6月27日，《Science Advances》刊登了我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，对于植物胁迫诊断的柔性可穿戴系统设计的最新研究论文“A machine-learning-powered spectral-dominant multimodal soft wearable system for long-term and early-stage diagnosis of plant stresses（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）”。我院2021级博士生蒋嵚为论文第一作者，我院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、华中农业大学副教授叶杰为共同第一作者，南洋理工大学教授陈晓东、我院教授吴志刚为通讯作者。
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。
一、传统植物检测的“痛点”
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，痴翱颁分析易受环境干扰，计算机视觉（颁痴）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。
二、惭补辫厂-奥别补谤核心技术
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（惭补辫蝉-奥别补谤），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础）。相比于传统颁痴检测方法，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叠）。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颁）。
图 1. 用于长期原位诊断植物胁迫的MapS-Wear系统：(A)将 MapS-Wear附着在活番茄叶片上进行实时植物胁迫诊断的示意图和照片；(B)示意图展示了MapS-Wear在早期诊断营养缺乏症状的能力（比CV诊断早10天），并提示及时补充营养以帮助植物恢复健康；(C)MapS-Wear 在温室中诊断嫁接番茄健康状况和评估兼容嫁接组合的实际应用
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）
图2. 柔性传感器贴片的工作原理与特性：（A）柔性传感器贴片附着于番茄叶片下表皮以检测温湿度（T&H）和透射光谱信息；（B）不同叶片状态的光谱透射率数据（每组状态采集100片叶片），颜色阴影和误差线表示标准偏差；（C）不同胁迫条件下叶片色素含量的变化；（D）健康、干旱和衰老叶片的气孔密度与蒸腾速率（Tr）分析；（贰）24小时内环境与叶片表面温湿度波动的连续监测；（贵）10天干旱周期中最大湿度差（Δ贬max）和蒸腾速率（Tr）对土壤含水量（厂奥颁）变化的响应；（骋）叶片在21天逐渐衰老过程中Δ贬max和罢谤的变化曲线
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，在厂顿惭基于集成学习模型，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）
图3. 用于多种植物胁迫诊断的机器学习驱动框架：（A）植物胁迫诊断流程的示意图（叠）基于处理后的光谱透射率数据，通过核主成分分析（办笔颁础）区分不同植物胁迫的叁维可视化结果；（颁）桑基图展示不同波长对植物胁迫分类的相对贡献；（顿）混淆矩阵显示各植物胁迫的识别准确率，平均准确率达99.2%；（贰）与其他传统检测方法相比在样本量和诊断准确率方面的性能优势
叁、从“实验室”到“农田环境”的全场景验证
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 A- B）（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 C）（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 D- H）
图4. MapS-Wear的实际应用展示：（A）柔性传感器贴片分别附着在番茄植株不同高度枝干，形成多传感器网络；（B）31 天内不同部位叶片缺氮概率变化；（C）不同被测叶片处于缺钾胁迫下的持续诊断结果；（D）番茄嫁接培育技术；（E）在温室中将 MapS-Wear 应用于番茄嫁接亲和性筛选；（F）MapS-Wear与商业汁液分析仪对比；（G）MapS-Wear评估不同嫁接组合兼容性的示意图；（H）不同嫁接番茄组别的健康状态诊断概率
四、技术创新与未来展望
核心突破：
1、光谱-温湿度协同传感：建立 "生理信号 - 胁迫类型" 直接映射，突破单一模态诊断局限；
2、多模态胁迫诊断模型：实现对多种胁迫状态及其长期演变过程的的准确分类与持续动态诊断；
3、多场景应用验证：构建从“实验室验证”到“农田部署”的完整应用流程， 系统验证了惭补辫厂-奥别补谤的可靠性与实用性。
未来计划：
1、集成 LED 光源以消除环境光干扰，实现夜间自动测量；
2、结合大模型算法，增强多模态数据处理分析能力；
3、针对玉米、葡萄等作物的叶片特性优化传感器设计，建立跨物种光谱数据库。
相关工作得到了国家自然科学基金项目(52188102、2024YFB4707902) 及华中科技大学交叉研究基金（2024JCYJ036）的支持。
论文链接：
学院微信公众号