低成本的高通量表型分析方法描述新培育的品系和杂交种是当前植物育种计划的瓶颈。本文提出了一种全自动方法，不仅可以提高单株玉米的提取准确率，还可以克服无人机系统(UAS)图像中结构成分的特征量化挑战。

研究者使用搭载索尼Alpha ILCE-7R摄影测量传感器的无人机在玉米上空进行了两次飞行试验，基于运动结构(SfM)的标准摄影测量对RGB图像进行处理，以获得最终缩放3D点云图像。提取单株植物时，首先使用3D深度学习将点云语义分割为地面和玉米。其次，对玉米端元采用连通分量算法。最后，准确提取单株玉米并将其应用于计算单株的几个结构成分特征。

结果显示在叶片高度和叶片数目等表型性状上，田间和数字自动化测量的决定系数R2均高于90%，揭示了基于无人机点云图像使用骨架提取算法分析单株玉米表型性状的可行性。此外，近距离平台与新型深度学习网络的结合将大大提高提取单株玉米的准确性和效率。本文指出，此算法未来的分析能够向不同植物物种、不同表型生长阶段及不同高通量表型分析平台方向发展。

图1. 本研究工作流程

图2. 随机地块内植物提取部分和全局输出：(a)基于RGB的点云图像；(b)基于高度的图；基于植被的语义分类(c)和单个玉米提取和标记(d)

图3. 从两个日期和单个植物提取的不同颜色的点云包围框。(a)随机区域的放大窗口；(b)带有提取植物的3D视图；(c)在这两个日期放大区域内的植物生长以米量化

表1. 16个植物样本的据和性状:点云中点的个数、点云中心的坐标和包围盒的维数；通过单株点云骨架提取算法计算叶片数、株高、株径、株方位角、倒伏率，计算茎方位角、茎高、平均叶方位角(LA)和平均叶长(LL)

图4. 来自两次飞行的红色3D骨架提取与16个黑色单株样本的点云重叠：最大高度和最小高度、冠径、点数和生长增量