叶片性状估计仍然是一个劳动密集型过程。获取真实测量值的工作限制了自动执行此任务的精度。传统上，植物科学家手动测量收获的叶子的性状并将其与传感器数据相关联，这是训练机器学习方法和自动化流程的关键。在本文中，提出了一种基于神经网络的方法来生成叶子及其相关特征的合成3D 点云，以支持表型分析方法。使用真实世界的树叶点云来学习如何从自动提取的树叶骨架中生成逼真的树叶。使用生成的叶子来微调不同的叶子性状估计方法。使用不同的性状估计方法评估生成的数据，并将结果与使用真实数据或农业模拟软件的其他合成数据集进行比较。实验表明，该方法生成的树叶点云与真实树叶有很高的相似度。在生成的数据上调整性状估计方法可以提高它们在估计真实叶子性状方面的性能，这使得数据对于开发和测试数据驱动的性状估计方法至关重要。准确的性状估计是了解作物生长、生产力和抗虫性的关键，因为叶子的大小直接影响光合作用、产量潜力以及对昆虫和真菌生长的脆弱性。

图1  所提出方法的概述。显示了由从GMM采样的白色点中的骨架点组成的输入点云P。网络预测每个点的偏移量，如箭头所示。将偏移量加到点的位置上，得到P。使用真实的叶点云P^real来监督网络。

图2  使用Marks等人（上图）的方法提取甜菜叶的骨架，使用Magistri等人（下图）的方法提取玉米叶的骨架。骨架S总是以黑色圆圈显示。显示了侧面（a）和顶部（b）的视图。对于（c）中的玉米叶，显示了沿着主轴提取的骨架和（d）中围绕m切割的叶切片的点。在（e）中，具有主轴和横轴的最终骨架。

图3 点云P，即生成函数g的输入。骨架点以黑色圆圈显示。其他点是从拟合在骨架上的高斯混合模型中采样的。从侧面（a）和顶部（b）展示视图。

图4  展示了在不同数据集上对bonnbetclouds 3d的方法进行调整后估计的叶片长度和宽度。每个条形图以其平均值为中心，大小与其标准偏差相对应，显示了最大和最小估计值。

图5  通过所提出的方法生成的具有不同叶片角度、茎长度、叶片长度和宽度的甜菜叶片的例子。展示了三株植物的侧视图（蓝色矩形）和俯视图（紫色矩形），这三株植物是使用具有不同方向和位置的相同叶子生成的。我们显示了第一株植物（绿色矩形）和第二株植物（橙色矩形）的放大视图。

图6  （a）和（b）是从同一骨架生成的两个叶子。在（c）中表明，当使用倒角距离时，蓝色圆圈中的离群值是唯一提供有意义距离的离群值，因为大多数点都在同一区域。在（d）中，显示了提出的点到网格距离，其中计算每个灰点到两个网格的距离之间的差异。