一种基于CAVF-PointNet+的芝麻 (Sesamum indicum L.) 器官细分和表型参数提取的方法
Xinyuan Wei1, Qiang Wang1, Kaixuan Li1
1College of Software, Shanxi Agricultural University, Jinzhong 030801, China.
Plants (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一种新的3D点云方法,用于自动化芝麻植物表型化. CAVF-PointNet++模型准确地对植物器官进行细分,并提取关键的表型参数,推进精准农业.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物生物学 植物生物学
背景情况:
- 在芝麻 (Sesamum indicum L.) 的表型化中,有效的,非破坏性的器官级表型参数提取是至关重要的.
- 目前的方法在精度和自动化方面存在局限性.
研究的目的:
- 在芝麻植物中开发一种器官细分和表型参数提取的自动化方法.
- 用3D点云数据提高芝麻表型的准确性和效率.
主要方法:
- 从多视图RGB图像序列构建高精度3D点云.
- 使用CAVF-PointNet++模型进行茎,树叶和叶子的自动细分.
- 使用曲率密度聚类来对单个叶片进行细分.
- 提取六个器官级的表型参数:植物高度,茎直径,叶子长度,叶子宽度,叶子角和叶子面积.
主要成果:
- 在器官细分方面,CAVF-PointNet++实现了96.93%的整体准确度和82.56%的平均IOU,表现优于PointNet++.
- 叶片细分方法显示了高精度,回忆和F1得分,与手动细分相比具有很强的一致性.
- 与手动测量相比,表型参数测量显示了高的确定系数 (高达0.984) 和低的平方根平均误差.
结论:
- 拟议的方法为芝麻植物提供了准确和高效的3D自动化表型.
- 这种技术为芝麻表型研究和精准农业提供了强大的技术支持.
- 该方法有可能应用于其他作物的自动化3D表型分析.
