A Swarm-Coordinated Multi-Robot System for Early Stress Detection in Agricultural Rows Using Multimodal Leaf Sensing
作者: Rishi Gupta, Astha Goyal, Vinay Vishwakarma
分类: cs.RO, cs.AI
发布日期: 2026-10-06
💡 一句话要点
提出CropSentry以解决农业作物早期压力检测问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多机器人系统 作物健康监测 早期压力检测 低成本技术 多模态传感 农业智能化 无线通信
📋 核心要点
- 现有的作物压力检测技术如高光谱成像过于昂贵，难以为中小型农户所用，亟需一种低成本的解决方案。
- 本文提出了CropSentry，一个基于多机器人系统的低成本解决方案，通过多模态叶片传感器实现作物健康的持续监测。
- 实验结果表明，CropSentry在作物健康分类上达到了84.12%的准确率，且实现了100%的无线通信成功率，具有显著的实用价值。
📝 摘要（中文）
在现代农业中，早期检测作物压力是提高效率、减少资源浪费的必要手段。然而，现有的高光谱成像和基于人工智能的系统对于中小型农户来说过于昂贵和复杂。本文展示了CropSentry，一个低成本的地面多机器人系统，通过多模态叶片传感器持续监测作物健康，跟踪压力水平。该系统由两个自主机器人组成，逐行检测叶片颜色和环境数据，并将观察结果空间映射后发送至主机器人，后者利用颜色编码的行段生成实时的基于网络的作物健康仪表盘。实验结果显示，整体作物健康分类准确率为84.12%，健康植物为82.60%，营养缺乏植物为88%，病害植物为80%。该系统实现了100%的无线通信成功率，能够以经济、可及和可扩展的方式检测作物的早期压力，为农民提供及时的信息以改善资源利用和作物管理。
🔬 方法详解
问题定义：本文旨在解决农业作物早期压力检测的难题，现有方法如高光谱成像和AI系统成本高、复杂，难以被中小型农户接受。
核心思路：CropSentry系统通过低成本的多机器人平台，利用多模态叶片传感器进行作物健康监测，旨在提供经济、可及的解决方案。
技术框架：系统由两个自主机器人组成，逐行检测叶片颜色和环境数据，观察结果被空间映射并发送至主机器人，主机器人生成实时的健康仪表盘。
关键创新：该系统的创新在于其低成本和高效的多机器人协作方式，能够在保持经济性的同时，实现高准确率的作物健康监测。
关键设计：系统设计中，采用了多模态传感器进行数据采集，使用颜色编码的行段进行数据可视化，确保了实时监测和高效通信。实验中实现了100%的无线通信成功率，显示出系统的可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，CropSentry系统在作物健康分类上达到了84.12%的准确率，其中健康植物为82.60%，营养缺乏植物为88%，病害植物为80%。此外，系统在10次从属观察中实现了100%的无线通信成功率，展现了其高效性和可靠性。
🎯 应用场景
CropSentry系统在农业领域具有广泛的应用潜力，能够帮助中小型农户以低成本实现作物健康监测，及时发现作物压力，从而优化资源利用和管理策略。未来，该技术有望推广至更大规模的农业生产中，提高整体农业生产效率。
📄 摘要（原文）
Early stress detection in crops is a necessity today to improve efficiency and reduce waste of time, money, and effort. However, most modern techniques, such as hyperspectral imaging and AI-based systems, are too costly and complex for medium and small-scale farmers to implement. This paper showcases CropSentry, a low-cost, ground-based multi-robot system that uses multimodal leaf sensing to continuously monitor crop health by tracking stress levels. The system comprises two autonomous bots that continuously detect leaf color and environmental data row by row. The observations are spatially mapped and sent over to the master bot, which uses color-coded row segments to generate a real-time web-based dashboard displaying crop health. After 63 observations were collected during the experiments, the results showed an overall crop health classification accuracy of 84.12%, with 82.60% for healthy plants, 88% for nutrient-deficient plants, and 80% for diseased plants. Also, 100% wireless communication success rate across 10 slave observations was achieved. Close-range leaf inspection across multiple bots can detect early stress in crops while remaining affordable, accessible, and scalable. It provides farmers with timely information to improve resource utilization and crop management.