Phenobot:用于园艺原位表型分析的自动数字建模系统


发布时间:

2025-05-31

来源:

作者:

重建用于表型分析的植物模型对于优化精准农业中的可持续农业实践至关重要。传统的基于实验室的表型分析虽然很有价值,但无法理解植物如何在不受控制的条件下生长。机器人技术为在真实环境中进行大规模、直接的表型分析提供了一条有前途的途径。本研究探讨了新兴机器人技术和数字技术在植物表型分析中的部署,以提高性能和效率。引入了三个关键功能模块,环境理解、机器人运动规划和原位表型分析,以实现整个过程的自动化。结果证明了该系统在农业环境中的有效性。phenorobot 系统通过在植物周围导航来自主收集高质量数据。此外,原位建模模型还可以根据机器人收集的数据重建高质量的被控对象模型。开发的机器人系统显示出高效率和稳健性,展示了它在实际农业环境中推进植物科学的潜力。

 

 图1  Phenorobot 系统在温室中运行。

 

图2  Phenorobot 系统概述。

 

图3  基于图形的导航地图:a)全局地图结构; b)具有可遍历路线的导航节点。

 

 图4  基轨迹规划图示:a)全局轨迹规划; b)采样轨迹检查。

 

 图5  机器人感知中的地形分析。a)机器人感知范围;b)风险区域地图。

 

图6  从稀疏输入中进行小样本学习。a)有限训练视图下的光线样本;b)用于稀疏视图渲染的遮挡正则化。

 

 图7  a,b)Phenorobot系统。c,d)EPM的演示结果分为两个测试场景。

 

 图8  MPM在果园类环境中的规划场景和运动规划结果。a)全局路径规划;b)障碍物附近的运动规划;c)鸟瞰图。

 

图9  MPMin 温室的规划场景和运动规划结果。a)全球路径规划。b)目标在森林中间。c)森林尽头的目标。

 

图10  A)果园状环境和 B)温室中两种场景的层次结构图演示。(A)和(B)的(a)是场景的全局级别地图,(b)是环境中实例的详细模型。

 

 图11  a)机器人导航和 b)机器人采集的 ISAAC 模拟环境。

 

来 源

Hu, K., Pan, Y., Liu, T., Zhou, H., Chen, C. and Kang, H. (2025) Phenobot: An Autodigital Modeling System for in situ Phenotyping in Horticulture. Adv. Intell. Syst. 2400665.

 

编辑

王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。