目前的作物表型分析主要依靠人工测量和目测来进行数据收集和作物评估，这是劳动密集型的，主观的，效率低下的。因此，在过去的几十年里，现代方法主要依赖于使用传感器来收集表型数据来取代人工视觉，开发决策算法来取代人类领域知识，以及集成自主表型系统来提高效率。尽管在表现型方面的研究取得了进展，但缺乏对这一主题的广泛回顾，这将有助于对该领域感兴趣的各种利益相关者。因此，本研究旨在对高通量地面作物表型系统中使用的多种方法和技术进行全面回顾。对Web of Science文献进行检索，选取合适的关键词进行检索，并获取该领域的研究趋势。本文从表型平台、传感、数据处理和系统集成等方面对技术进展进行了分类。平台已经从基于手动的发展到自动的。手动平台需要人工进行数据收集，而自主平台则涉及导航和数据收集的新技术。不同的传感技术用于表型数据收集。本研究主要讨论了RGB、多/高光谱、热、立体、光探测和测距等主流传感器，认为多源传感器可以提供更准确的表型信息。算法应用于收集的数据，以提取不同尺度(器官，单个植物和群落)的有用表型信息。机器学习(machine learning, ML)和深度学习(deep learning, DL)都已被用于表型信息提取，并且深度学习由于其优越的性能正逐渐取代ML。介绍了一个集成高通量近端表型机器人的案例研究，展示了不同的传感器和导航系统如何结合在一起实现现场和实时测量。通过新的农业信息、通信、传感和自主技术，高通量近地表型分析系统有望取得进展，使表型分析更加综合和有效。预计自主机器人最终将取代工人繁重的表现型工作。

图1  高通量近地表型系统的综合文献综述的总体结构。

图2  表型平台相关出版物:(a)单个国家的出版物数量，(b)研究兴趣(每年出版物数量)，(c)表型平台研究的相关领域，(d)不同类型的出版物，(e)不同出版物国家的CiteSpace地图。

图3  不同类型的人工操作田间地面表型平台。(a)固定平台：(I)低高度，(II)中等高度，(III)手动移动，(IV)覆盖范围广的固定高桅杆；(b)手动携带的平台：(I)手持，(II)可穿戴；(c)手推平台：(I)带一套摄像设备的四轮手推车，(II)带三套摄像设备的四轮手推车，(III)三轮手推车，(IV)和(V)单轮手推车；(d)机动平台：(I)拖拉机，(II)部分照明可控室拖拉机，(III)全照明可控成像室拖拉机；(IV)高地隙平台，(V)喷雾器，(VI)基于改进型葡萄收割机。

图4  不同类型的自主地面表型平台。(a)龙门轨平台：(I)固定龙门轨平台，(II)枢轴龙门轨平台；(b)悬索平台；(c)移动机器人平台：(I)差动转向四轮驱动，(II)阿克曼转向无人驾驶拖拉机平台，(III)、(IV)、(V)、(VI)四轮驱动和转向全向移动平台，(VII)高间隙可调高度移动平台，(VIII)三轮移动机器人，(IX)边界小区履带式平台，(X)作物行间紧凑型冠下履带式机器人，(XI)作物冠层信息采集履带式平台。

图5  作物叶片在不同光谱范围、不同传感器波长范围的反射率曲线。紫外线，紫外线；近红外光谱、近红外；SWIR，短波长红外线；MWIR，中波长红外线；和LWIR，长波红外线。

图6 在器官、植物和群落三个尺度上收集作物表型信息的传感技术。RGB(红、绿、蓝)、LiDAR(光探测与测距)、LAI(叶面积指数)、NDVI(归一化植被指数)。绿色填充表示传感器可以获得相应的表型性状。

图7  基于频域分解的麦穗计数。

图8  利用三维点云数据进行麦穗计数的程序。

图9  基于RGB、荧光和近红外图像预测植物生物量的建模过程。NIR, 近红外; FLUO, 荧光; MLR, 多元线性回归; MARS, 多变量自适应回归样条; RF, 随机森林; SVR, 支持向量回归; FW, 鲜重; DW, 干重; ML,

机器学习; X, 预测矩阵; Y, 预测结果向量。

图10  使用深度学习的表型数据处理管道，包括数据收集、预处理、训练和验证测试以及应用。

图11  基于AngleNet深度学习模型的三维叶片角度表征自动化数据处理流程。

图12  用于自主表型的Robotanist:(a)自主采样和数据处理，(b)机器人视图，(c)导航和表型传感器。姿态和航向参考系统。