近日，“中农数院”与中国农业科学院农业信息研究所机器视觉与农业机器人创新团队，提出了一种面向生菜全生长周期的鲜重精准预测方法。该方法创新将植物生理知识与深度学习技术深度融合，构建了一个统一的预测框架，成功实现了对生菜全生长周期鲜重的无损、精准预测，有效解决了传统方法在幼苗期预测精度不足以及难以适用于全生长周期预测的行业难题。相关研究成果发表于农业与信息领域TOP期刊《Computers and Electronics in Agriculture》（IF=8.9），“中农数院”与中国农业科学院农业信息研究所联合培养博士后张玉彬与中国农业科学院农业信息研究所工程师张岩琪为共同第一作者，创新团队首席柴秀娟研究员为通讯作者。该研究得到了中国农业科学院科技创新工程基础科学研究中心（CAAS-BRC-SAE-2025-01）、国家自然科学基金（62406327）等项目的支持。

以植物工厂为代表的可控环境农业是智慧农业的核心发展方向，生菜等叶菜的鲜重是产量评估、生长调控与收获决策的核心指标，当前传统人工测量方式耗时费力，无法适配自动化生产体系，三维点云重建设备成本高昂且易受冠层遮挡干扰，现有深度学习模型多针对成熟植株优化，对形态特征微弱的幼苗期预测误差极大，难以实现全生长周期稳定精准的鲜重预测，成为制约数据驱动智能种植发展的关键瓶颈。

针对这一核心难题，研究团队突破纯数据驱动模型的局限，创新性地将植物异速生长生理规律融入深度学习模型，采用RGB-D深度相机获取生菜冠层彩色与深度图像，基于改进YOLOv8模型实现生菜冠层的精准实例分割，同时构建融入冠层面积与生物量异速生长关系的生物约束损失函数，叠加区域权重索引、误差灵敏度调整、微样本权重放大三种自适应策略，以SE-ResNeXt50为主干网络搭建双分支结构，融合RGB-D图像特征与冠层形态特征完成鲜重精准回归。

全生长周期试验结果表明，该预测框架性能表现优异，在±10%误差范围内的可接受预测率达到92.96%，平均绝对百分比误差仅4.48%，决定系数R²高达0.995，尤其针对传统模型表现最差的幼苗期，预测性能实现跨越式提升，R²从-0.223提升至0.989，平均绝对百分比误差从66.65%降至5.51%，可接受预测率提升近10倍，从幼苗期到成熟期各生长阶段均能保持高精度预测，成熟期可接受预测率更是达到100%，相较于现有生菜鲜重预测方法，在预测精度、误差控制与全周期适配性上均实现显著超越。

该技术依托RGB-D相机即可部署，具备成本低、易集成、鲁棒性强的优势，可广泛应用于植物工厂生菜自动化生长监测、设施叶菜精准水肥调控、作物高通量表型分析与育种筛选等场景，有效填补了叶菜全周期鲜重精准预测的技术空白，为工业化植物工厂、精准农业的数字化与智能化升级提供了核心技术支撑。