基于多维视觉的棉花株型快速识别方法研究及其在精准育种中的应用

本文创新性地提出了一种基于SFM-MVS三维重建和快速凸包算法的棉花株型自动识别方法。通过多视角投影和凸包角点变化率分析，首次量化定义了筒型（0-0.2）和塔型（0.4-1.5）棉花的分类区间，R2>0.90的精度验证了该方法在植物表型研究中的重要应用价值。

　　

基于多维视觉的棉花株型识别方法研究

材料与方法

本研究以50株棉花为实验对象，在新疆库车现代农业科技创新中心棉花基地开展数据采集。采用ORBBEC Gemini 2双目结构光相机搭建室内图像采集平台，通过三高度旋转拍摄获取249张高清图像。基于运动恢复结构和多视角立体（SFM-MVS）算法进行三维重建，具体流程包括：SIFT特征点提取与匹配、增量式稀疏点云重建、稠密点云重建。通过坐标校正（平移旋转矩阵）、统计滤波（k近邻算法）和颜色条件滤波对点云进行预处理，最终采用体素网格下采样将点云数量减少至原始数据的25%。

三维重建与株型识别技术

重建精度评估显示，株高和株宽的R²分别达到0.9137和0.9092，RMSE为0.372cm和0.387cm。创新性地提出基于快速凸包算法的株型识别方法：将三维模型每10°绕Y轴投影至XOY平面，获得36个视角的二维数据，采用分治递归策略构建凸包。通过计算凸包角点变化率K'=（(Y₃-Y₂)/(X₃-X₂) - (Y₂-Y₁)/(X₂-X₁)）/(X₃-X₁)量化株型特征。

结果与分析

算法效率测试表明，当点云数量达75335时，点云读取、多视角投影和凸包构建时间分别为0.402S、2.275S和0.018S。通过1800个二维投影数据的统计分析，首次确立筒型棉花角点变化率区间为0-0.2（置信区间0.04687-0.19357），塔型棉花为0.4-1.5（置信区间0.39987-1.46357）。假设检验显示两类株型存在显著差异（P=1.91503×10^-29）。在20株验证集上，该方法准确率达75%，较人工测量（65%）、Canny边缘检测（34%）和YOLOV10（34%）具有明显优势。

讨论与展望

本研究提出的低成本三维重建技术为田间植物表型分析提供了新方案。株型识别方法通过多视角凸包分析有效降低了主观判断误差，但存在数据集规模有限（50株）、室外复杂环境适应性待验证等局限。未来将引入多任务联合学习和孪生神经网络，结合棉花全生育期多时序数据提升模型泛化能力。该技术为棉花机械化采收和株型育种提供了重要的理论支撑和技术工具。