ELGCot3D:一个基于EdgeConv-Local Attention-GCN和语义特征增强的轻量级3D棉花点云细分模型
Hao Qiu1, Xiaoyan Meng1,2,3, Yongke Li1,2,3
1School of Computer and Information Engineering, Xinjiang Agricultural University, Urumqi, China.
Frontiers in plant science
|February 23, 2026
概括
本研究介绍了ELGCot3D,这是一种轻量级的3D点云方法,用于精密农业中高效的棉花器官细分. 该模型实现了高精度,同时显著降低了计算复杂性和参数.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 植物科学 植物科学
背景情况:
- 自动棉花表型化需要高效且非破坏性的器官提取,但目前的方法受到叶子封闭和大型模型参数的阻碍.
- 现有的技术无法满足高通量表型化的需求,需要在细分精度和效率方面取得进展.
研究的目的:
- 提出ELGCot3D,一种基于3D点云的轻量级方法,用于高精度的棉花器官细分.
- 为了解决在资源有限的环境中面临的叶子遮蔽和计算需求的挑战,用于棉花表型化.
主要方法:
- 引入了ELG3D模块来取代传统的集合抽象,通过多机制融合增强了本地特征学习.
- 开发了一种棉花特定的功能增强模块,以优化功能可区分性和减少网络复杂性.
- 实施了适应棉花点云的培训策略,以提高模型稳定性和预测准确性.
主要成果:
- 在Crops3D数据集上,ELGCot3D在棉花细分方面实现了76.7%的mIoU和86.1%的OA.
- 模型参数减少了50.1%,计算复杂性减少了50.7%,证明了轻量级的特性.
- 在其他作物和棉花点云数据集上展示了强大的概括能力.
结论:
- ELGCot3D为棉花表型和精密农业提供了可靠和高效的方法.
- 该方法提供了细分性能和计算效率之间的平衡,适用于资源有限的设置.
- 未来的工作旨在在大型现场应用中扩大单个植物器官的高通量提取,以支持育种工作.
