概述

在温室大棚无土栽培模式下，月季植株的生长环境（光照、温湿度、养分供给等）受人工调控呈相对稳定状态，但萌芽期根部仍会萌发 5-8 个枝丫、花芽及嫩芽，部分芽体在生长周期中会发育为 10-20cm 的枝条。为实现养分精准分配、优化冠层通风透光条件、保障切花品质的均一性，需针对芽体及枝条实施分阶段精准修剪干预。基于此，提出温室无土栽培专用 AI 机器人自动修剪系统的研发需求：​ 该系统需具备实时感知能力，可识别不同生长阶段（萌芽期、幼枝期）的月季嫩芽与枝条，通过智能算法解析其数量、高度、生长态势、空间分布及健康状态；结合单株保留 4-5 个健壮芽体 / 枝条的核心标准，以及弱枝、矮枝、竞争劣势枝条的剔除规则，驱动机械臂搭载适配末端执行器（如微型剪切装置、电热灼烧组件），分别完成嫩芽疏除与枝条修剪作业。系统需满足无土栽培环境下的操作精度要求，避免损伤保留植株组织，实现修剪过程的高效化、标准化，降低人工成本投入，提升月季栽培的精细化管理水平与花卉品质一致性。

需求详情

1. 数据采集与标注针对温室无土栽培环境的特殊性，采集特定场景下的多维度数据：涵盖月季萌芽期、幼枝期的图像数据与三维点云数据，需包含不同品种、不同光照强度（温室遮光 / 补光条件）、温湿度梯度及栽培基质背景（如岩棉、水培定植板）的样本。采用专业标注工具进行精细化标注：对嫩芽、不同高度（10-20cm 及以下）枝条进行分类，明确健壮枝、弱枝、矮枝的界定标签；同步标记芽体 / 枝条的生长方向、健康状态（如黄化、病虫害斑点）及与周边植株的空间关联属性，为模型训练提供高质量标注数据集。2. 计算机视觉模型采用改进的 YOLOv8 或 Swin Transformer 模型作为基础框架，结合温室环境下的多尺度特征融合策略：针对无土栽培中月季植株密度较高、枝条交叉重叠的特点，强化对细小嫩芽（像素占比低）与中长枝条（形态舒展）的特征提取能力，提升目标检测与语义分割的精度。引入时序信息处理模块，基于温室环境下生长数据可追溯的优势，通过分析同一植株在不同时间节点的图像序列，构建枝条生长预测子模型，量化生长速率与趋势，为动态修剪决策提供数据支撑。3. 决策优化模型构建 “规则引擎 - 机器学习” 双层决策框架，适配温室无土栽培的精准化管理需求：◦ 基础规则层：严格遵循单株保留 4-5 个健壮芽体 / 枝条的核心约束；设定矮枝剔除阈值（如高度≤5cm），优先去除对主枝光照遮挡度≥30% 的竞争枝条，保障冠层通风效率。◦ 机器学习层：采用图神经网络（GNN）建模枝条间的空间竞争关系，输入特征包括枝条生长角度（与主茎夹角）、健康评分（基于高光谱数据的叶绿素含量反演结果）、养分吸收效率（关联无土栽培营养液监测数据）等，输出修剪优先级排序及最优修剪位置（如距芽点 3-5mm 的剪切点）。1. 机械控制模型针对温室无土栽培中植株定植方式固定（如定植杯、种植槽）的特点，优化机械臂运动路径规划：◦ 根据修剪目标类型（嫩芽 / 枝条）动态切换末端执行器，对嫩芽采用电热灼烧装置（减少伤口感染风险），对枝条采用微型剪刀（提升剪切效率）。◦ 结合无土栽培中月季根系固定、植株稳定性高的特征，建立基于有限元分析的切割力学模型，仿真不同直径枝条的最佳剪切角度（建议 30°-45°）与力度参数，避免枝条撕裂及对主茎的机械损伤，保障修剪后植株的养分吸收与生长恢复效率。