葡萄的表型性状与葡萄产量、葡萄酒风味和对病害的敏感性密切相关，基于人工测量的传统表型分析方法面临着测量重复性高且耗时的瓶颈。随着葡萄栽培学家将研究重点转向三维自动表型分析领域，现有的葡萄串表型分析工作存在重建信息不完整、元素与地面实物吻合性差以及在田间条件下的表现不佳等问题。为此，本文提出了一种新的重构流程，可将其划分为可见浆果相关重建和不可见元素预测的子问题。本研究通过将目标串的二维图像作为唯一的传感器输入，使用图像处理算法检测可见浆果。利用检测到的浆果信息，预测它们的形态位置，从中推导出与检测到的浆果相关的节间。然后使用基于约束的优化理论估计衍生节点的参数，从而实现与可见浆果相关的重建。然后根据受限重构语法 (RRG) 填充元素来进行不可见元素的预测，最后提出一个完全重建的束状模型。与现有研究相比，本文提出的葡萄串重构方法在节点间、第三节间和花梗的数量估计方面得到了改进，其百分比误差分别为21.2%、42.2%和31.2%。次生节间和花梗的长度估计也显示出较好的性能，百分比误差为 3.5% 和 0.5%。节间数量和长度与葡萄串紧密度密切相关，而葡萄串紧密度是病害的敏感性指标，特别是，所提出的重建方法在元素重合方面有很大的提高，各元素类型的 F1值分别为 0.90、0.77、0.45、0.43，因此本研究成果将极大地促进葡萄病害防控的相关研究。

　　图1葡萄可见浆果的检测。(a)葡萄串的前视图像，并标记了检测到的浆果; (b)相应的检测到的浆果模型。为了显示检测到的浆果在轮廓的位置，外围轮廓也在图像中显示。(c)被检测的浆果的模型的右视图图像，相机被放置在葡萄的左边。

　　图2 不同葡萄浆果位置在纵向水平和横向水平上的分布。浆果中心的位置用不同的颜色标记，代表不同的形态水平。(a, b, e, f)表示不同果实中心位置在纵向水平上的分布，其中(a, e)为葡萄串前视图，(b, f)为葡萄串顶视图。(c, d, g, h) 表示浆果中心位置相对横向水平的分布，其中(c, g)为葡萄串左视视角，(d, h)为葡萄串俯视图。

　　图3 以图1a所示的葡萄串为目标，对提出重构方法的性能进行评估。检测到的浆果位置用红点在(a)中。(b)揭示了可推导框架参数的初始猜想。(c, d) 表示可推导框架参数的最优解。(e, f)为元素填充后的最终葡萄串重构结果。节间由蓝色、橙色、绿色和紫色标记，分别代表轴节间、次节间、三级节间和花梗。特别在(e, f)中，可推导框架估计过程中确定参数的元素用红色标记。这些元素的参数在整个元素填充操作中保持不变。

　　来源：Xin, B., & Whitty, M. A 3D grape bunch reconstruction pipeline based on constraint-based optimisation and restricted reconstruction grammar. Computers and Electronics in Agriculture, 2022, 196, 106840.

　　编辑：张玉