准确测量田间生长的小麦性状，包括穗数、尺寸和体积，对于作物表型和产量分析至关重要。在本文中，我们提出了一种高通量的方法来对田间小麦进行三维成像，并提出了一种无监督的测量方法来获取单个小麦穗的数据。在田间移动平台上使用四个结构光扫描仪来获取图像，在不到10s的时间内为4.5立方米的体积创建了尺寸精确到亚毫米分辨率的3D点云。采用无监督方法分析每个试验小区的三维点云，包含数百个麦穗，并计算每个小区的麦穗平均尺寸和总麦穗面积。该分析采用了具有动态自适应k-means算法，以适应每个麦穗的性状，并采用随机抽样一致算法测量尺寸，通过生成小的立方体来适应所有的麦穗，并估计了麦穗的总体积。结果表明，所提出的算法是一个可以识别小麦穗和小麦单穗的可靠工具，与人工测量相比，根据五个场景的结果，测试中穗子的数量、高度和宽度的平均误差率分别为16.27%，5.24%和12.38%。

　　图1 小麦作物三维点云图像

　　图2 DBSCAN和k-means分割结果

　　图3 动态视角下的麦穗图像

　　图4基于提出的k-means方法的分割结果

　　图5 三种不同的麦穗值空间。从a到c，值s逐渐增大

　　图6 (a)异常尺寸的形状拟合结果;(b)最终的形状拟合结果

　　图7 所提出方法的整体流程图

　　图8 使用长方体拟合的体积计算方法示例

　　图9 包含四个结构光扫描仪的小麦三维形状获取系统的现场应用

　　图10 基于三维和二维点云的k-mens结果

　　图11 不同k值得聚类结果

　　图12不同场景下的聚类结果

　　图13运行时测试的现场图像片段示例。

　　图14 来自现场的五个不同的三维点图像

　　表1 手动计算与所提出方法的估测结果比较

　　表2 所提出方法的错误率

　　来源：Wang F, Li F, Mohan V, et al. An unsupervised automatic measurement of wheat spike dimensions in dense 3D point clouds for field application[J]. Biosystems Engineering, 2021.

　　https://doi.org/10.1016/j.biosystemseng.2021.11.022

　　编辑：小王博士在努力