用于监测温室植物健康的自动化高光谱数据采集系统

《Smart Agricultural Technology》:Automated hyperspectral data collection system for monitoring greenhouse plant health

【字体: 大 中 小 】 时间:2026年06月23日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  高光谱成像(Hyperspectral Sensing, HS)为植物健康监测提供了重要潜力,但其在温室环境中的应用受到动态条件限制以及缺乏自动化冠层尺度数据采集手段的制约。本研究旨在开发自动化HS成像平台及预处理流程,以改善温室条件下的数据质量。研究人员通过

  
高光谱成像(Hyperspectral Sensing, HS)为植物健康监测提供了重要潜力,但其在温室环境中的应用受到动态条件限制以及缺乏自动化冠层尺度数据采集手段的制约。本研究旨在开发自动化HS成像平台及预处理流程,以改善温室条件下的数据质量。研究人员通过整合基于喷灌臂的定位系统、深度引导的传感距离控制、太阳光监测以及自动化校准,开发了移动式冠层尺度HS成像系统。该系统在生产型温室中通过五个独立的番茄细菌性斑点病实验进行了评估。研究人员分析了环境因素对光谱测量的影响,并剔除了受瞬时光照变化影响的光谱数据。预处理效果通过样本到质心距离分析、光谱变异性分析、基于阈值的分类指标以及逻辑回归和线性支持向量机(Support Vector Machine, SVM)模型的受试者工作特征曲线下面积(Receiver Operating Characteristic-Area Under the Curve, ROC-AUC)进行评估。季节性温室变异性在各实验间产生了可测量的光谱差异,而上午和下午两个日测量时段之间未观察到有意义的差异。空气湿度的增加引入了近红外波段更高的光谱噪声,短期运输影响了早期光谱响应。预处理后,健康组与接种组的光谱变异性均有所降低。尽管经过质量筛选的数据集规模较小,预处理仍改善了两种分类器的所有基于阈值的分类指标。ROC-AUC也有所提高,表明健康样本与接种样本之间的阈值无关区分能力得到改善。自动化HS成像系统提高了温室采集光谱数据的质量,为下游分析提供了更高质量的数据。尽管线性基线分类器不适用于实际的商业病害诊断,但系统性的预处理改善了动态温室条件下冠层尺度HS数据的可用性。
本研究聚焦于生产型温室环境中基于自然光照的高光谱成像技术,开发了一套自动化数据采集系统,将其与现有灌溉喷灌臂基础设施相整合,并建立了预处理流程以缓解冠层尺度光谱测量期间的环境变异性,为温室中高光谱植物健康监测提供了实用的操作框架。

高光谱成像技术已成为监测植物健康(如病害检测和冷胁迫)以及提取植物性状(包括氮浓度和叶片含水量)的重要非侵入性感知手段。该技术基于检测不同材料因化学组成、内部物理结构和表面特性差异而产生的独特电磁辐射反射模式这一原理。然而,高质量的HS数据获取面临诸多挑战:传感器特性(如偏移、噪声和灵敏度)、传感距离、光照条件以及植物形态(包括冠层结构和叶片几何形状)等非生理因素均会降低数据保真度,导致对植物状况的误读。此前研究多集中于叶级测量,在严格控制的实验室环境中进行,过程劳动密集且耗时,无法满足商业化温室运营中对大量植物进行监测的需求。虽有自动表型平台(如PHENOVISION和LemnaTec Scanalyzer系统)可实现高通量表型分析,但其依赖输送带基础设施和封闭成像环境,限制了在实际温室中的推广应用。因此,利用现有灌溉喷灌臂作为移动感知平台,成为温室生产系统中开展高通量植物监测的实用选择。

为应对温室环境中冠层尺度高光谱数据采集的挑战,Si Gaoshoutong、Peter Ling、Anna Louise Testen、Heping Zhu和Hongyoung Jeon等研究人员开展了本项研究,其研究成果发表于《Smart Agricultural Technology》。研究旨在开发一种自动化的冠层尺度高光谱数据采集系统,并建立数据预处理流程以提高动态温室条件下的数据质量,最终通过番茄细菌性斑点病案例验证系统性能。

研究所用的主要关键技术方法包括:基于灌溉喷灌臂的移动式冠层尺度高光谱数据采集系统构建,该系统集成了喷灌臂定位、深度引导的传感距离控制、太阳光监测及自动化校准功能;数据预处理流程包括基于3%辐照度变化阈值的低质量样本剔除(使用量子传感器以1 Hz频率监测太阳辐射)、Savitzky-Golay(SG)平滑算法处理;采用逻辑回归和线性SVM作为基线分类器,通过留一实验交叉验证评估模型泛化能力;利用Welch's t检验、样本到质心距离分析、光谱标准差分析以及ROC-AUC等指标评估预处理效果。

研究结果部分主要包括以下内容:

**自动化数据采集系统**:系统部署于465 m2生产型温室中,以商用灌溉喷灌臂为移动载体,通过远程光学传感器检测反射胶带实现停走式定位,每样本采集耗时约90秒。系统组成包括便携式计算机、数据采集单元(Data Acquisition, DAQ)、光谱辐射计(FieldSpec 3)、线性执行器、RGB-D相机(D435i)以及可旋转的白参考板。

**温室环境效应**:

**季节效应**:健康植株在五次独立实验中的光谱在可见光区(400-700 nm)重叠良好,但在近红外(Near-Infrared, NIR)区(>700 nm)存在显著差异,这反映了环境条件对植物结构特征和冠层光谱响应的影响,而非病害相关生理响应。

**日变化效应**:上午(AM)与下午(PM)测量时段之间在可见光范围内无显著差异,近红外区的微小波动(±4%水平)被视为正常环境变异而非一致的日变化效应,因此后续分析将AM和PM数据合并。

**天气相关效应**:雨天条件下900-1000 nm区域的光谱波动大于多云天气,该区域的变异系数(Coefficient of Variation, CV)在雨天更高,表明高湿度条件下该波段区域应谨慎使用。基于3%辐照度变化标准,雨天样本剔除率(41.67%和38.33%)高于部分多云天气(15.00%),频繁云层移动导致更大的瞬时光照不稳定性。

**植株恢复效应**:运输后首日(Day 0)健康植株光谱在近红外区出现明显偏移,随后趋于稳定。这与运输导致的暂时性萎蔫及随后的叶片膨压恢复相关,因此Day 0数据被排除在后续分析之外。

**预处理高光谱数据**:预处理后,健康组和接种组的光谱变异性均降低,表现为更窄的±1标准差区域和更清晰的光谱分离。样本到质心距离在多数实验/类别组合中显著减小(p<0.05),所有实验的光谱标准差均降低。

**案例分类**:尽管预处理后数据集样本量减少(从2112降至1387),但两种分类器的所有基于阈值的评估指标(准确率、精确率、召回率和F1分数)均得到改善。ROC-AUC分析显示,逻辑回归从0.762提升至0.803,线性SVM从0.752提升至0.786,表明预处理改善了分类器区分健康与接种样本的内在判别能力。然而,线性分类器的整体性能仍为中等水平。

讨论部分总结如下:研究将高光谱植物监测从受控的叶级和室内容器冠层级研究推进到生产型温室环境,解决了冠层高度变化和光照变异等关键挑战。温室气候变异性是主要关注点,即使温度和湿度设定点相同,环境条件仍可导致健康植株的光谱差异。分类结果表明,预处理后数据质量的提升能够支持更好的下游模型行为,线性模型表现出较高的召回率但较低的精确率,这种保守的检测倾向有助于减少假阴性(即漏诊感染植株),但代价是增加了假阳性。误分类的可能因素包括:温室环境变异性导致的光谱重叠、二元标签策略未区分不同病害发展阶段、以及线性决策边界的局限性。未来研究可考虑多层感知器等非线性模型,以及持续学习方法以适应环境条件的渐进变化。研究局限性包括:质量筛选阈值的经验性确定、未充分考虑的冠层结构因素(如叶片位置和茎分枝)、以及未处理的非冠层背景影响。成本分析表明,当前原型中FieldSpec 3光谱辐射计占主导成本(约40,000美元),未来可采用低成本多光谱传感器替代,将系统总成本降至约9,409-13,409美元,远低于商用表型平台(70,000-400,000+美元)。

研究结论部分翻译:研究人员开发了用于温室条件下冠层尺度感知的自动化高光谱数据采集系统,并通过番茄细菌性斑点病案例研究评估了其能力。通过将系统安装在温室常见的灌溉喷灌臂上,该系统能够在自然波动的环境条件下穿越温室时实现一致、可重复的光谱采集。这项工作将高光谱植物监测从受控的叶级和室内容器冠层级研究推向商业化或大规模研究温室环境的实际部署。与严格控制的实验室环境相比,温室中采集的植物光谱受到更多变量的影响。温室气候中显著的季节性变化(如光照和湿度)可影响整个生长季中的植物生长和病害发展。多样的云层覆盖也因潮湿空气中水的电磁吸收而改变植物反射光谱。短期环境对植物光谱的其他考虑因素包括运输期间的临时黑暗条件。数据预处理和质量过滤降低了健康组和接种组植物的光谱内类变异性,在各温室实验间产生更稳定的数据集。结合自动化感知平台,该流程能够在动态温室条件下为下游分析准备更高质量的高光谱数据。尽管当前的线性基线分类器性能仍为中等水平,不适用于实际的商业病害诊断,但预处理后其性能的改善表明更好的数据质量能够支持更可靠的模型行为。在留一交叉验证下,使用预处理光谱的逻辑回归获得最佳性能,准确率从67.6%提高至70.1%,召回率从78.3%提高至81.7%,F1分数从72.4%提高至74.5%。线性SVM在预处理后也显示出改善,准确率从67.3%提高至68.9%,F1分数从72.3%提高至73.6%。这些发现为开发更先进的病害检测模型以及能够适应温室系统动态条件的未来持续学习方法奠定了基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号