《Smart Agricultural Technology》：Data-Driven Estimation of Lettuce Biophysical Traits Using Multidimensional Sensing
编辑推荐：
为解决田间生菜生长监测依赖人工、效率低的问题，本研究基于地面移动机器人平台，融合RGB-D与NIR多维传感，结合零样本学习（Grounding DINO+SAM2）与3D表型技术，实现了植株高度、体积及NDVI等关键性状的自动估测（r > 0.9），为精准农业决策提供了高效工具。
当AI遇上生菜：机器人如何用“零样本”看透作物生长？
在精准农业（Precision Agriculture）的浪潮下，生菜（Lactuca sativaL.）作为全球广泛种植的叶菜，其生长监测却长期面临“看得见、数不清”的困境。传统方法依赖人工测量株高、叶面积等生物物理性状（Biophysical Traits），不仅耗时费力，还难以捕捉田间的空间异质性。虽然无人机和遥感技术能进行大范围扫描，但在植株级别的精细表型（Phenotyping）上往往“力不从心”；而实验室的高通量表型平台虽精准，却无法直接搬到复杂多变的露天田间。更棘手的是，开发基于深度学习（Deep Learning）的自动识别模型通常需要海量人工标注数据，这成了技术落地的一大“拦路虎”。
在此背景下，来自意大利国家研究委员会（CNR）的Annalisa Milella团队在《Smart Agricultural Technology》上发表研究，提出了一种基于地面移动机器人（Mobile Robotic Platform）的多维传感方案，试图用“零样本学习”（Zero-Shot Learning）技术打破这一僵局。
关键技术方法
研究团队于2025年4月至5月在意大利巴里的商业农场开展试验，构建了一套集感知、定位与计算于一体的田间数据采集系统。技术核心在于：
- 1.
硬件架构：采用双Intel RealSense D435相机（配备780 nm冷镜滤光片与650 nm UV-IR截止滤光片）同步采集RGB、深度（Depth）与红外（IR）数据，结合RTK-GPS与IMU实现厘米级地理配准。
- 2.
零样本分割：利用Grounding DINO + SAM2（Segment Anything Model 2）组合，仅凭文本提示（如“a lettuce plant”）自动生成2D/3D分割掩膜，彻底摆脱了人工标注训练数据的依赖。
- 3.
性状提取：基于计算几何（Computational Geometry）的3D点云（Point Cloud）处理，自动估测植株高度、冠层直径、体积、投影叶面积及NDVI（Normalized Difference Vegetation Index）等关键参数。
研究结果与发现
多维传感系统的构建与验证
研究团队开发了专为田间移动平台设计的感知模块，通过双D435相机覆盖约1.5米宽的有效视场。经过严格的传感器标定与数据同步，系统在复杂田间光照下仍能稳定输出对齐的RGB-D-NIR数据。与手动测量及实验室分析对比显示，该系统对植株高度、生物量等关键性状的估测皮尔逊相关系数（Pearson Correlation Coefficient）均超过0.9，证明了多维传感在露天环境下的鲁棒性。
基于零样本学习的自动分割与表型提取
针对标注数据稀缺的痛点，研究创新性地引入了零样本学习范式。Grounding DINO负责根据语义提示生成候选框，SAM2则在此基础上生成精细的像素级分割掩膜。这一组合成功实现了在无需任何生菜图像训练的前提下，对复杂背景（如土壤、杂草）下的植株进行准确分割。后续的3D表型分析基于分割后的点云，通过三角网格（Triangular Mesh）重建与几何特征计算，实现了非破坏性的植株体积与结构参数提取。
氮素水平影响的田间评估
利用该系统，研究人员进一步评估了不同氮素（Nitrogen）水平对生菜生长的影响。通过NDVI与形态参数的时空动态分析，发现自动化系统能够清晰区分不同施肥处理的植株长势差异。这表明该框架不仅能用于生长监测，更能为精准施肥（Precision Fertilization）提供基于数据的决策支持（Decision Support），助力减少化肥过量使用。
结论与意义
本研究成功验证了基于地面机器人多维传感与零样本学习的生菜田间表型分析框架的可行性。其核心突破在于：
- •
技术革新：将Grounding DINO与SAM2组合应用于农业场景，实现了“开箱即用”的植物分割，极大降低了AI技术在农业落地的数据门槛。
- •
实用价值：提供的自动化性状估测精度（r > 0.9）足以替代传统人工测量，为育种家（Breeding）和农场管理者提供了高通量（High-Throughput）的监测工具。
- •
行业推动：研究释放的公开数据集（RGB-D Lettuce Dataset）为后续算法开发提供了宝贵基准，推动了计算机视觉（Computer Vision）与农业机器人的交叉研究。
这项工作标志着向全自动、低成本的田间作物监测迈出了坚实一步，为应对全球粮食生产中的效率与可持续性挑战提供了智能化解决方案。
