新范式！浙江大学岑海燕教授团队基于多视角实例匹配与神经辐射场实现了植物高精度实例化三维点云的重建-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

技术与服务

全部分类

新范式！浙江大学岑海燕教授团队基于多视角实例匹配与神经辐射场实现了植物高精度实例化三维点云的重建

发布时间：

2025-12-03

来源：

作者：

高精度植物器官分割是实现器官级表型参数精准提取的前提。尽管深度学习技术显著推动了植物点云分割研究的发展，但现有方法在点云分辨率、分割精度以及跨物种通用性方面仍面临挑战。为解决这些问题，该研究提出了一种名为植物分割神经辐射场（PlantSegNeRF）的新方法，旨在通过多视角RGB图像序列为不同植物物种生成高精度的实例化点云。PlantSegNeRF首先对输入的多视图图像进行二维实例分割，为每个器官生成带有对应实例标识（ID）的实例掩码。随后，通过一个专门设计的实例匹配模块，对不同视角中属于同一植物器官的实例ID进行匹配与优化。在此基础上，构建的实例NeRF能够渲染包含颜色、密度、语义及实例信息的隐式场景表示，最终通过体积密度转换生成高精度植物实例点云。实验结果表明，在点云语义分割任务中，PlantSegNeRF的性能显著优于多种常用方法。在结构复杂的植物数据集上，其精确度、召回率、F1分数和交并比平均比次优方法分别提升了16.1%、18.3%、17.8%和24.2%。特别在实例分割方面，PlantSegNeRF展现出更大优势，在所有测试植物数据集上，其平均精确度（mPrec）、平均召回率（mRec）、均值覆盖率（mCov）和均值加权覆盖率（mWCov）分别平均提高了11.7%、38.2%、32.2%和25.3%。此外，PlantSegNeRF表现出优异的少样本学习和跨物种泛化能力，仅需少量植物的多视图图像进行训练，即可适用于特定品种或相近品种的模型构建。该研究拓展了器官级别植物表型分析的能力，并为植物科学研究中大规模人工智能模型的开发提供了一种能够高效生成高质量三维数据的新方法。

图1 PlantSegNeRF方法流程图

图2 实例匹配模块工作流程图

图3 与现有方法在六个植物数据集上的语义分割性能对比

图4 在与现有方法在六个植物数据集上的实例分割性能对比

来源

Xin Yang, Ruiming Du, Hanyang Huang, Jiayang Xie, Pengyao Xie, Leisen Fang, Ziyue Guo, Nanjun Jiang, Yu Jiang, Haiyan Cen,

PlantSegNeRF: A few-shot, cross-species method for plant 3D instance point cloud reconstruction via joint-channel NeRF with multi-view image instance matching,Artificial Intelligence in Agriculture,Volume 16, Issue 1,2026,Pages 546-564,ISSN 2589-7217,https://doi.org/10.1016/j.aiia.2025.11.009.

作者介绍

浙江大学生物系统工程与食品科学学院博士研究生杨鑫为该论文第一作者，岑海燕教授为该论文通讯作者。美国康奈尔大学助理教授姜宇、博士生杜瑞铭，浙江大学博士后谢嘉扬、博士生谢鹏尧、方蕾森、郭子越、硕士生黄涵杨，安利（中国）植物研究中心姜楠钧等参与了研究工作。研究得到了国家重点研发计划“政府间国际科技创新合作”重点专项、国家自然科学基金项目、安利（中国）企业项目、浙江大学-浙江中烟工业有限责任公司联合实验室项目的资助，并得到了浙江大学地球科学学院地球系统大数据平台的大力支持。

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示

新华社：探访“黑科技” ，感受智能育种

专题报道