【儀表網 研發快訊】6月27日，Science Advances刊登了機械學院智能制造裝備與技術全國重點實驗室丁漢院士、吳志剛教授團隊與南洋理工大學、華中農業大學的合作科研成果，關于植物脅迫診斷的柔性可穿戴系統設計的最新研究論文“面向植物脅迫長期及早期診斷的機器學習輔助下光譜主導型多模態柔性可穿戴系統”(A machine-learning-powered spectral-dominant multimodal soft wearable system for long-term and early-stage diagnosis of plant stresses)。學院2021級博士生蔣嵚為論文第一作者，2022級碩士生趙鑫、2023級碩士生趙提勇，新加坡材料研究與工程研究所研究員李文龍、華中農業大學葉杰副教授為共同第一作者，南洋理工大學陳曉東教授、我校吳志剛教授為通訊作者。
 

　　在全球糧食危機與氣候變化的雙重挑戰下，如何精準監測植物健康、提前預警生長危機，成為農業領域的關鍵課題。華中科技大學、南洋理工大學與華中農業大學團隊聯合研發的MapS-Wear(多模態柔性可穿戴系統)，以番茄為研究對象，為植物長期健康監測與早期脅迫(生長不利條件)診斷提供了新的解決方案，并構建了從實驗室到農田環境的應用驗證流程。
 

　　番茄作為高營養價值作物，已成為全球最重要的蔬菜作物之一(我國番茄產量居世界首位)，其高質量生產受病蟲害、營養缺乏等多重脅迫威脅。然而，傳統植物壓力診斷方法存在明顯局限性，無法持續跟蹤作物生長狀態與脅迫變化過程。其中生物分析需破壞性采樣，剛性傳感器易損傷植物，VOC分析易受環境干擾，計算機視覺(CV)方法因依賴明顯可見癥狀而滯后，光譜檢測方法則因機械固定限制長期監測。相比之下，柔性可穿戴器件由于具有良好的生物兼容性和表面順形性，可直接貼附在植物表皮進行生理數據的采集，為植物生長過程的長期持續監測提供新的測量手段。然而，當前傳感數據仍然較為基礎，難以作為反映作物脅迫狀態的直接生理信號指標，阻礙了精確脅迫診斷模型的建立。
 

　　本研究以番茄作為研究對象，提出了面向植物脅迫原位在線診斷的多模態柔性可穿戴系統(Maps-Wear)，通過構建葉面光譜特征與脅迫響應間的直接映射關聯，結合機器學習在信號處理與模型預測中的優勢，在番茄植株上實現了多種脅迫因素的長期、精準與早期診斷(圖1)。相比于傳統CV檢測方法，可實現在無明顯可視癥狀期的早期預警，并提前10天以上診斷出作物脅迫狀態，有助于及時干預促使植物重新恢復健康狀態(圖1)。此外，該系統還可部署在農田環境下進行大批量采樣與快速結果分析，有助于高效篩查番茄嫁接親和性(圖1)。
 

圖1為用于長期原位診斷植物脅迫的MapS-Wear系統
 

　　MapS-Wear中的柔性傳感貼片(soft sensor patch)采用PDMS作為柔性基底，集成兩個光譜傳感器和溫濕度(T&H)傳感器，形成三明治結構。柔性傳感貼片可直接貼附在葉片背面，同時監測透射光譜(415-680nm)、溫度和濕度，實時捕捉葉片內色素含量(葉綠素、花青素、胡蘿卜素)及蒸騰作用在脅迫影響下的變化。因此，這些傳感參數可與植物脅迫因素建立直接相關關系，便于準確反映脅迫狀態。
 

圖2為柔性傳感器貼片的工作原理與特性
 

　　為充分融合多模態傳感信息，本研究還設計了機器學習診斷框架，用于精確區分植物所處的不同脅迫狀態。該框架包括兩個核心子模塊協同工作：溫濕度判別模型(THD)和光譜診斷模型(SDM)。其中，THD模型用于對葉面長期溫濕度數據進行分析，可有效識別并排除高溫、干旱、衰老脅迫狀態，防止該類脅迫下對光譜信號產生影響；隨后，SDM則對上述脅迫以外的光譜信號特征進行分析， 進一步診斷營養元素(如氮、磷、鉀元素)缺乏以及螨蟲侵害下的脅迫。為實現脅迫長期演變過程的持續跟蹤診斷，在SDM基于集成學習模型，并加入時間序列化光譜數據作為訓練樣本。經過優化模型參數后，可實現在少樣本(500葉片)下的高精度診斷(99.2%)，相比傳統方法，可極大減少訓練數據收集成本。
 

圖3為用于多種植物脅迫診斷的機器學習驅動框架
 

　　為充分驗證MapS-Wear系統性能，在多種實驗場景下進行探究分析，主要包括：(1)單植株不同生長層次葉片的脅迫敏感性分析。在單株番茄植株不同生長層次枝干葉片上部署MapS-Wear多傳感網絡，探究了番茄植株遭受營養缺乏脅迫時不同部位葉片的響應敏感度差異。(圖4)(2)多植株對照下脅迫早期診斷與及時干預驗證。在多株番茄植株上設置遭受不同脅迫程度的對照實驗，驗證了MapS-Wear在脅迫早期診斷的性能，相比傳統CV診斷方法能夠至少提前10天檢測到脅迫癥狀。(圖4)(3)農田大棚環境中大批量番茄嫁接親和性篩查。將MapS-Wear應用于實際農田大棚種植環境進行大批量(176株)番茄嫁接親和性的便捷、快速(5s內)篩查，驗證了其在實際農業生產中的應用潛力；實現了高評估準確度(88%)，為優勢育種和精準農業管理提供了新的技術方案。
 

圖4為MapS-Wear的實際應用展示
 

　　相關工作得到了國家自然科學基金項目及華中科技大學交叉研究基金的支持。