图1 传统新器官检测框架与我们时空框架的新器官检测简要对比。（a）为传统方法，（b）为我们的方法。传统方法由于网络在不平衡类别下进行训练，导致检测灵敏度较低。

图2 我们用于生长事件检测的详细3D-NOD框架。（a）为训练流程，（b）为测试流程。绿色点表示旧器官，紫色点表示新器官。测试流程可以接受时序数据或单株植物点云作为输入。

图3 用于标注生长事件的反向和正向标注（BFL）（以“新器官”为例）在训练数据中的应用。（a）为植物点云的原始时序数据；（b）为新器官的反向标注结果；（c）为正向标注结果；（d）为最终的组合结果。请注意，BFL仅用于准备训练数据。网络训练完成后，生长事件可以通过将相邻植物的时序数据或单株植物点云输入网络来轻松检测。

图4 类人数据增强（HDA）技术。人工标注员将两个相邻的点云在时间轴上对齐，并通常执行三种操作来检查它们之间的差异。HDA通过模仿人工标注习惯，对单个点云进行总旋转（步长为36度）、随机旋转和位移操作。每个经过RMU处理后的混合点云将最终通过HDA增强10次用于训练。

  图5 用于新器官检测的DGCNN主干网络架构。（a）展示了用于理解点云旋转和平移的空间变换模块（Spatial Transform）；（b）展示了用于提取深层特征的边卷积（EdgeConv）模块，该模块使用多层感知器（MLP）。

  图6 来自我们时空数据集的部分示例。（a）为烟草点云系列，（b）为番茄点云系列，（c）为高粱点云系列。

  图7 我们框架在基础数据集上对生长事件进行的部分定性分割结果。（a）为番茄测试序列的连续分割结果；（b）为烟草序列的分割结果；（c）为高粱序列的分割结果。

 图8 番茄植物序列中两种推理方法的定性比较。

  图9 烟草植物序列中两种推理方法的定性比较。

  图10 高粱植物序列中两种推理方法的定性比较。