基于可观测性状的植物表型分析在现代农业中发挥着关键作用，既可用于胁迫检测，也可用于将生理响应与育种中的基因型联系起来。基于视觉的系统能够估算生长速率、生物量或产量等宏观指标。然而，在气候变化背景下，要理解不同植物品种如何响应环境胁迫，就需要获取超越被动成像的生理指标。
叶绿素荧光是光合作用活性的直接反映，也是敏感的植物胁迫指标。传统的温室或田间荧光测量通常依赖手持设备，需要夹持单片叶片，并施加受控的光刺激方案。这种方法虽然准确，却劳动强度大、需要人工干预，也难以扩展到高通量表型分析场景。
近年来，微型电子技术的发展，以及可穿戴设备相关元件的广泛普及，推动了更小型荧光传感器的研发。Jan IngenHousz Institute 提供的一款便携式设备可以进行长期的叶片贴附式记录。尽管这类紧凑型系统能够产生高质量的时间序列数据，但仍需人工完成设备定位与回收，因此要实现大规模、空间分辨的测量，既耗时又难以自动化。
一个机器人平台利用单个便携式传感器，自动完成对多片叶片和多株植物的定点叶绿素荧光测量。该系统集成了机器人机械臂和相机—传感器云台，可对荧光探头进行精确定位。论文首先介绍平台的机械结构，以及荧光传感器的集成与实验验证；随后介绍用于叶片检测和三维定位的感知流程；最后通过运动规划策略，在几何约束和可达性约束下生成无碰撞轨迹，将传感器移动到目标位置。
通过将主动生理感知与机器人感知、操控相结合，该系统实现了可扩展、可重复且具备空间分辨率的植物表型分析，为高通量农业检测提供了一种机器人驱动的解决方案。
硬件
主动感知平台的硬件配置以低成本为设计目标，总预算约为 1000–1500 美元。成本主要来自 CNC 平台和用于支撑机械臂的铝制结构框架。
五自由度云台
感知单元由 Pi Camera Module 3 和一款紧凑型叶绿素荧光传感器组成，二者安装在定制的 3D 打印云台上。云台位于轻型机械臂的末端执行器处，机械臂由 PLA、PETG 和铝制部件制成。
笛卡尔坐标定位由 X-Carve CNC 平台完成，可提供 750 × 750 mm 的平面工作空间，以及 31.5 mm 的 z 轴行程，标称精度为约 0.05 mm。姿态控制由步进电机驱动的双轴云台机构实现，两个轴均可进行完整的360 度旋转。两个滑环确保持续供电和信号传输，同时避免线缆发生扭转。
CNC 各轴的运动由连接至 Raspberry Pi 5 的电机驱动器控制。水平旋转与俯仰方向的步进电机由通过 USB 连接的 Adafruit Feather M0 驱动。云台搭载一台 Raspberry Pi Zero W，负责相机和荧光传感器的本地采集与控制，并通过 Wi-Fi 与主控制器进行无线通信。
系统由两个分布式节点组成：
- CNC 运动节点。
- 云台感知节点。
两个节点通过定制中间件通信，该中间件实现了带有自动模块发现功能的请求—响应协议。
荧光传感器
该设备是一款主动式叶绿素荧光传感器。它通过在叶片上照射叶绿素的激发波长 LED 光，并测量叶片发出的荧光信号来工作；该信号可直接反映光合作用活性。为了获得准确测量，传感器需要近距离贴近叶片，保持约 5 mm 的间距，并使光轴尽可能接近叶片局部表面的法线方向。这些几何约束凸显了精确机器人定位与姿态控制的必要性。
传感器通过 USB 经串口适配器连接至云台感知节点，通信采用基于命令的串行协议。系统支持可编程激发序列，可根据实验需求设置任意光刺激方案。这种灵活性使平台既能兼容标准荧光测定，也能支持定制的动态刺激范式。
为表征传感器响应，研究人员施加了一组持续 1 秒、强度逐渐增加的光脉冲，相邻脉冲之间间隔 30 秒的黑暗期。在两株相互独立的 Pilea peperomioides 植株上，记录每次脉冲期间的平均荧光信号。得到的光响应曲线呈现出预期行为：在低光照区间，信号线性增加；随后趋于饱和；在更高光强下，由于非光化学猝灭——一种对强光的胁迫响应——信号逐渐下降。这些结果证实，传感器能够捕捉具有生理意义的荧光动态变化。
基于这些测量结果，研究人员根据瞬态下降阶段与饱和闪光期间的相对荧光响应计算出一个比值。该标量指标能够简洁、稳健地反映光胁迫，并可方便地整合进自动化机器人植物表型分析流程。
定点测量
荧光传感器必须相对于叶片进行精确定位，这对于保证测量的可重复性并控制信号噪声水平至关重要。因此，系统必须检测每片叶片，并调整传感器姿态，使其在工作距离处正对叶片表面所在平面。
感知模块
叶片定位首先需要对植物进行精确的三维重建，随后再对单片叶片进行几何分割。为重建植物几何结构，系统从围绕样本呈圆周分布的多个视点采集 RGB 图像。实验中使用了 80 个视点。相机位姿通过 Structure-from-Motion 流程进行估计。
尽管 Structure-from-Motion 能够直接生成稀疏或稠密点云，但研究人员并未直接使用该点云，而是将恢复出的相机位姿作为空间雕刻算法的输入，以获得体积重建结果。在这一设置下，与 Structure-from-Motion 的直接输出相比，空间雕刻能够生成更稠密、噪声更低的点云。该方法的一个已知局限是：空间雕刻假设物体在轮廓约束下满足光度一致性，因此无法准确重建强凹陷结构。 Consequently，高度卷曲或彼此遮挡的叶片可能只能得到部分重建。
由于采集环境采用均匀的黑色背景，简单的基于颜色的分割就足以将植物从场景中分离出来。系统计算 Excess Green 指数以生成二值掩膜，再将这些掩膜作为三维重建流程中的轮廓。
在重建得到的三维点云中，研究人员利用局部几何描述子进行叶片分割。对于每个点，系统在多个空间尺度上计算其局部邻域的协方差矩阵。实验使用了约包含 30、100 和 300 个点的三个邻域尺度。对协方差矩阵进行特征值分解，可以得到局部表面几何的紧凑表示。
叶片叶肉等平面结构通常表现为两个占主导地位的特征值和一个接近零的特征值；而茎等线性结构则表现为单个占主导地位的特征值。这些几何特征可用于区分叶片表面与支撑结构。
完成分类后，系统利用基于密度的聚类提取单片叶片，该方法对噪声和点密度变化具有较强鲁棒性。对于每片分割出的叶片，系统计算其质心，并估计该点处的局部表面法线。随后，这些几何特征被用于定义荧光传感器的目标位姿，从而确保传感器能够正交对准叶片，并以可达的方式完成机器人测量。
运动规划
感知模块估计出叶片质心和表面法线后，运动规划策略会为机器人机械臂生成避开植物体积的运动轨迹。该策略分为两个阶段：
- 全局路径规划阶段：让末端执行器在连续目标叶片之间移动，同时绕开植物。
- 局部接近阶段：将传感器定位在距离每片叶片表面几何一致的间隔位置。
可视化界面
研究人员使用 Dash 框架实现了一个基于 Web 的界面，用于交互式显示重建点云以及每片叶片上的对应测量位置。用户可以在三维空间中查看采样点的分布，同时查看被测叶片对应的 RGB 图像和记录到的荧光时间序列。
这种统一的可视化方式有助于定性评估目标定位精度和生理测量结果。
结论
研究人员展示了一种低成本机器人平台，用于自动化主动感知植物叶绿素荧光。通过整合三维感知、几何推理和精确操控，该系统能够在叶片层面完成定点、可重复的荧光测量。采用所提出的刺激方案后，平台能够依据一种标准的光合光胁迫指标，区分暗适应叶片和受光叶片。
尽管对暗适应叶片与光胁迫叶片进行二元区分验证了系统的感知和定位能力，但要识别更细微的胁迫异质性，还需要对荧光动态进行更高维度的分析。在这一背景下，可以采用字典学习等机器学习方法，从时间序列荧光轨迹中提取有信息量的特征，从而提高系统对复杂生理状态的敏感性。研究结果还可用于根据整株植物内部的异质性，指导叶片贴附式设备的布置。
当前评估是在几何结构相对简单的植物上进行的。对于结构高度复杂或存在自遮挡的样本，空间雕刻方法的局限性可能导致重建和分割失败。更先进的三维重建方法，例如近期出现的神经重建方法，或许能够处理更复杂的几何结构，但代价可能是生成噪声更高的点云。
最后，缩短重建时间对于将系统部署到温室或田间环境至关重要。未来工作将重点加速感知流程，例如减少采集视点数量。同时，将感知机械臂集成到移动机器人平台上也具有重要意义，这将使系统能够在真实农业环境中开展可扩展、自主的整株植物表型分析。
致谢
作者感谢 Jan IngenHousz Institute 的 Ludovico Caracciolo 和 David Kramer，感谢他们允许作者使用其荧光仪器的初步版本；同时感谢 Paris Research、Sony CSL 的 Aliénor Lahlou，感谢其开展富有成效的讨论并协助完成仪器校准。
论文写作过程中使用了 LLM 助手来澄清和修正文句。所有科学内容及其解释均由作者独立负责。
常见问题
机器人平台测量的是植物的什么信号？ 它测量叶绿素荧光。叶绿素荧光是光合作用活性的直接反映，也是植物胁迫的指标。
系统如何定位单片叶片？ 系统从多个 RGB 视角重建植物的三维结构，然后利用局部几何描述子和基于密度的聚类分割出单片叶片。
为什么荧光传感器必须精确定位？ 测量要求传感器与叶片保持约 5 mm 的间距，并使光轴尽可能接近叶片表面法线方向。
当前系统的主要局限是什么？ 空间雕刻可能无法处理高度卷曲或彼此遮挡的叶片；此外，要部署到温室和田间环境，还需要进一步缩短重建时间。