2025年3月,美国Jason DeBruin等人在communications biology期刊发表了名为“Breaking the field phenotyping bottleneck in maize with autonomous robots”的文章。该文章介绍了一种全自动机器人(TerraSentia)在玉米田间表型分析中的应用，旨在突破传统表型数据采集的瓶颈。
机器人搭载低成本传感器，运用计算机视觉算法，实现对玉米冠层数据的高效采集与分析，能够快速获取株高、茎粗、叶面积指数等影响玉米产量的关键指标。
关键技术解析：
株高：基于激光雷达(LiDAR)提取提取株高。
穗高：利用目标检测算法在RGB图像中定位玉米穗，结合激光雷达数据计算节点高度。
茎直径：通过Mask R-CNN模型分割RGB图像，结合激光雷达数据计算茎直径。
叶面积指数：鱼眼镜头相机结合Miller积分公式估算冠层透光率。
实验团队基于搭载多传感器(LiDAR、摄像头、鱼眼镜头等)的TerraSentia机器人在5年内覆盖美国和加拿大的142个研究地点，对近20万个玉米实验单元进行了数据采集，所采集的数据与传统测量方法高度一致(R^2>0.87)，展示了其在不同环境下的可靠性和准确性。
研究表明氮肥和种植密度对玉米的叶面积指数、株高和茎粗存在显著影响。如：高密度导致株高、茎粗降低，但提升叶面积指数。
研究发现氮肥利用效率与作物产量性状之间存在关联。氮肥利用效率与叶面积指数呈强正相关(R^2=0.957)。此外，机器人展现出预测茎秆生物量的潜力，通过建立的预测模型，可减少90%的人工测量时间。
氮肥对作物产量的影响，不仅取决于氮肥自身，还与环境条件(如降水等)、管理等密切相关，这些因素相互影响，共同决定了氮肥对产量的影响效果。
通过多年多点的数据收集，机器人能够提供高遗传力的表型数据。此外，机器人收集的数据在不同环境和管理条件下表现出良好的一致性和相关性，为进一步解析基因-环境-管理相互作用上提供了新的方法手段。