基于协同分割与改进补全网络的棉花叶片点云补全研究及其在形态-环境互作分析中的应用

《Journal of Integrative Agriculture》：Cotton plant point cloud completion by collaborative segmentation and improved completion network

本研究针对棉花叶片点云数据因形态结构复杂、表面不连续导致传统补全方法效果不佳的问题，开展了基于PCompNet（分割与改进补全网络）的棉花植株点云补全研究。通过形态部件分割技术与深层点集特征学习，实现了多尺度缺失区域的精准重建，并采用统一损失函数有效避免补全点云过度聚集。实验表明，PCompNet在Cotton3D数据集上较PMP-Net、GRNet等方法显著降低Chamfer距离（CD），最高降幅达100%，且在75%数据缺失时CD值仍保持0.115。该研究为棉花生长与环境互作研究提供了可靠的技术支撑。

　　

在智慧农业和植物表型组学蓬勃发展的今天，精确获取作物三维形态数据已成为优化栽培管理、解析基因-环境互作的关键。棉花作为重要的经济作物，其叶片形态直接影响光合效率和产量形成。然而，由于棉花叶片形态多样、结构复杂，传统三维扫描技术易受遮挡、重叠等因素干扰，导致点云数据存在大量缺失，严重制约了叶片形态参数的精准量化。现有点云补全方法（如PMP-Net、GRNet等）虽在工业零件等规则物体上表现良好，但对植物这类表面不连续、结构多变的有机体却束手无策。

为攻克这一难题，塔里木大学信息工程学院的研究团队在《Journal of Integrative Agriculture》上发表了题为"Cotton plant point cloud completion by collaborative segmentation and improved completion network"的研究论文。该研究创新性地提出PCompNet——一种融合协同分割与改进补全网络的深度学习框架，成功实现了棉花叶片点云的高精度补全。研究人员首先通过形态部件分割技术将复杂植株分解为语义部件，再利用深层点集特征学习逐层提取局部和全局特征，最终通过生成器重建缺失区域。尤为关键的是，团队改进了PF-Net中的损失函数，通过惩罚补丁中心与最近邻点的平均距离偏差，有效避免了生成点云的过度聚集问题。

在技术方法层面，研究主要依托三大核心模块：一是基于深度层次点集特征学习的形态部件分割技术，实现对棉花植株多尺度结构的语义解析；二是引入对抗性生成网络框架构建点云补全模型，通过生成器与判别器的博弈优化输出质量；三是设计统一损失函数（Chamfer Distance与改进的局部分布约束相结合），兼顾整体形状一致性与局部细节合理性。所有实验均基于团队自主构建的Cotton3D数据集开展。

研究结果充分验证了PCompNet的卓越性能。在定量评估中，PCompNet在Chamfer距离（CD）这一关键指标上全面超越现有主流方法：相较于PMP-Net降低95.46%，较GRNet降低98.45%，对SnowfakeNet、FoldingNet和PF-Net的降低幅度分别达到97.46%、100%和84.93%。更令人印象深刻的是，在模拟75%数据缺失的极端情况下，PCompNet仍能将CD值稳定在0.115，展现出极强的鲁棒性。在定性分析中，可视化结果清晰表明，该方法不仅能准确重建不同尺度的缺失区域（从叶缘缺损到整叶缺失），还能完美保持输入点云的几何特性，避免产生扭曲或变形。

通过系统的实验验证，本研究得出三项重要结论：首先，PCompNet通过协同分割策略将复杂植物补全任务解耦为结构化部件处理，有效克服了传统方法对不规则生物的适应性局限；其次，改进的损失函数机制显著提升了生成点云的分布合理性，解决了深度学习补全中常见的点云聚集伪影；最后，该方法在极端缺失场景下仍保持稳定性能，为田间实际应用提供了技术保障。这些突破使得高通量获取棉花叶片精确三维形态成为可能，为后续研究叶片形态与环境因子（如光照、水分）的动态互作关系奠定了坚实基础。

该研究的创新之处在于首次将部件语义理解融入植物点云补全任务，突破了现有方法对有机体建模的瓶颈。不仅为棉花表型组学研究提供了新工具，其技术框架还可推广至其他作物乃至广义生物形态的三维重建领域。随着数字农业的深入推进，这种能够"以虚映实"的技术必将为作物精准育种、智能栽培管理注入新的动能。