计算机视觉系统跟踪植物生长以指导特种作物监测

宾夕法尼亚州立大学的一个跨学科研究小组表示，温室内的无土种植系统，即受控环境农业，有望促进高质量特种作物的全年生产。但为了具有竞争力和可持续性，这种先进的耕作方法将需要开发和实施精准农业技术。为了满足这一需求，该团队开发了一种自动化作物监测系统，能够提供有关植物生长和需求的连续和频繁的数据，从而实现明智的作物管理

他们的研究发表在《农业中的计算机和电子》杂志上

“传统上，在受控环境农业无土系统中进行作物监测是一项关键且耗时的任务，需要专业人员，”团队负责人、农业与生物工程副教授龙河说。“传统的作物监测方法不允许在整个作物周期内频繁收集数据来捕捉植物生长动态。自动化作物监测系统允许通过频繁的数据收集和更有效、更知情的作物管理来持续监测植物。”在他们的研究结果中，研究人员报告说，一个集成的“物联网”、人工智能（AI）和一个为受控环境农业无土生长系统量身定制的计算机视觉系统，可以在整个作物循环中持续监测和分析植物生长。物联网（通常称为IoT）是一个物理对象网络，可以通过互联网连接和交换数据，将嵌入传感器、软件和其他技术的设备连接起来

该团队表示，他们研究的核心创新是首次实现了递归图像分割模型，该模型处理以预定时间间隔高分辨率捕获的连续图像，以准确跟踪植物生长的变化。在这项研究中，研究人员通过监测婴儿白菜来测试他们的方法，白菜是一种通常被称为大白菜的叶菜，但研究人员表示，它适用于许多不同的作物

他所在的农业科学学院的研究小组位于比格勒维尔的宾夕法尼亚州立大学水果研究与推广中心，十多年来一直专注于自动化、精准农业，为作物采摘、树木修剪、绿色水果间伐、授粉、果园加热、农药喷洒和灌溉等农业应用设计机器人解决方案。本研究中使用的机器视觉系统是该小组在先前研究中为其他目的开发的技术的进步

在这项研究中，集成的机器视觉系统成功地分离出了在无土系统中生长的单个小白菜植物，产生了频繁的图像，跟踪了它们整个生长周期中叶子覆盖面积的增加。研究人员表示，递归模型保持了“稳健的性能”，在整个作物生长周期中提供了准确的信息

他感谢实验室的博士后学者、该研究的第一作者Chenchen Kang提供了“教授”计算机视觉系统跟踪植物生长所需的创新和辛勤工作

他说：“陈晨安装了传感器，收集和处理了数据，开发了方法论，并对人工智能模型进行了编码和编程工作。”

这项研究是农业工程师和植物科学家之间的一个跨学科项目，是题为“推进室内城市农业系统的可持续性”的更大联邦项目的一部分。

蔬菜作物科学副教授兼该总体项目的首席研究员Francesco Di Gioia强调了整合不同专业知识以开发精准农业解决方案的重要性。他建议，跨学科方法在提高当前受控环境农业系统的效率和长期可持续性方面将变得越来越重要

Di Gioia说：“自动监测和收集作物状态数据、估计植物生长和作物需求以及监测营养液和环境因素（辐射、温度和相对湿度）的能力，结合物联网和人工智能技术的使用，将彻底改变我们管理作物的方式。”。“尽量减少低效率，提高受控环境农业系统的竞争力，将增强我们的粮食和营养安全。”Di Gioia补充道，未来，将精准农业技术整合到受控环境农业体系中，也可能为提高特种作物的质量，甚至量身定制其营养状况提供机会

毕业于宾夕法尼亚州立大学农业与生物工程博士学位、现任密歇根州立大学博士后的穆信阳和植物科学博士生Aline Novaski Seffrin为这项研究做出了贡献 More information: Chenchen Kang et al, A recursive segmentation model for bok choy growth monitoring with Internet of Things (IoT) technology in controlled environment agriculture, Computers and Electronics in Agriculture (2025). DOI: 10.1016/j.compag.2024.109866