综述：基于三维模型的谷物作物多尺度表型分析：性状检测的全面综述

（编辑推荐）本综述系统梳理了基于3D点云（Point Cloud）的谷物作物多尺度表型（Phenotyping）研究进展，涵盖玉米、小麦等主要作物在器官（Organ）、个体（Individual）及群体（Population）尺度的形态性状检测技术，重点评述了高通量表型平台（HTP）、传感器（如RGB-D/LiDAR）与人工智能算法（ML/DL）的应用，为作物育种与精准农业提供技术参考。

　　

Abstract

作物表型分析是育种改良的关键技术，而基于三维（3D）模型的表型检测正推动农业向自动化、高精度方向发展。通过多视角成像、深度相机（RGB-D）和激光雷达（LiDAR）获取的点云数据，可精确构建作物3D结构，克服二维图像因遮挡和深度信息缺失导致的局限性。机器学习（ML）与深度学习（DL）算法（如PointNet++）进一步提升了器官尺度（如叶片夹角、穗形态）和个体尺度（株高、生物量）的性状提取效率。

Introduction

全球粮食安全需求催生了多尺度表型研究。传统人工测量效率低下，而3D表型技术通过实验室（Lab-based）与田间平台（Field-based）结合多光谱（Multispectral）、X射线CT（X-ray CT）等传感器，实现了从毫米级器官到公顷级群体的性状解析。例如，玉米茎秆直径的几何分割算法与小麦穗粒数的点云聚类技术，为抗逆育种提供了新思路。

Phenotypic Platforms

表型平台分为三类：

1. 田间地面平台：搭载LiDAR的移动机器人可扫描小麦群体冠层结构；
2. 空中平台：无人机（UAV）结合SFM算法重建稻田三维模型；
3. 实验室平台：可控环境下利用Kinect传感器获取大豆根系点云。

Sensor Technologies

RGB相机成本低但精度有限，而高光谱（Hyperspectral）传感器能同步获取形态与生理数据。例如，热成像（Thermal Imaging）技术可检测水稻干旱胁迫下的叶温异常，X-ray CT则用于玉米籽粒内部结构分析。

Multiscale Phenotyping

• 器官尺度：大豆豆荚曲率分析揭示品种差异；
• 个体尺度：随机森林（Random Forest）预测高粱生物量；
• 群体尺度：点云密度与小麦倒伏率呈显著相关。

Challenges and Future Perspectives

当前瓶颈包括点云噪声（如风扰）、算法泛化性不足及计算成本高。未来趋势将聚焦多模态数据融合（如3D+光谱）与基因-环境-表型（G×E×P）互作机制解析。

Conclusions

3D表型技术正重塑作物研究范式，但需跨学科协作以攻克田间复杂场景下的实时检测难题，为智慧农业提供底层技术支撑。