From Hyperspectral Signatures to Robotic LiDAR-Based Moisture Monitoring: A Machine Learning-Based Framework
本研究提出了一种基于机器学习的框架，实现了从高分辨率实验室光谱学向可部署机器人激光雷达系统的过渡，成功实现了对无土岩棉基质中体积含水量的非接触式、高精度估算，用于受控环境农业中的自动化灌溉。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在室内农业的高科技世界中，作物在人工光源和气候受控的房间内生长，水既是最重要的资源，也是最难管理的资源。与依靠雨水和土壤提供自然缓冲的传统农田不同，这些无土栽培系统依赖于像岩棉（一种用于保持植物根部水分的纤维状石质基质）这样的惰性材料。挑战在于，这种材料的行为并不像土壤；它无法使用标准传感器进行轻松探测，否则会扰动脆弱的根系，或需要昂贵且具有侵入性的设备。如果水位过低，植物会枯萎死亡；如果水位过高，它们则会被淹死。为了让农民实现这种微妙平衡的自动化，他们需要一种方法，能够通过光和传感器来读取隐藏的水分状态，从而在不接触岩棉的情况下“看见”其中的水分。
多伦多都会大学的一个研究小组开发了一种新方法来解决这一问题，实现了从详细的实验室实验到实用的机器人搭载系统的跨越。他们的工作始于将岩棉视为一种独特的“指纹”。他们取了小块岩棉圆盘，并仔细调整其含水量至十一个不同的水平，范围从完全干燥到完全饱和。利用高分辨率光谱仪，他们测量了这些样本在从紫外到近红外广阔光谱范围内的反射情况。结果显示出一个清晰的模式：随着岩棉吸收的水分增多，其反射光的能力会发生特定且可预测的变化，特别是在水分子吸收能量的红外区域。
研究人员意识到，虽然全光谱包含了所有必要信息，但更简单的方法在实际应用中可能更具可行性。他们通过确定仅有的三个特定波长，开发了一个被称为“岩棉水分指数”（Rockwool Water Index）的自定义公式，这些波长结合在一起可以高精度地区分不同的湿度水平。该指数充当了材料状况的紧凑摘要。为了测试这一点，他们训练了一系列计算机模型来识别这些模式。一个旨在处理整个光谱的深度学习系统表现良好。然而，一种更复杂的集成模型（通过结合多个不同学习算法的预测并利用该自定义指数）被证明是最有效的。这种结合的方法以超过97%的精度正确识别了岩棉中的水分水平，显著优于依赖通用土壤指数的标准方法。
研究的最后阶段探讨了这些实验室发现能否在真实的、移动的机器人上得以生存。团队将一个紧凑的激光雷达（LiDAR）传感器——一种利用激光脉冲测量距离和强度的设备——安装在机械臂上。他们将商业温室中使用的全尺寸岩棉立方体放置在机器人面前。机器人从多个角度和距离采集数据，记录可见光图像、主动红外信号、深度测量值以及环境光水平。目标是观察机器人是否仅利用标准农业机器上现有的有限传感器，就能检测出水分变化，而不是依赖昂贵的实验室光谱仪。
结果令人鼓欣。通过将机器人的数据输入机器学习模型，该系统成功地将岩棉立方体的含水量分为三个截然不同的类别：干燥、中等潮湿和完全饱和。该模型的平均精度接近93%。这表明，即使无法测量实验室中确定的那三个精确波长，可见光、红外回波和深度信息的结合也足以揭示基质的水分状态。该研究证实，水分相关的光学信号可以在实际、可部署的环境中被提取，弥合了复杂的谱学科学与日常农业机器人工具之间的鸿沟。
这项工作为自动灌溉的未来提供了清晰的路径。通过证明非接触式传感器可以准确读取无土介质中的水分水平，研究人员为能够监测整个温室、识别干旱区域并仅在需要时触发灌溉系统的机器人奠定了基础。该方法超越了物理探头的局限性，提供了一种在不干扰作物的情况下，为植物根部维持水分与空气完美平衡的方法。虽然目前的系统是在受控条件下针对特定类型岩棉进行的测试，但该框架表明，类似的方法可以适配于其他基质和环境，为我们的室内食物种植带来更高水平的智能化。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。