目前的表型测量主要基于人类观察，因此往往具有主观性，大大限制了性状数据的数量和质量。本研究将光谱数据和深度学习 (DL) 方法相结合，利用PointNet++方法，分割黄瓜植株3D 点云，以便分辨每个点所属的部分(例如叶或茎)。

　　本研究利用两台三维激光扫描仪扫描成行栽培的黄瓜，对每一株黄瓜进行自上而下扫描，采集时间通常超过30分钟，共获得264组点云数据。由两个激光三角测量传感器扫描产生的黄瓜彩色 3D 点云，由于视点数量有限，部分不完整。 作者将点云拆分为可以由 PointNet++处理的块，而不会降低空间分辨率。 在测试了分割的基线性能后，在三个实验中进一步研究了分割方法。

　　图1 试验安排：扫描平台平移至扫描位置后自下而上扫描植株

　　在实验一中，作者利用光谱数据丰富 3D 点云，并将丰富数据的分割结果与原始性能进行比较来量化光谱数据的附加值，以实现植物部位分割;在实验二中通过手动添加注释来研究数据质量对分割效果的影响;在实验三中移除了与植株结构无关的部分，并通过改变栽培槽的颜色，简化分割任务。

　　结果表明，PointNet++方法具有分割黄瓜植物部分完整点云的能力。光谱数据的可用性显着改善了茎、叶柄、叶、卷须和非植物对象的分割，以及 IoUmicro 和 IoUmacro 测量的整体分割质量。添加光谱数据后，IoUmicro 从 0.90 增加到 0.95，IoUmacro 从 0.46 增加到 0.56。茎的分割效果改进最大，其中 IoU 从 0.41 上升到 0.70。intra-operator variability显示出每个类的差异，并表明点云的一致注释是一项具有挑战性的任务。节的两个手动标​​记数据集之间的一致性最低，其 IoU 仅为 0.49。结合两个标记的数据集，茎、叶柄、节和子房的 IoU 有小幅但显着的改善。本研究设计的三个实验可以提高分割质量。对于所有器官来说，当分割任务包含较少类别时，IoU 会增加。

　　图2 黄瓜植株分割效果

　　本文研究重点是点云的分割。然而，要获得表型数据集，仅分割是不够的。还需要利用其它方法从分割的点云中获得表型数据。但本文有助于理解和优化分割过程，并为后续方法的开发提供支持，使为复杂植物性状开发自动化表型方法的总体目标更近了一步。

　　来源：Boogaard F P, van Henten E J, Kootstra G. Boosting plant-part segmentation of cucumber plants by enriching incomplete 3D point clouds with spectral data[J]. Biosystems Engineering, 2021, 211: 167-182.

　　编辑：婷婷