一种基于多视图图像序列的小麦表型分析综合方法:从苗木到谷物填充阶段
Shengxuan Sun1, Yeping Zhu1, Shengping Liu1
1Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing, China.
Frontiers in plant science
|September 3, 2024
概括
本研究介绍了一种用于全周期小麦表型监测的3D点云处理方法. 开发的结构-从-运动,多视图立体声 (SFM-MVS) 方法准确地提取植物高度和叶子尺寸,帮助精确的作物分析.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物表型化 植物表型化
背景情况:
- 小麦的复杂生长特征,包括广泛的耕作和器官重叠,挑战全周期的表型监测.
- 准确而非破坏性的表型化对于理解小麦生长动态和改善作物管理至关重要.
研究的目的:
- 在整个生长周期中开发和验证一种合成的方法来处理和细分小麦点云.
- 为了能够精确,快速和非破坏性地提取小麦的关键表型参数.
主要方法:
- 一个多视图图像采集平台被用来捕捉小麦植物图像.
- 从运动结构,多视图立体声 (SFM-MVS) 技术产生了密集的点云.
- 改进的欧几里德集群,颜色过,统计过和区域增长细分用于点云处理和器官细分.
主要成果:
- 该工作流在提取植物高度 (R2=0.9979,RMSE=1.0773厘米),叶子长度 (R2=0.9977,RMSE=0.2612厘米) 和叶子宽度 (R2=0.995,RMSE=0.0335厘米) 方面实现了高精度.
- 该方法在整个生长周期中证明了小麦叶片细分效率的提高.
- 分析了植物高度,体积,表面积和冠状面积的动态变化,ANOVA显示了品种和生长阶段之间的显著差异.
结论:
- 拟议的3D重建和点云处理工作流可靠,准确地提取小麦的表型参数.
- 该方法提供了一种方便,快速和定量方法,用于精确的全周期小麦表型监测和生长动态分析.
- 该研究为推进小麦育种和精准农业提供了至关重要的技术支持.
