当前植物表型分析技术顺应立体化发展趋势。尽管3D植物表型鉴定潜力巨大，但复杂的处理和分析技术一直是阻碍其在更广泛范围部署的主要瓶颈。本文关注对象为单个植物或作物冠层等小尺度特征，概述了植物3D表型鉴定处理和分析的典型步骤，并列举了大量用于3D表型分析的自动化解决方案。然而，寻找一种能够处理不同类型植物和性状的低成本、高通量的三维重组方法（特别是考虑遮挡）仍然是当前最大挑战。

所有的三维测量方法都有一个共同点，即随着植物生育时期的推移，测量时间之间的各向异性生长、变化的拓扑结构和非刚性运动复杂程度也随之增加，从而使遮挡影响随之增加。目前所采用的磁共振成像或雷达系统能够实现体积测量，但其装置复杂且成本昂贵。此外，许多系统和解决方案可以应用于单个植物，但不能应用于密度较大的冠层。

深度学习为基于图像的植物表型分析提供了新的角度，但这项技术通常需要大量、多样的真实数据集来训练模型的泛化能力，而不需要为执行任务提供先验的算法。但对于小数据集来说，深度学习方法成本较高，且人工分割过程繁琐、耗时、易出错。本文提出，基于机器学习算法除了能够进行3D表型分析（多用于特征分割），未来研究的着重点还可以探索植物分割以外的应用（例如覆盖植物领域中的不同区域）。

本文预言，通过对植物性状的大规模分析和对胁迫表型的识别，基于人工智能（尤其是机器学习）的植物3D表型分析可能具有优化病害虫防治、提高作物产量等潜力，从而提高农业生产力和可持续性发展。

图1. 3D植物表型分析典型处理和分析步骤示意图

 图2. 将不同时期获取的番茄植株与提取骨架一起进行扫描

图3. 利用体素网格表示番茄幼苗茎叶的分割(左)及茎叶分割算法示意图(右)

 图4. 谱聚类方法示意图

图5. 葡萄叶片( a )和茎( b )点云激光扫描的点特征直方图

图6. 基于SVM- CRF对a和b处理前后的快速点特征直方图的分割

图7. 利用NURBS对大豆叶片点云进行叶片分割和曲面拟合

 图8. 叶片计数法示意图

图9. 植物器官的3D测量实例

图10. 利用机器学习对植物表型进行3D鉴定