编辑推荐：
为解决传统植物表型参数测量效率低、损伤植物等问题，研究人员开展基于 CotSegNet 网络和机器学习的棉花点云器官分割及表型信息提取研究。结果显示该方法分割精度高，能有效提取表型参数。其为田间作物高通量表型数据采集分析提供技术支持。
在农业生产的大舞台上，棉花可是一位举足轻重的 “明星” 作物。它不仅为纺织业提供了不可或缺的纤维原料，其棉籽油和棉籽粕还能用于食品和饲料领域，对农业经济和工业生产意义非凡。在棉花的生长过程中，了解它的 “身体状况” 十分关键，而植物表型（植物在生长发育过程中表现出的一系列物理、生理和生化特征，由基因型和环境因素共同作用形成，反映植物生长状况）就是窥探其生长奥秘的重要窗口。传统获取植物表型参数的方法，就像手工劳作的工匠，依赖人工测量。虽然精度尚可，但效率低下、劳动强度大，还像个 “小破坏分子”，会对测量的植物造成不可修复的伤害。比如测量茎高时，操作不当可能会让茎秆弯曲甚至折断；测量叶面积得摘下叶子，这会降低植物的光合作用能力，影响幼苗生长；测量叶片形态参数时，也容易损伤叶片边缘或叶脉。同时，二维图像分割在处理叶片重叠问题时也力不从心，在高密度种植或植物生长旺盛的场景下，叶片相互遮挡，传统的二维图像处理算法难以准确划分单个叶片的边界。三维点云数据分割虽有优势，但现有方法在处理复杂空间结构的植物器官分割任务时，仍面临诸多挑战。
在这样的背景下，为了打破这些困境，推动棉花种植技术的进步，研究人员踏上了探索之旅。虽然文中未提及具体研究机构，但他们开展了基于 CotSegNet 网络和机器学习的棉花点云器官分割及表型信息提取的研究。最终，他们取得了令人瞩目的成果，为棉花种植和研究领域带来了新的曙光。该研究成果发表在《Computers and Electronics in Agriculture》杂志上。
研究人员为开展这项研究，主要运用了以下几个关键技术方法：首先是数据采集技术，使用高精度蓝色 3D 扫描仪获取棉花点云数据，为后续研究提供了基础素材；其次，构建了 CotSegNet 网络，其中设计了改进的注意力机制 CGLUConvFormer 和集成了 SegNext 注意力机制，用于增强模型对关键信息的捕捉能力和特征表示；此外，提出了改进的区域生长算法，解决叶片粘连和共面导致的过分割问题。
下面来详细看看研究结果：
- CotSegNet 网络设计：研究人员设计了专门针对棉花数据训练样本的点云语义分割网络 CotSegNet。该网络中，改进的注意力机制 CGLUConvFormer 通过强调重要特征、减少冗余信息，显著提高了分割精度。同时，集成的 SegNext 注意力机制有助于多尺度特征的高效提取和整合，增强了网络对棉花点云数据的理解和分割能力。
- 改进区域生长算法：针对叶片粘连和共面引起的过分割问题，研究提出了改进的区域生长算法。该算法引入距离约束，有效提高了叶片实例分割的准确性。
- 对比实验：将 CotSegNet 网络与 PointNet、PointNet++、DGCNN、SPoTr 和 CurveNet 这五个先进的深度学习网络进行对比实验。结果显示，CotSegNet 表现卓越，其 Precision（精度）达到 95.06%，Recall（召回率）达到 93.32%，F1-score（F1 分数）达到 94.61%，IoU（交并比）达到 89.80%。
- 表型信息提取：研究成功从分割的器官中提取了棉花的四种表型特征，即茎高、叶面积、叶宽和叶长。这些测量值与人工评估高度一致，各参数的决定系数分别为 0.947、0.948、0.955 和 0.961，对应的均方根误差分别为 0.852 cm、0.492 cm、0.551 cm 和 1.674 cm2。
从研究结论和讨论部分可以看出，该研究意义重大。CotSegNet 网络在棉花器官分割中展现出了卓越的性能和高效的推理速度，其核心的 CGLUConvFormer 注意力机制和 SegNext 注意力机制功不可没。改进的区域生长算法也有效解决了实际分割中的难题。通过该研究，实现了棉花表型参数的高效、准确、无损提取，为田间作物高通量表型数据的采集和分析提供了关键的技术支持，有望助力优化棉花栽培策略，挖掘棉花的增产潜力，推动农业生产向智能化、精准化迈进。在未来，这项研究成果或许能像一颗种子，在农业领域生根发芽，为更多作物的研究和种植带来新的思路和方法，促进整个农业产业的蓬勃发展。
