传统的基于2D图像的深度学习方法只能对健康和不健康的幼苗进行分类；因此，本研究提出了一种方法，通过3D点云进一步将健康幼苗分为初生幼苗和次生幼苗，并最终区分三类幼苗，用于检测有用的茄子幼苗移植。首先，收集了三种类型的茄子幼苗（初生、次生和不健康）的RGB图像，并使用ResNet50、VGG16和MobilNetV2对健康和不健康的幼苗进行分类；随后，对3种幼苗类型分别生成三维点云，并采用（快速欧氏聚类、点云滤波、体素滤波）进行一系列滤波处理以去除噪声。从点云中提取的参数（叶片数、株高、茎直径）与手动测量值高度相关。箱形图显示，对于提取的参数，初生幼苗和次生幼苗被明显区分。利用3D分类模型PointNet++、动态图卷积神经网络（DGCNN）和Point Conv对3种幼苗类型的点云进行直接分类，并对叶片缺失的植株进行点云补全操作。Point Conv模型表现最好，平均准确率、精确率和补全率分别为95.83 %、95.83 %和95.88 %，模型损失为0.01。该方法利用空间特征信息，比二维（2D）图像分类和三维（3D）特征提取方法更有效地分析不同幼苗类别。然而，很少有研究应用3D分类方法来预测有用的茄子幼苗移植。因此，该方法具有高精度识别不同茄子幼苗类型的潜力。此外，它还可以在农业生产过程中对幼苗进行质量检验。

图1 信息处理流程的流程图

图2 一种图像采集装置的示意图

（A）计算机（处理图像数据并进行三维重建）；（B）摄像机（采集图像）；（C）旋转平台（带苗旋转）；（D）茄子幼苗（实验材料）。

图3 三维点云重建和预处理结果

A（1）-D（1）表示初生幼苗，A（2）-D（2）为次生幼苗，A（3）-D（3）为不健康的幼苗；A（1）-A（3）为3D重建后的点云植物；B（1）-B（3）为快速欧氏聚类过滤的结果；

C（1）-C（3）为基于颜色阈值点云过滤的结果；D（1）-D（3）表示体素过滤的结果。

图4 补全缺失的点云

（A）表示含有缺失叶片的植物；（B）表示分割的不完整叶片；（C）表示去除RGB数据的缺失叶片的点云数据；（D）表示PF-Net预测生成的紫色缺失部分；（E）表示完成的叶子；（F）表示点云完成后的整个植物

图5 基于三维点云和人工测量的表型提取值的拟合性能

（A）初生幼苗株高（实际与预测）；（B）初生幼苗茎直径（实际与预测）；（C）初生幼苗叶数（相同值的x轴和y轴方向获得的随机偏差）（实际与预测）；（D）次生幼苗株高（实际与预测）；（E）次生幼苗茎直径（实际与预测）；（F）次生幼苗叶数（相同值的x轴和y轴方向获得的随机偏差）（实际与预测）。

图6 初生和次生幼苗各参数的箱形图数据分布

（A）初生幼苗和次生幼苗的叶数的箱形图；（B）初生和次生幼苗的株高的箱形图；（C）初生和次生幼苗的茎直径的箱形图

表1 分类模型测试结果

VGG16的平均准确率、精确率和补全率均高于ResNet50和MobilNetV2。此外，对两种幼苗类型的正确预测数量明显高于ResNet50和MobilNetV2。

图7 模型在测试中的收敛性

（A）精度变化比较；（B）损失变化比较

表2 根据分类的置信区间

表3 按分类进行显著性检验

PointConv模型在所有性能指标上都优于其他5个模型，差异达到了统计显著性水平（p < 0.05）。置信区间表明，PointConv模型具有高的性能稳定性和大多数指标的小范围的波动度。

图8 不同模型的混淆矩阵

在实际预测过程中，PointConv模型仅错误预测了初级幼苗和次生幼苗之间的3株幼苗，预测精度明显高于其他模型。

本研究介绍了一种新的植物幼苗分类方法，其中应用三维分类模型来确定有用的茄子幼苗移植。这是通过从多视图图像中构建三维点云来实现的。利用PointNet++、DGCNN和PointConv对三种幼苗类型的点云进行了分类。PointConv模型对测试集表现出最好的分类精度。与二维图像分类和三维点云提取特征相比，该方法能够更准确地将茄子幼苗分为三类，有利于在整个农业生产和销售过程中对茄子幼苗进行无损检测。此外，它将使农业管理人员和经营者能够制定有效的种植计划和营销策略。未来的工作将集中于提高模型的分类精度和促进图像采集。