使用神经辐射场和轻量级点云细分网络进行植物茎和叶片细分和表型参数提取
Gaofei Qiao1, Zhibin Zhang1, Bin Niu1
1Key Laboratory of Wireless Networks and Mobile Computing, School of Computer Science, Inner Mongolia University, Hohhot, China.
Frontiers in plant science
|April 11, 2025
概括
本研究提出了一种新的3D植物重建和细分方法,用于准确的表型特征提取. 开发的PointSegNet实现了对玉米,西红和大豆植物进行细分的高准确性,用于智能农业应用.
科学领域:
- 植物科学 植物科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 农业技术 农业技术
背景情况:
- 准确的3D植物重建和器官细分对于自动化表型特征提取至关重要.
- 对于复杂的植物结构,现有的方法可能缺乏效率或准确性.
研究的目的:
- 为3D工厂重建和点云细分开发一种强大而准确的方法.
- 为了从3D植物模型中精确提取表型参数.
- 通过客观可靠的植物表型,推进智能农业.
主要方法:
- 用Nerfacto神经辐射场模型对玉米植物进行3D重建,以生成密集的点云.
- 开发一个轻量级的PointSegNet与全球局部集抽象 (GLSA) 和边缘意识特征传播 (EAFP) 模块用于树干和叶片细分.
- 使用主要成分分析 (PCA) 提取表型参数 (茎厚度,高度,叶长,宽度).
主要成果:
- 在玉米植物上,PointSegNet实现了高细分性能 (mIoU:93.73%,精度:97.25%,回忆:96.21%,F1得分:96.73%).
- 该方法在番茄和大豆植物的复杂结构上表现出卓越的性能.
- 提取和手工测量的表型参数之间的高相关性 (R2值高达0.99).
结论:
- 拟议的3D重建和PointSegNet细分方法为植物表型设计提供了可靠和准确的方法.
- 这项技术有可能在智能农业中显著促进植物表型的发展.
- 该研究为获取关键植物表型数据提供了一个客观的框架.


