6月27日，Science Advances刊登了机械学院智能制造装备与技术全国重点实验室丁汉院士、吴志刚教授团队与南洋理工大学、华中农业大学的合作科研成果，关于植物胁迫诊断的柔性可穿戴系统设计的最新研究论文“面向植物胁迫长期及早期诊断的机器学习辅助下光谱主导型多模态柔性可穿戴系统”(A machine-learning-powered spectral-dominant multimodal soft wearable system for long-term and early-stage diagnosis of plant stresses)。学院2021级博士生蒋嵚为论文第一作者，2022级硕士生赵鑫、2023级硕士生赵提勇，新加坡材料研究与工程研究所研究员李文龙、华中农业大学叶杰副教授为共同第一作者，南洋理工大学陈晓东教授、我校吴志刚教授为通讯作者。
在全球粮食危机与气候变化的双重挑战下，如何精准监测植物健康、提前预警生长危机，成为农业领域的关键课题。华中科技大学、南洋理工大学与华中农业大学团队联合研发的MapS-Wear(多模态柔性可穿戴系统)，以番茄为研究对象，为植物长期健康监测与早期胁迫(生长不利条件)诊断提供了新的解决方案，并构建了从实验室到农田环境的应用验证流程。
番茄作为高营养价值作物，已成为全球最重要的蔬菜作物之一(我国番茄产量居世界首位)，其高质量生产受病虫害、营养缺乏等多重胁迫威胁。然而，传统植物压力诊断方法存在明显局限性，无法持续跟踪作物生长状态与胁迫变化过程。其中生物分析需破坏性采样，刚性传感器易损伤植物，VOC分析易受环境干扰，计算机视觉(CV)方法因依赖明显可见症状而滞后，光谱检测方法则因机械固定限制长期监测。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顺形性，可直接贴附在植物表皮进行生理数据的采集，为植物生长过程的长期持续监测提供新的测量手段。然而，当前传感数据仍然较为基础，难以作为反映作物胁迫状态的直接生理信号指标，阻碍了精确胁迫诊断模型的建立。
本研究以番茄作为研究对象，提出了面向植物胁迫原位在线诊断的多模态柔性可穿戴系统(Maps-Wear)，通过构建叶面光谱特征与胁迫响应间的直接映射关联，结合机器学习在信号处理与模型预测中的优势，在番茄植株上实现了多种胁迫因素的长期、精准与早期诊断(图1)。相比于传统CV检测方法，可实现在无明显可视症状期的早期预警，并提前10天以上诊断出作物胁迫状态，有助于及时干预促使植物重新恢复健康状态(图1)。此外，该系统还可部署在农田环境下进行大批量采样与快速结果分析，有助于高效筛查番茄嫁接亲和性(图1)。
图1为用于长期原位诊断植物胁迫的MapS-Wear系统
MapS-Wear中的柔性传感贴片(soft sensor patch)采用PDMS作为柔性基底，集成两个光谱传感器和温湿度(T&H)传感器，形成三明治结构。柔性传感贴片可直接贴附在叶片背面，同时监测透射光谱(415-680nm)、温度和湿度，实时捕捉叶片内色素含量(叶绿素、花青素、胡萝卜素)及蒸腾作用在胁迫影响下的变化。因此，这些传感参数可与植物胁迫因素建立直接相关关系，便于准确反映胁迫状态。
图2为柔性传感器贴片的工作原理与特性
为充分融合多模态传感信息，本研究还设计了机器学习诊断框架，用于精确区分植物所处的不同胁迫状态。该框架包括两个核心子模块协同工作：温湿度判别模型(THD)和光谱诊断模型(SDM)。其中，THD模型用于对叶面长期温湿度数据进行分析，可有效识别并排除高温、干旱、衰老胁迫状态，防止该类胁迫下对光谱信号产生影响；随后，SDM则对上述胁迫以外的光谱信号特征进行分析， 进一步诊断营养元素(如氮、磷、钾元素)缺乏以及螨虫侵害下的胁迫。为实现胁迫长期演变过程的持续跟踪诊断，在SDM基于集成学习模型，并加入时间序列化光谱数据作为训练样本。经过优化模型参数后，可实现在少样本(500叶片)下的高精度诊断(99.2%)，相比传统方法，可极大减少训练数据收集成本。
图3为用于多种植物胁迫诊断的机器学习驱动框架
为充分验证MapS-Wear系统性能，在多种实验场景下进行探究分析，主要包括：(1)单植株不同生长层次叶片的胁迫敏感性分析。在单株番茄植株不同生长层次枝干叶片上部署MapS-Wear多传感网络，探究了番茄植株遭受营养缺乏胁迫时不同部位叶片的响应敏感度差异。(图4)(2)多植株对照下胁迫早期诊断与及时干预验证。在多株番茄植株上设置遭受不同胁迫程度的对照实验，验证了MapS-Wear在胁迫早期诊断的性能，相比传统CV诊断方法能够至少提前10天检测到胁迫症状。(图4)(3)农田大棚环境中大批量番茄嫁接亲和性筛查。将MapS-Wear应用于实际农田大棚种植环境进行大批量(176株)番茄嫁接亲和性的便捷、快速(5s内)筛查，验证了其在实际农业生产中的应用潜力；实现了高评估准确度(88%)，为优势育种和精准农业管理提供了新的技术方案。
图4为MapS-Wear的实际应用展示
相关工作得到了国家自然科学基金项目及华中科技大学交叉研究基金的支持。
