产。从技术演进角度看，表型数据处理方法正逐渐从“人工特征驱动”转向“数据驱动建模”。
4.1. 传统图像处理与机器学习
传统表型分析方法主要依赖人工设计的特征来提取相关信息，通过图像处理和统计学习模型实现表型信息的解译。常用机器学习算法包括支持向量机（SVM）、随机森林（RF）、决策树（DT）和K-means聚类等。这些方法在早期表型分析中得到广泛应用，但严重依赖人工特征设计，性能受限于特征表示能力和场景适应性。
4.2. 深度学习
随着计算机视觉和人工智能技术的发展，深度学习逐渐成为表型数据处理的主流方法。卷积神经网络（CNN）和Transformer架构的引入从根本上改变了表型分析的格局。其优势在于端到端的特征学习能力，可从非结构化数据中自动提取高层抽象特征。在三维表型分析中，PointNet和PointNet++等模型可直接对点云数据进行分类和分割，实现植物结构参数提取和生物量估算。尽管深度学习在作物表型分析中展现出强大优势，但其计算开销和存储需求巨大，而现场检测常依赖便携终端等边缘硬件，难以直接运行复杂深度学习模型。
4.3. 轻量化模型与边缘计算
在此背景下，近年来的研究重点正转向“轻量化”和“边缘部署”，通过优化模型和适配硬件来克服深度学习在实际场景中的瓶颈。目前市场上常见的边缘AI设备包括NVIDIA Jetson系列、Intel Movidius系列、Google Coral系列和华为Atlas系列。轻量化模型和边缘计算的发展将进一步突破植物表型分析的瓶颈，满足表型监测的实时性要求，推动其向大规模、精准化应用迭代升级。
5. 表型平台在设施农业中的应用
随着光学传感技术、自动化表型平台和各种智能算法的深度融合，设施作物表型平台正逐步从简单的数据采集工具演变为支撑智能决策的重要基础设施。高精度表型平台的应用显著提升了优良性状筛选的效率，实现了多维数据的连续获取，为表型与基因型的关联分析提供了重要数据基础。在病虫害及胁迫响应监测方面，表型平台也展现出显著优势。此外，在产量预测与品质评估中，通过综合分析植物形态特征和生理参数，可建立表型性状与产量之间的定量关系，实现作物产量的无损预测。
6. 研究展望
尽管基于光学传感技术的设施作物表型平台在软硬件开发和系统集成方面取得了显著进展，但在复杂应用场景下实现大规模应用前仍面临诸多挑战。首先，多源异构数据的融合与解译是表型平台发展的一大挑战。其次，成本与规模化应用的矛盾也制约着该技术的广泛推广。此外，计算效率与实时性要求构成另一压力。未来，设施表型平台将朝着智能化、集成化和低成本方向发展，人工智能的深度融入将贯穿平台从自主感知、智能分析到自主决策的全流程，实现整个设施环境的闭环调控。
7. 结论
基于光学传感技术的设施作物表型平台是连接作物信息与智能决策的重要桥梁。本文从传感模块、平台分类、数据分析和技术应用四个方面系统梳理了光学传感器驱动的设施表型平台的发展脉络。光学传感技术以其多维性、非接触、高效率、低成本等核心优势，已成为精确表征作物复杂表型性状的理想工具。通过将RGB、多光谱/高光谱和LiDAR等光学传感器与各类移动平台相结合，构建了多层次的平台架构，实现了设施环境中作物表型信息的原位、连续、动态监测。随着深度学习等人工智能技术的深度融合，传统图像处理和机器学习在表型数据处理和分析中的局限性正得到进一步解决。随着光学传感技术、机器人技术、人工智能和大数据分析的不断突破与深度融合，设施作物表型平台将成为现代农业科技创新体系的核心基础设施。
