综述：基于摄影测量的植物根系三维成像与表型分析：平台、技术、算法及未来方向

本综述系统阐述了摄影测量技术在植物根系三维成像与表型分析中的前沿进展，重点评析了成像平台（如DIRT/3D、Phenobreed）、重建算法（SfM/MVS、深度学习模型）及性状提取流程的整合策略，揭示了其在提升作物抗逆性（如干旱胁迫）和资源利用效率方面的巨大潜力，为智慧农业和作物育种提供了技术范式。

　　

2. PRISMA与文献计量分析

通过Scopus数据库检索2015-2025年间458篇文献，经PRISMA流程筛选出112篇核心研究。文献计量网络分析显示“表型分析”“根系系统”“根系表型”为核心节点，形成四大主题集群：计算方（机器学习、深度学习、图像分割）、结构成像（X射线CT、三维建模、摄影测量）、生物学背景（玉米、小麦、干旱）及跨域连接（图像分析、根系分割）。

3. 田间植物根系表型分析

传统方法如铲掘学（Shovelomics）、土壤钻芯（Soil Coring）和壕沟法（Trenching）虽能提取根系性状（如根冠角度、根长密度），但存在破坏性强、通量低、易丢失细根等问题。实验室基于WinRhizo的数字化测量提升了效率，但二维成像无法捕捉空间结构，促使三维成像技术成为研究焦点。

4. 三维扫描技术

X射线CT、MRI和中子断层扫描等技术可提供高分辨率根系三维模型，但成本高昂且依赖专业设备。激光扫描/LiDAR和电阻抗成像（EIT）在田间应用中受限于遮挡和土壤干扰。摄影测量技术通过多视角二维图像重建三维模型，成本低廉且灵活性高，已成为根系表型分析的重要替代方案。

5. 摄影测量在三维成像中的应用

摄影测量基于运动恢复结构（SfM）和多视角立体视觉（MVS）算法，从重叠图像生成带纹理的三维模型。该技术已成功应用于树冠和城市测绘，但根系重建面临遮挡、结构复杂和光照不一致等挑战。研究通过深度学习算法（如Edge-MVSFormer、Point-MVSNet）提升了对细根和遮挡区域的重建精度。

6. 根系表型成像平台

DIRT/3D系统通过10个树莓派控制工业相机在5分钟内采集2000张图像，实现玉米根系18种性状的高通量提取。Phenobreed采用旋转笼式结构降低成本，而3D Root Mesocosm则通过大型土壤容器模拟自然生长环境。时序成像平台ChronoRoot结合红外背光技术捕捉根系动态生长过程。这些平台在通量、分辨率和环境真实性间存在显著权衡。

7. 三维重建算法与流程

传统SfM-MVS pipeline存在计算效率低、对无纹理区域敏感等问题。深度学习模型如MVSNet、ET-PatchNet通过三维代价体积和变换器架构提升重建质量。点云处理算法（Point-MVSNet）和生成式模型（GAN、NeRF、3DGS）进一步优化了遮挡处理和细节还原能力，但面临计算资源需求高和输出格式兼容性差的挑战。

8. 从三维模型中提取植物性状

性状提取始于点云分割（如PVSegNet用于豆荚形态测量），结合几何算法（如主成分分析）量化长度、体积等参数。根系特异性算法（如DIRT/3D的二维切片追踪）通过主动轮廓和卡尔曼滤波构建根系拓扑图，有效应对噪声数据。深度学习模型（Point Transformer v2）实现了初级根与侧根的自动分类。

9. 三维根系重建与表型分析软件集成

开源工具COLMAP和Meshroom支持可定制化重建，而商业软件Agisoft Metashape和Pix4Dmapper提供高精度地理参考模型。性状提取方面，RhizoVision Explorer实现二维根系高通量分析，SmartRoot支持手动追踪时序数据，WinRHIZO为行业标准工具。三维工具如TopoRoot（用于CT数据）和DynamicRoots（时序点云分析）专注于复杂根系结构的拓扑解析。

10. 挑战与未来方向

当前技术瓶颈包括成像平台自动化不足、算法计算成本高、软件互操作性差以及复杂根系分割困难。未来需开发一体化端到端工作流，整合低成本成像硬件、根系优化算法和AI驱动性状分析。建立多源数据集和标准化流程将促进技术普及，推动根系表型在作物抗逆育种和精准农业中的应用。