实时监测作物长势有助于选育优良作物品种和发展可持续的栽培管理方式，因此作物长势监测逐渐成为农业领域的一项重要任务。但是，传统的基于人工的作物长势监测方法耗时耗力，限制了作物育种和栽培学的发展，基于此，研究者们提出了许多作物长势的自动监测方法。本文提出了一种基于点云语义分割的番茄叶面积指数自动估测方法，可以利用三维点云信息自动估测番茄的叶面积指数。

　　本研究利用RGB-D传感器扫描番茄植株，可同时获取植株的RGB影像和深度影像(Depth image)。如图1所示，RGB-D传感器安装在立柱上垂直移动，从侧面扫描植株。扫描完成后，可获取大量的RGB-D影像，通过影像对齐、合并，可生成番茄植株的三维点云信息，经过滤波后即可获得纯净点云(图2)。获取三维点云后，为了对点云进行分割，首先要在点云上打上标签。如图3所示，本研究分别标记了茎秆、叶片、果实和其他等四类标签，其中茎秆为蓝色、叶片为绿色、果实为红色、其他为黄色。然后，本研究使用Pointnet++方法对标记后的点云进行语义分割，将点云分为四类，并在此基础上提取出番茄的茎秆点云，结果如图4所示。最后，本研究假设番茄叶片沿茎秆均匀分布，并计算出茎秆水平半径内的叶片点数。通过建立叶片点数和地面实测叶面积指数之间的关系，可以实现基于点云特征的叶面积指数估测。实验结果显示，当水平半径设为20cm时，叶片点数和叶面积指数之间拟合的R2最高(图5(a))。此外，留一法交叉验证结果表明，基于点云的叶面积指数估测值和地面实测值之间的相对误差为0.21(图5(c))。因此，本文提出的方法能够在不破坏番茄植株的基础上，准确获取叶面积指数值。

　　图1目标植株(左)和观测系统(右)

　　图2重建点云前视图和侧视图的属性正射图

　　图3标记后的点云(茎秆为蓝色、叶片为绿色、果实为红色、其他为黄色)

　　图4分割后的点云(左)和茎秆提取结果(右)

　　图5 (a)确定最佳半径长度; (b)建立叶面积指数估测模型; (c)验证叶面积指数估测模型

　　来源：Takeshi Masuda. Leaf Area Estimation by Semantic Segmentation of Point Cloud of Tomato Plants [J]. Computer Vision Foundation, 2021.

　　编辑：段博