基于3D点云的国兰幼苗自动表型分析方法-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于3D点云的国兰幼苗自动表型分析方法

发布时间：

2025-02-23

来源：

作者：

针对人工测定兰花幼苗表型参数效率低、成本高的问题，本研究提出了一种基于点云的部分表型参数全自动测量方案。其关键或难点在于根据形态特定结构设计一种针对单个分蘖的分割方法。在确定分枝点后，设计了两轮分割方案。第一轮基于边缘点云分割，将每个分蘖的非重叠部分与各个分株的重叠部分分开；第二轮则根据分蘖上方的权重比例沿水平方向切割重叠部分，以获取所有分蘖的完整点云。该算法的核心优势在于分割能很好地契合分蘖的生长方向，所提取的分蘖骨架点与实际生长方向接近，显著提高了后续表型参数预测的精度。五个表型参数——株高、叶片数量、叶长、叶宽和叶面积——均能自动计算。实验结果表明，这五个参数的准确率分别达到了98.6%、100%、92.2%、89.1%和82.3%，能够满足各类表型应用的需求。

图1 点云预处理（A）兰花的RGB图像（B）兰花的深度图像（C）兰花的点云（D）去除背景后的点云（E）标记红色用于去除的土壤平面（F）标记红色的飞行噪声体素（G）0度配准的点云（H）180度配准的点云

图2 骨架切割方法

（A）分株与分蘖的区分，不同颜色代表不同的分株，每个分株的分蘖编号不同（B）垂直切割，每个切片层以红色或蓝色区分（C）传统切割方法下的骨架连接，在①和②中，错误连接用橙色标记，在③中，黑色切片层为垂直方向的切片层，橙色切片层为实际的切片层在④中，红色点表示通过骨架切割方法预测的骨架点，紫色点表示实际的骨架点

图3兰花主蘖与侧蘖的分类 ① 主蘖，② 侧蘖，三个分株的初始聚类分别用红色、绿色和蓝色标记

图4 分枝点确定算法

图5 上述搜索的聚类，基于参考聚类在切片层点云上进行欧几里得聚类，得到五个聚类，①和②是参考聚类上方搜索到的聚类，③、④和⑤是其他分蘖所在的聚类

图6 第一轮分割算法

图7 非重叠部分分割

（A）初始聚类标记为红色（B）蓝色点云：上边缘和下边缘，红色部分：正边缘和负边缘，黑线：上下分段线，绿色线：连接线（C）特殊分段线标记为紫色（D）下一轮待分割的聚类标记为紫色（E）每一轮的分段线（F）非重叠部分的分割，每个搜索到的聚类通过不同颜色区分

图8 第一轮分割

（A）红框内的分株是讨论的分株（B）标记为蓝色的聚类是参考聚类 rc，标记为绿色的聚类是待分割的非重叠部分的初始聚类（C）第一分蘖的非重叠部分，每个分割的聚类用不同颜色表示（D）标记为蓝色的聚类是参考聚类 rc，标记为紫色的聚类是待分割的非重叠部分的初始聚类（E）第二分蘖的非重叠部分，每个分割的聚类用不同颜色表示（F）顶部红色聚类是分株在 Y 轴上最高点所在的聚类，标记为绿色的聚类是待分割的最后一分蘖的非重叠部分的初始聚类（G）最后一分蘖的非重叠部分，每个分割的聚类用不同颜色表示

图9 边界点云提取（A）边界点提取，边界点标记为红色，但这些边界点包含内环边缘点（B）外边界的三角网格，外边界点通过红线连接（C）外边界点云，外边界点通过红线连接（D）外边缘点

图10 第二轮分割算法

图11 形态特征提取

（A）每个分蘖的点云，红色、橙色和蓝色块状图分别表示第一、第二和第三分株的所有分蘖（B）每个分蘖的高度 H，最高的 H 作为植物高度的估计值（C）每个分蘖的质心连接，所有质心距离的总和为叶长的估计值（D）每个分蘖聚类正侧和负侧的质心连接（E）基于三角网格的内孔或网格面积计算方法，计算所有网格或孔的面积

图12 分蘖分割过程

（A）预处理后的点云（B）确定的分株数量（初始聚类），每个分株的初始聚类用不同颜色标记（C）第一轮分割结果。输出用不同颜色标记（D）第二轮分割结果。输出用红色和蓝色标记（E）不同分蘖的骨架点分别用红色和蓝色记录

图13 四个表型参数的比较，在图 A、C、E 和 G 中，红色虚线表示预测值与实际值相等的线（r = 1），黑线表示拟合线，在图 B、D、F 和 H 中，蓝色组代表预测值，橙色组代表实际值， I、J、K 和 L 显示了估计值与实际值之间的相应小提琴图

来源

Zhou, Y., Zhou, H. & Chen, Y. An automated phenotyping method for Chinese Cymbidium seedlings based on 3D point cloud. Plant Methods 20, 151 (2024). https://doi.org/10.1186/s13007-024-01277-1

编辑

wrd