基于自主导航与多光谱成像的温室番茄幼苗SPAD、氮素及水分无损评估系统——四框绿色一致性约束、LiDAR伪障碍抑制与固定SG-SNV-DT-CARS-XGBoost建模流程

《Smart Agricultural Technology》：An Autonomous Mobile Multispectral Sensing System for Non-Destructive Assessment of Greenhouse Tomato Seedling Physiological Status

　　

研究人员开发了一种自主移动多光谱传感系统，用于温室番茄幼苗叶片基于LYS-4N参考的SPAD（土壤与植物分析仪读数，Soil and Plant Analyzer Development）、氮素和水分指标的无损评估。该系统将基于ROS（机器人操作系统，Robot Operating System）的自主导航、叶片级多光谱采集、任务化数据存储和生理指标预测整合为统一的工作流程。为减少移动采集过程中背景区域、叶片边缘和局部阴影的干扰，实施了一种基于四框绿色一致性（Four-Box Green Consistency）的工程化光谱采集质量控制策略。针对温室窄通道中平台自身结构引起的近距离LiDAR（激光雷达，Light Detection and Ranging）伪障碍问题，提出了一种基于最小有效测距阈值的伪障碍抑制方法，以改善建图质量和导航稳定性。建立了固定的SG-SNV-DT-CARS-XGBoost（Savitzky-Golay平滑—标准正态变量变换—去趋势—竞争性自适应重加权采样—极端梯度提升，Savitzky-Golay Smoothing – Standard Normal Variate – Detrending – Competitive Adaptive Reweighted Sampling – Extreme Gradient Boosting）建模流程，将27波段反射光谱压缩至12个选定波长，同步估计三种生理指标。在稳定光照条件下，XGBoost模型对SPAD、氮素和水分的预测集决定系数（R²_p）分别达到0.81、0.84和0.84，残差预测偏差（RPD，Residual Prediction Deviation）分别为2.37、2.54和2.54。田间验证中，平台预测值与手持式测量值之间的平均绝对差异分别约为0.55、0.21和0.84。结果表明，所提出的系统能够支持智能温室生产中快速的幼苗生理评估。

**论文解读：自主移动多光谱传感系统用于温室番茄幼苗生理状态无损评估**

**一、研究背景与问题提出**

番茄是全球保护地园艺和蔬菜生产中的重要作物，其果实富含维生素、矿物质、膳食纤维和植物化学物质。根据联合国粮食及农业组织（FAO，Food and Agriculture Organization of the United Nations）统计，2010至2024年间中国番茄年产量持续增长，达到约6165万吨，单位面积产量约56700 kg/ha。幼苗阶段是番茄生产链的关键环节，叶片生理状态能够在早期反映养分供应、光合能力和水分胁迫状况。其中，SPAD（土壤与植物分析仪读数）与叶片光吸收和光合潜力密切相关，氮素参与叶绿素、蛋白质和酶的形成，水分直接影响细胞膨压、气孔调节和物质运输。因此，开发一种面向温室幼苗场景的快速、无损、移动式检测方法对智能化育苗管理具有重要意义。

光谱成像技术为作物生理指标的无损检测提供了有效途径。多光谱和高光谱成像可捕获可见光、红边和近红外区域的反射特征，表征与叶绿素吸收、细胞结构散射和水分吸收相关的信息。近年来，相关研究在作物表型、营养诊断、胁迫识别和品质评价等方面取得了广泛进展。然而，现有研究大多仍依赖固定平台、手持采样或离线图像采集，对温室育苗通道中的移动式连续采集关注不足。此外，在温室自然光照条件下采集的叶片光谱常受叶片角度、表面纹理、局部阴影、背景干扰和光照变化的影响，原始反射光谱中可能包含随机噪声、散射差异和基线漂移。同时，番茄叶片指标与多波段反射率之间不存在简单的线性关系，波段冗余、变量共线性和性状特异性光谱响应等问题依然存在。更为关键的是，在番茄幼苗场景中，叶片较小、苗床排列密集，采集高度和叶片覆盖位置容易产生变异，若缺乏稳定的采样准则，移动采集过程中极易混入背景区域、叶片边缘或阴影信息，从而降低模型可靠性。因此，亟需一套将自主导航、叶片级多光谱采集、采样质量约束、光谱预处理、特征选择、回归预测和田间验证有机整合的系统方案，以满足智能温室幼苗监测的需求。

**二、关键技术与方法概述**

本研究构建了一套基于ROS的自主导航框架，采用二维LiDAR、里程计和差速驱动底盘实现建图、定位、路径规划和局部避障。针对平台支撑结构在LiDAR扫描平面内产生的自遮挡伪障碍，提出基于最小有效测距阈值（d_min ≈ 0.22 m）的近程回波过滤方法。光谱采集方面，实施了四框绿色一致性策略：在相机预览中心设置参考区域，四角布置四个固定子区域（R1–R4），以660 nm和840 nm波段计算NDVI（归一化植被指数，Normalized Difference Vegetation Index），采用双阈值迟滞判定（>0.28为绿色，<0.20为红色），仅当四框均判定为绿色时触发光谱保存。建模采用固定SG-SNV-DT-CARS-XGBoost流程：对白板校正后的27波段反射光谱依次进行Savitzky-Golay平滑（窗口5，多项式阶数2）、标准正态变量变换、线性去趋势和CARS（竞争性自适应重加权采样）特征波长选择（压缩至12波段），最终以XGBoost（极端梯度提升）回归模型预测LYS-4N参考的SPAD、氮素和水分。样本来源于青岛雷丰种苗有限公司温室（36.582846°N, 120.139964°E），覆盖晴天（100份）、多云（50份）和霾天（50份）三种天气条件，共计200份番茄幼苗叶片样本，按SPXY（基于联合x–y距离的样本集划分方法，Sample Set Partitioning based on joint x–y distances）法以8:2比例划分训练集与测试集。

**三、研究结果**

**3.1 自主导航与伪障碍抑制结果**

平台在实验场景中成功完成地图构建，整体轮廓清晰、外部边界连续、通道与苗床区域空间关系可辨。未经过近距离过滤时，地图中含有大量离散噪声点和局部异常占据区域，部分伪障碍随平台移动被持续记录，干扰可通行空间。引入基于最小有效测距阈值的伪障碍抑制后，随机散点和局部污染区域显著减少，通道边界与苗床轮廓更加清晰，可通行区域表征更加准确。导航性能测试中，平台导航成功率达95.5% ± 6.2%，平均点位误差为27.6 ± 3.0 mm，表明伪障碍抑制有效改善了导航稳定性。

**3.2 基于四框法的光谱采集质量与特征分析**

不同天气条件下获取的代表性叶片图像显示，叶片轮廓清晰、目标区域相对完整。四框法在样本保存过程中为叶片位置提供了较为稳定的空间约束，保持了不同样本间提取区域的一致性，减少了因叶片放置差异带来的随机效应。三种天气条件下SPAD、氮素和水分的箱线图分析表明，霾天组三项指标均值（51.405、18.935、75.783）普遍高于晴天组（47.239、17.541、70.193）和多云组（46.689、17.443、69.784），多云组整体偏低，晴天组居中。分条件建模结果显示，多云组和霾天组的预测性能低于晴天组，其中晴天组Rp2（预测集决定系数）分别为0.81、0.84和0.84。鉴于晴天组样本量最大且光谱响应相对稳定，后续建模均以该组作为受控条件数据集。

**3.3 预处理结果与分析**

在固定建模条件下，比较了原始光谱（RAW）、SG平滑（SG）、SG+SNV以及SG+SNV+DT四种输入形式。SG平滑减少了可见光和近红外区域的局部微小振荡，保持了整体光谱形态和红边位置；SNV进一步对各样本的强度尺度进行归一化，显著缩小了因叶片表面状况、厚度差异和散射效应引起的整体偏差；DT使光谱基线更平坦，低频趋势分量被抑制。随着预处理从RAW推进至SG+SNV+DT，三项指标的预测性能逐步提升：SPAD模型的Rp2从0.35增至0.81，RMSEP（预测集均方根误差）从4.15降至2.23，RPD从1.28升至2.37；氮素模型的Rp2从0.54增至0.84，RMSEP从1.11降至0.66，RPD达2.54；水分模型的Rp2从0.57增至0.84，RMSEP从4.32降至2.65，RPD达2.54。三项模型的RPD均超过2.0，达到筛选应用的良好水平。

**3.4 降维结果与分析**

在SG+SNV+DT固定预处理条件下，CARS将三项指标的输入维度从27波段压缩至12波段，降幅55.56%。敏感波长主要集中于可见光区域和红边至近红外区域。SPAD模型保留的波长为400、440、460、480、500、540、640、660、680、740、760和780 nm；氮素和水分模型保留的波长为400、440、460、480、500、540、560、660、680、740、760和780 nm。三者在400–540 nm和660–780 nm范围内一致性较高，仅在560 nm和640 nm处存在差异。与全波段FULL模型相比，CARS模型预测集性能显著提升：SPAD的Rp2从0.73升至0.81，RMSEP从2.66降至2.23；氮素的Rp2从0.75升至0.84，RMSEP从0.81降至0.66；水分的Rp2从0.75升至0.84，RMSEP从3.29降至2.65。三项指标RMSEP分别降低16.08%、18.73%和19.52%。

**3.5 回归模型比较与稳定性分析**

在相同条件下比较了PLSR（偏最小二乘回归）、SVR（支持向量回归）、RF（随机森林）和XGBoost四种模型。XGBoost在三项指标上均取得最高Rp2和RPD以及最低RMSEP。SPAD的Rp2、RMSEP和RPD分别为0.81、2.23和2.37，略优于RF（0.80、2.29和2.31）；氮素的Rp2为0.84，RMSEP为0.66，RPD为2.54，较RF的Rp2提高0.04、RMSEP降低10.23%；水分同样以XGBoost表现最优（Rp2=0.84，RMSEP=2.65，RPD=2.54）。PLSR主要捕获线性关系，难以充分表征多光谱特征与叶片生理性状间的复杂非线性映射；SVR虽可建模非线性关系，但在当前数据和参数设置下不及集成树模型。以苗床为分组的五折交叉验证中，SPAD、氮素和水分的平均R2分别为0.81±0.02、0.83±0.02和0.84±0.02，平均RMSE分别为2.23±0.14、0.66±0.06和2.65±0.24，平均RPD分别为2.38±0.13、2.52±0.13和2.53±0.13，表明模型在不同苗床间保持了稳定的预测性能。

**3.6 田间验证**

在青岛雷丰种苗有限公司温室对两个苗床进行现场验证，共执行五次任务。苗床1三次任务的四框法触发次数分别为15、17和14次，SPAD预测均值（47.33、46.83、45.54）、氮素预测均值（17.73、17.48、16.97）和水分预测均值（70.92、69.90、67.98）均围绕参考值（46.57、17.38、69.54）小幅波动。苗床2两次任务触发次数分别为15和13次，各指标预测均值更接近参考值（SPAD: 50.00和50.71 vs 50.62；氮素: 18.50和18.57 vs 18.64；水分: 73.99和74.55 vs 74.71）。五次任务中，SPAD、氮素和水分的预测值与参考值之间的平均绝对差异分别约为0.55、0.21和0.84，平均偏差分别约为-0.11、-0.03和-0.14，表明平台预测结果与人工测量参考值总体接近，无显著系统性高估或低估。

**四、总结与结论**

从机理角度而言，近距离LiDAR过滤在平台支撑结构产生的固定自反射被重复投影至占据栅格之前予以剔除，从而减少了窄通道中的虚假障碍累积和代价地图压缩。四框准则要求空间分布的四个子区域同时满足叶片覆盖条件后方可触发光谱存储，有效减少了背景、叶片边缘和局部阴影的光谱混合，提升了平均光谱的代表性。在建模流程中，SG抑制高频噪声，SNV缩小样本间散射和强度尺度差异，DT校正基线漂移，CARS则进一步剔除冗余或弱信息波段，保留与色素吸收、组织散射和水分状态相关的可见光、红边及近红外波长。XGBoost能够捕获选定波段间的非线性关系和特征交互，并通过正则化控制模型复杂度，因而整体性能优于PLSR、SVR和RF。

多云和霾天条件下预测性能较低进一步表明，光照变化、叶片生理状态改变和内部组织散射共同影响多光谱响应，跨条件应用需要更广泛的多环境数据集和自适应光照校正。

**研究结论翻译**：本研究开发了一种用于温室番茄幼苗生理状态无损评估的自主移动多光谱传感系统。所建立的基于ROS的导航框架提供了平台的基本运动能力；适应平台硬件结构的近距离LiDAR回波过滤减少了自遮挡引起的伪障碍并改善了可通行区域的连续性，导航测试中平台成功率达95.50% ± 6.20%，平均点位误差为2.76 ± 0.30 cm，满足苗床间移动采集的稳定运行要求。四框绿色一致性准则以有效叶片覆盖作为光谱存储前的触发条件，减少了背景区域、叶片边缘和局部阴影的干扰。SG-SNV-DT预处理链和CARS波长选择提高了模型稳定性，将27波段输入压缩至每个目标12个选定波长。最终的XGBoost模型对LYS-4N参考的SPAD、氮素和水分指标的预测集Rp2分别达到0.81、0.84和0.84，RPD分别为2.37、2.54和2.54。田间验证中，平台预测值与手持式测量值之间的平均绝对差异分别约为0.55、0.21和0.84。上述结果表明，所提出的系统能够支持智能温室生产中快速的幼苗生理评估。当前工作仍属于小规模场景验证，建模样本主要来源于单一温室和有限采集批次，最终模型主要基于晴天条件样本，其外推能力尚需在不同品种、生育阶段、季节、温室结构和栽培管理方式下进一步检验。未来工作应拓展多源数据集，在不同温室和季节进行独立验证，集成自适应光照校正，并改进实时决策能力以支持连续的温室幼苗监测。