欧亚国际

稻穗表型参数自动化测量方法对品种具有重要意义。作物点云的自动分割和分类有助于有助于精确获取水稻品种的稻穗长度体积、弯曲度、剑叶夹角、着粒分布特性等重要参数。传统的扫描点云聚类方法可以实现对空间位置相对独立的植物器官点云的分割，但精度不高，难以直接应用于稻穗表型分析；基于通用点云语义识别的人工智能模型应用于穗状点云分割时，面临大规模样本困难、点云分布不均、茎穗互相遮挡、点云排列无序等挑战，也无法实现稻穗点云的精细分析。

近日，Plant Phenomics在线发表了上海交通大学机械与动力工程学院机电与物流装备研究所贡亮课题组题为Panicle-3D: Efficient phenotyping tool for precise semantic segmentation of rice panicle point cloud 的研究论文，提出了穗型分析的自动化装置设计方法和穗型点云语义分析的专用网络。

针对穗型研究缺乏自动化仪器问题，该研究首先设计了基于主动结构光的桌面级三维点云扫描装置，对水稻点云数据进行采集，经过数据预处理和标注，得到包含200个水稻点云的数据集。同时，除了对稻穗进行原位扫描外，该装置也支持对稻穗等作物器官进行破坏性分解研究，从而获得稻穗的更为细节的表型参数，例如茎的直径、茎的长度、穗的长度、高度和宽度，主穗和小穗的几何特征，以及幼苗在穗中的分布等。

针对传统机器学习方法难以分割的植物点云，引入3D点云卷积神经网络架构，并基于该架构设计了多尺度点云特征分析算法Panicle-3D，实现了快速有效的点云分割。稻穗点云分割准确率达到93.4%，IoU达到86.1%，均优于经典点云处理模型PointNet。

与传统的表型参数测量方法相比，该研究提出的方法有助于实现作物表型参数的自动化，为功能遗传分析和育种提供支持。

Figure 1The structure of the point cloud acquisition platform

Figure 6Structure of Panicle-3D

Figure 8The segmentation results

本研究得到了伦敦皇家自然知识促进学会（CHL\R1\180496）和中国国家自然科学基金（No. 51775333）资助，特此感谢。

作者介绍

论文链接

http://doi.org/10.34133/2021/9838929

——推荐阅读——

Global Wheat Head Detection 2021: An Improved Dataset for Benchmarking Wheat Head Detection Methods

http://doi.org/10.34133/2021/9846158

Plant Phenomics | GWHD_2021：改进后的全球麦穗检测数据集

Complementary Phenotyping of Maize Root System Architecture by Root Pulling Force and X-Ray Imaging

http://doi.org/10.34133/2021/9859254

Plant Phenomics | 基于根提拉力和X射线成像的玉米根系结构表型研究