多传感器融合用于多尺度作物识别及其对精准作物管理的意义:综述

《European Journal of Agronomy》:Multi-sensor fusion for multi-scale crop recognition and its implications for precision crop management: A comprehensive review

【字体: 大 中 小 】 时间:2026年09月24日 来源:European Journal of Agronomy 6.7

编辑推荐:

   ·综述了在环境噪声条件下实现鲁棒作物识别的多传感器融合技术。 ·将像素级、特征级和决策级融合与关键性能权衡联系起来。 ·评估了在开阔农田、果园、受控环境农业(CEA)和梯田中的部署瓶颈。 ·指导基于任务的传感器选型和资源感知的融合部署方案。 引言 全球人口的快速增长和气候

  

·综述了在环境噪声条件下实现鲁棒作物识别的多传感器融合技术。
·将像素级、特征级和决策级融合与关键性能权衡联系起来。
·评估了在开阔农田、果园、受控环境农业(CEA)和梯田中的部署瓶颈。
·指导基于任务的传感器选型和资源感知的融合部署方案。

引言

全球人口的快速增长和气候变化带来的环境压力正在对现代农业提出日益严峻的要求,特别是在粮食安全、资源利用效率和可持续性方面。联合国粮食及农业组织(FAO)估计,到2050年全球粮食需求将增加近60%(Falcon等人,2022)。在这一背景下,精准的作物识别已成为智慧农业的基础能力,支撑着精准喷洒、变量施肥、病虫害监测、产量预测、高通量表型分析和自动收获等关键任务(Demissie等人,2026,Qu和Su,2024,Sahin等人,2023,Wang等人,2025,Wang和Su,2024)。高精度的作物识别能够提高农业机械的自主性和运行可靠性,减少化学投入品的使用,并实现数据驱动的决策(Qin等人,2025,Yang等人,2025)。在开阔农田、果园和设施栽培系统中,光照变化、植物遮挡和复杂背景等问题普遍存在,因此,鲁棒的作物识别对于构建具有韧性的感知系统和推动农业智能化至关重要(El Sakka等人,2025)。

农业识别任务本质上跨越多个空间尺度,从毫米级的器官检测到米级的田间监测,每个尺度都需要不同的传感器配置和融合策略。在本综述中,"多尺度作物识别"特指在器官、单株、冠层和田间尺度层级上进行的识别,而非仅指识别模型内部的多尺度特征表示。这一层级体系反映了感知需求从精细目标表征向更广泛空间监测和管理导向观测的逐步转变。器官尺度的任务,如果实定位和茎径测量,需要高分辨率近端传感和精确的三维(3D)几何重建来处理遮挡和杂乱问题。单株尺度的任务,包括杂草-作物区分和幼苗识别,依赖于光谱-纹理融合来捕获变光照条件下的表型差异(Fan等人,2024)。冠层和田间尺度的应用,如产量预测、氮素状态评估和病害制图,则通过无人机(UAV)优先考虑空间覆盖率和时间分辨率(Chen等人,2025)。因此,多传感器融合策略必须是针对特定任务的,将异构数据整合方式与目标应用的空间尺度、光谱分辨率和实时性约束相匹配。

然而,在复杂动态的田间条件下,单传感器感知系统往往无法同时实现鲁棒性和准确性(Sun等人,2025a)。红绿蓝(RGB)相机虽然成本低廉且易于部署,但对光照变化和遮挡极为敏感(Cui等人,2025,Minh Dang等人,2020)。激光雷达(LiDAR)提供三维结构信息,但成本高昂且受天气影响(Chen等人,2023,Sandonis-Pozo等人,2024,Zeng等人,2025b)。双目视觉在低光照条件和密集冠层下性能下降(Mirbod等人,2023)。这些固有局限性推动了多传感器融合技术的发展。随着多传感器感知和智能融合方法的最新进展,集成异构数据源——如RGB、RGB-深度(RGB-D)、多光谱和超光谱图像、激光雷达、热成像等——已成为提高农业应用识别精度和鲁棒性的有效手段(Cui等人,2024,Fountas等人,2024,Soussi等人,2024)。多源数据的互补性使更全面的场景表征成为可能,从而提升系统性能和环境适应性(Gupta等人,2025,Jiao等人,2024)。

根据融合阶段,多传感器融合策略通常被分为像素级(早期融合)、特征级(中期融合)和决策级(晚期融合)方法(Omia等人,2023,Zhang等人,2024)。像素级融合通过直接组合多源数据来丰富原始输入(Kulkarni和Rege,2020,Zamani和Baleghi,2023)。特征级融合利用注意力模块和图神经网络等机制实现深度跨模态特征聚合,在减少冗余的同时增强互补性(Sunil等人,2023)。决策级融合通过加权投票和集成学习等策略整合多个模型的输出来提高整体系统鲁棒性(He等人,2023,Pan等人,2024)。这些多层融合范式为应对典型农业挑战——包括光照变化、植物遮挡和复杂地形——提供了有效解决方案,促进了从单模态感知向多模态农业视觉系统的过渡(Yang等人,2025)。

尽管多传感器融合在多尺度作物识别中的优势已经得到证实,但在真实农业环境中的实际部署仍面临挑战。首先,动态的环境变化和高度异质性的场景使传感器数据暴露于光照变化、背景植被和地形变化的干扰之下,导致识别性能不稳定(Djimeli-Tsajio等人,2022,Guo等人,2020,Zeng等人,2025a)。其次,高分辨率数据和复杂融合模型带来的高计算成本与农业边缘设备有限的处理能力相冲突。例如,虽然基于U-Net-ResNet架构的像素级分割模型取得了强劲的实验性能,但其庞大的参数规模和计算复杂性阻碍了在低功耗平台上的实时部署(Huang等人,2024,Zhang等人,2025)。此外,不平衡的数据分布和样本稀缺进一步制约了模型性能。作物和杂草数据集通常呈现长尾分布;虽然生成对抗网络(GAN)可以在一定程度上缓解小样本问题(Ojo和Zahid,2023),但生成样本的现实性和多样性有限,可能引入偏差并降低泛化能力。因此,多传感器融合在从受控实验向可靠的田间部署过渡方面仍面临关键挑战,凸显了对轻量化建模、自适应学习和跨域迁移方面进展的需求。

已有若干综述研究了智慧农业中的相关主题,但在将多传感器融合系统整合到多样化农业场景中的多尺度作物识别方面仍存在显著空白。Saini和Nagesh(2025)调查了基于无人机和机器人平台的深度学习在杂草检测中的应用,但主要关注单株尺度的杂草-作物区分,未涉及器官级检测或田间尺度监测,也未探讨融合策略如何适应开阔农田、果园、温室和梯田等不同环境。Allu和Mesapam(2025)将融合技术系统地分类为像素级、特征级和决策级方法;然而,其范围仍局限于一般农业监测,而非专门针对多尺度作物识别,也未采用将融合策略与每种农业环境的具体不确定性模式相联系的情景导向分析框架。Zhang等人(2023)和Xiao等人(2023)强调了图像融合和深度学习架构的方法论进展,但两者均未系统考察这些技术发展如何转化为多样化农业场景下精准管理决策的可操作性洞察,也未分析支配实际部署的准确性-效率-鲁棒性之间的权衡。更重要的是,以往的综述很少将识别尺度本身作为组织维度,将其与目标层级、感知分辨率、传感器配置、融合策略和下游管理需求联系起来。参考文献层面的比较进一步显示,第5节的情景导向综合分析纳入了28项独立的实证和应用导向研究,这些研究既未被Saini和Nagesh(2025)引用,也未被Allu和Mesapam(2025)引用;值得注意的是,表6中总结的10项定量基准研究均未包含在这两篇综述中。

因此,本综述采用情景导向的分类体系,涵盖开阔农田、果园、受控环境农业和坡地或梯田。这些情景呈现不同的主导不确定性:开阔农田中的变光照和大空间覆盖,果园中的冠层遮挡,受控环境中的密集植物重叠,以及坡地或梯田中地形引起的几何和辐射变化。按情景组织证据使得在相似环境约束下开展的研究之间进行比较成为可能,并直接将传感器选型和融合策略与实际部署需求联系起来。与传统的以传感器或方法为中心的分类号不同,该框架为任务驱动的系统设计和部署提供了更明确的指导。

本综述旨在系统总结多传感器融合在多尺度作物识别方面的当前研究状况和新兴趋势。主要贡献如下:

多传感器系统比较:系统概述了主流传感器——包括RGB、RGB-D、多光谱、超光谱、激光雷达、热成像和超声传感器——的数据特征、优势和局限性。

融合策略分析:建立了一个涵盖像素级、特征级和决策级范式的分层框架,追溯了从经典流水线到具有注意力机制的深度学习架构的演进,并明确讨论了农业部署中固有的准确性-效率-鲁棒性之间的权衡。

情景导向的应用分析:分析了多传感器融合在开阔农田、果园、受控环境农业和坡地梯田景观中的性能表现,识别出特定情景的传感器-融合策略映射关系。

挑战与未来方向:综合了关键技术瓶颈——如环境动态性、计算约束、数据不平衡和模型泛化能力有限——并展望了轻量化、自适应和可持续的研究方向。

为明确本综述的组织结构和逻辑流程,图1展示了论文的整体结构。

各章节概览

检索方法学

本综述按照PRISMA(系统综述和荟萃分析优先报告条目)2020指南进行,以确保对多传感器融合多尺度作物识别文献进行透明、系统和可重复的综合。综述包括四个阶段:识别、筛选、资格评估和最终纳入,如图2所示。

本综述作为叙述性(非定量)综述进行。正式的定量分析

多尺度作物识别的定义

在本综述中,作物识别被定义为从传感器观测中自动识别、定位、分割或定量表征作物目标。由于作物表型呈层级式表达,识别任务应在多个生物学和空间尺度上进行解读,而非作为单一图像分类问题。植物表型分析已被广泛定义为对解剖学、发育学、生理学等的定量描述。

传感器类型和数据特征

多传感器作物识别依赖于对作物外观、生理、几何结构和温度的互补测量(Zhang等人,2022)。RGB相机提供低成本的空域细节,但对光照和遮挡敏感(Zhang等人,2025,Zhao等人,2023);多光谱和超光谱成像增加了与作物状况相关的光谱信息(Lizarazo等人,2023,Sahoo等人,2025,Yu等人,2023);RGB-D和激光雷达描述三维结构(Aghi等人)。

开阔农田中无人机的应用

在开阔农田中,无人机提供了一种灵活的多尺度作物识别平台,因为它们可以快速覆盖大面积的育种试验和生产田,同时保持厘米级的空间细节。与果园(感知主要受树冠遮挡和果实可见性支配)或受控环境农业(光照和背景相对稳定)不同,开阔农田的无人机感知必须应对大面积空间异质性、行作物重复模式、土壤。

鲁棒性局限与典型失效模式

以下关于鲁棒性局限和失效模式分析采用方向性综合方法。由于所纳入的研究在传感器配置、平台动态特性、环境条件和评估指标方面差异显著,定量荟萃分析不可行。因此,以下比较应被解释为定性证据趋势——综合自文献中反复报告的模式——而非汇集的统计概括或精确的。

讨论

上述综述的研究表明,多传感器融合的价值不仅仅是更多数据的积累。其主要贡献在于协调利用互补的光谱、空间、结构、热和时域信息,以在器官、单株、冠层和田间尺度上降低任务特定的不确定性。同时,证据也表明,性能提升取决于传感器质量、跨模态对齐、计算资源、数据集构成等因素。

结论

多传感器融合已成为精准农业智能化转型的核心使能技术。通过集成异构数据源——包括RGB、多光谱成像(MSI)、超光谱成像(HSI)、激光雷达和热成像——它显著增强了复杂田间条件下作物和杂草识别的准确性、鲁棒性和环境感知能力。本综述系统总结了多传感器融合在像素级、特征级和决策级方面的最新进展。

未引用的参考文献

(Di等人,2025,Liu等人,2025,Wang等人,2025,Wang等人,2025,Wang等人,2025,Yang等人,2025,Zhang等人,2025,Zhang等人,2025,Zhang等人,2025,Zhu等人,2025)

基金资助

本研究由中国国家自然科学基金资助(批准号32371991);以及中国农业大学2115人才发展计划资助。

CRediT作者贡献声明

苏文豪:撰写——审阅与编辑、监督、资源、项目管理、方法论、资金获取、概念构思。

姚睿英:撰写——原稿、可视化、验证、方法论、调查、形式分析。

张明晶:撰写——原稿、调查。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文所报告的工作。

姚睿英 | 张明晶 | 苏文豪
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