《The Plant Phenome Journal》：AGIcam: An open-source Internet of Things–based camera system for automated in-field phenotyping and yield prediction
编辑推荐：
连续、高频的监测对于捕捉快速物候转变和作物对环境的动态响应至关重要。然而，大多数表型分析平台缺乏进行一致、全季节性状评估所需的时间分辨率和自动化。本研究介绍AGIcam，一个开源物联网（IoT）相机系统，用于自动化、连续的田间植物表型分析和产量预测。该平台整合
连续、高频的监测对于捕捉快速物候转变和作物对环境的动态响应至关重要。然而，大多数表型分析平台缺乏进行一致、全季节性状评估所需的时间分辨率和自动化。本研究介绍AGIcam，一个开源物联网（IoT）相机系统，用于自动化、连续的田间植物表型分析和产量预测。该平台整合了太阳能供电的Raspberry Pi单元与模块化软件栈，包括Node-RED、InfluxDB、Grafana和Microsoft Azure，用于自动化数据采集、传输和可视化。在2022年生长季，18套AGIcam系统被部署在春小麦和冬小麦（Triticum aestivum）育种试验中，保持超过85%的正常运行时间，同时频繁捕获红-绿-蓝（RGB）和无红外（NoIR）图像。从这些图像中导出的时间序列植被指数被用于使用随机森林和长短期记忆（LSTM）模型进行产量预测。LSTM方法在抽穗后约一周达到最高准确率，春小麦的平均预测误差为3.41%，冬小麦为1.62%。这些结果突出了基于物联网的平台（如AGIcam）在实现实时、可扩展且有效的表型分析解决方案以支持数据驱动的作物改良方面的潜力。本研究提供开源资源，用于表型分析和精准农业应用中IoT数据的开发与时间序列分析。
**研究背景与问题**
持续高频的田间监测是捕捉作物快速物候转变和环境动态响应的关键，但现有表型分析平台普遍缺乏全季节一致评估所需的时间分辨率和自动化能力。许多育种试验点缺乏电力与网络基础设施，商业平台（如LemnaTec、PhenoSpex）成本高昂且封闭，而早期开源系统（如Sangjan等2021年开发的Raspberry Pi相机）虽可行性高，但受限于电源自主性、连接性和自动化数据处理流水线，难以规模化推广。因此，研究人员需要开发一种兼具自主供电、无线通信、云端集成及高频数据采集能力的低成本、可复现物联网（IoT（物联网））平台，以实现实时、可扩展的田间表型分析，并验证其在产量预测中的应用潜力。
**研究内容与结论**
本研究设计并部署了AGIcam系统，在2022年生长季于华盛顿州普尔曼附近的春小麦和冬小麦（Triticum aestivum）育种试验中测试。系统集成太阳能供电Raspberry Pi双摄像头单元、4G LTE路由器及气象站，结合Node-RED、InfluxDB、Grafana和Microsoft Azure云端基础设施，实现自动化图像采集、植被指数提取与可视化。试验共部署18套AGIcam，保持超过85%正常运行时间，每天三次捕获RGB（红-绿-蓝）和NoIR（无红外）图像，随后计算7种植被指数（VI（植被指数））。利用时间序列VI数据，研究采用随机森林回归和长短期记忆（LSTM（长短期记忆）网络）进行产量预测。LSTM模型在抽穗后约一周达到最高精度，春小麦平均绝对百分比误差为3.41%，冬小麦为1.62%，优于随机森林（春小麦MAPE 8.11%，冬小麦9.31%）。结果证明AGIcam作为低成本、开源平台能够实现高频率自动监测和精准产量预测，为数据驱动的作物改良提供有效工具。论文发表在《The Plant Phenome Journal》。
**关键关键技术方法**（不超过250字）
1. **硬件系统**：采用太阳能（6W、6V面板）供电Raspberry Pi Compute Module 3+ Lite，集成双摄像头模块（RGB与NoIR），通过Witty Pi电源管理板控制周期性唤醒与休眠；配备4G LTE路由器（T-Mobile SIM卡）实现无线数据传输；ATMOS41气象站通过Arduino Uno采集12项环境参数。样本来自2022年华盛顿州普尔曼春小麦和冬小麦育种试验，采用随机完全区组设计。
2. **软件与数据处理**：基于Node-RED构建自动化流水线，本地Python脚本提取7种VI（CIgreen、EVI2、GNDVI、NDVI、RDVI、SAVI、简单比率），经参考面板归一化后上传至云端InfluxDB数据库，Grafana生成交互式看板。
3. **预测建模**：随机森林使用VI时间序列的曲线下面积（AUC（曲线下面积））特征；LSTM采用单变量（NDVI）或多变量（7种VI）输入，经留一法交叉验证（LOOCV（留一法交叉验证））和早停法优化。
**研究结果**
**3.1 AGIcam系统性能与可靠性**
通过2022年生长季自主运行，春小麦持续约2个月、冬小麦3个月，多数相机正常运行时间>85%（春小麦平均89.9%，冬小麦88.8%）。春季一次连续阴天导致短暂断电，经AnyDesk远程快速恢复。三台相机因microSD卡损坏或电源问题出现硬件故障，强调工业级存储卡和冗余设计的重要性。数据缺失主要发生在早期，对LSTM模型影响有限，但物候快速转变期缺失可能削弱VI动态捕捉能力。
**3.2 无线连接与网络限制**
4G LTE路由器在50米内提供稳定连接；超过该距离时出现同步延迟和上传失败，部分相机正常运行时间降低。低功耗远程协议（如LoRaWAN）可扩展范围，但当前AGIcam需高带宽支撑图像传输和远程控制。未来可引入定向天线或5G网络应对更大覆盖需求。
**3.3 后端自动化与数据流稳定性**
自动化流水线（图像捕获、VI提取、JSON生成、云端上传）全季节稳定运行，仅需部署时人工关联VI输出与小区元数据；可扩展性受此瓶颈限制，后续可通过GPS坐标或QR码自动匹配。参考面板归一化需手动提取像素值，未来可用计算机视觉自动化处理。云端存储满足需求，边缘端压缩可进一步提升效率。
**3.4 前端可视化与可用性**
基于Grafana的交互式仪表盘实时显示NDVI时间序列，支持桌面和移动端访问；AnyDesk远程管理降低维护成本。安全性可通过PIN认证和加密会话增强。
**3.5 基于时间序列VI的产量预测**
**3.5.1 随机森林回归**
利用AUC特征，随机森林在抽穗期附近精度最高：春小麦抽穗前2天RMSE 514 kg/ha（MAPE 8.11%），冬小麦抽穗前9天RMSE 984 kg/ha（MAPE 9.31%）。CIgreen、GNDVI和RDVI为抽穗期最有效指数，反映冠层叶绿素和结构动态。
**3.5.2 长短期记忆网络**
LSTM最佳配置：春小麦为单变量Vanilla LSTM（仅NDVI），冬小麦为多变量LSTM。多数小区在抽穗后一周内达到峰值精度，春小麦平均RMSE 222 kg/ha（误差3.41%），冬小麦210 kg/ha（误差1.62%），优于随机森林，表明捕捉时间依赖性可提升预测能力。与卫星研究相比，亚日VI数据提供了更精细的物候覆盖。
**总结讨论与结论**
讨论部分指出，AGIcam的RGB和NoIR图像还可用于高级图像分析（如麦穗检测、病害识别），环境变量融合可提升预测鲁棒性。但系统在低日照或偏远区域可能受限，且本研究仅基于单一年份（2022）数据，虽采用LOOCV、正则化等防过拟合措施，仍需多季节多地点验证以确认模型泛化能力。
**研究结论**（翻译）：AGIcam系统被开发为一种经济、开源的物联网平台，用于自动化田间表型分析。太阳能硬件、模块化软件与云端连接的整合实现了针对育种试验的可靠高频监测。在小麦试验中的田间部署证明了稳定运行和一致的数据采集。AGIcam生成的时间序列VI数据支持精准产量预测，其中LSTM模型通过捕捉作物时间动态优于随机森林。这些发现展示了AGIcam作为产量预报和季中监测的可扩展工具的实用性。尽管如此，本研究仅限单个生长季和两类小麦，强调需要在更多作物、环境和季节中进行广泛测试。未来努力应扩展至实时性状检测和多模态数据融合，将AGIcam定位为表型组学和育种决策支持的灵活平台。
