基于点云分割的高精度棉花铃室与分枝空间分布图谱构建及其在育种中的应用

本研究针对棉花育种中难以高通量表型分析棉铃空间分布的问题，开发了整合PointNet++和TreeQSM的点云分割流程，实现了18个基因型棉花植株的铃室垂直/水平分布图谱构建。通过深度学习与几何算法结合，在整株数据集上获得0.954准确度和0.896 mIoU，铃室计数R2达0.99，首次实现器官级空间分布量化，为棉花生理研究和育种决策提供了创新工具。

　　

棉花作为全球最重要的天然纤维作物，其产量构成要素中棉铃空间分布与纤维品质存在显著相关性。传统育种面临两大瓶颈：一是人工评估棉铃分布效率低下，难以满足大规模育种需求；二是现有技术无法精确量化铃室在植株三维空间中的位置特征。棉铃在单枝上的分布模式直接影响纤维长度、强度和成熟度等关键指标，例如中冠层（第9-14节位）棉铃通常具有最优纤维特性。然而，受限于技术手段，育种家长期缺乏高效获取器官级空间表型数据的工具。

西北农林科技大学机械与电子工程学院联合佛罗里达大学农业与生物工程系的研究团队，在《Plant Methods》发表创新成果。研究采用多源三维点云数据（2018-2021年采集65株18个基因型），开发了融合深度学习和几何算法的双路径分析流程。技术路线包含：1）基于FARO Focus S70激光雷达获取高密度点云；2）PointNet++语义分割实现棉铃/非棉铃分类；3）欧几里得聚类进行实例分割；4）TreeQSM算法分解主茎与一级分枝；5）Dijkstra最短路径算法识别分枝类型（营养枝/结果枝）。通过空间坐标计算构建了棉铃垂直高度分布和水平相对位置的双维分布图谱。

【棉铃数量统计与垂直分布】
PointNet++在整株数据集上取得0.932棉铃IoU，结合0.8cm距离阈值的欧几里得聚类，实现R²=0.99的计数精度（RMSE=5.4）。将植株按10cm间隔分层显示，发现67.36%棉铃集中分布在1.0-2.0m高度区间，中冠层棉铃占比达42.7%，验证了该区域棉铃的优质特性。

【分枝级水平分布映射】
TreeQSM分割主茎的F1-score达0.875，通过计算棉铃质心与主茎的欧氏距离，建立位置分级体系。第一级（距主茎最近）棉铃识别准确率76.2%，其数量占比达总铃数的58.3%，这与农学观测中近主茎棉铃纤维品质最优的规律相符。

【分枝类型鉴定】
基于点云网格化补全和最短路径算法，以10cm为阈值区分营养枝与结果枝，预测结果与真实值R²=0.83。可视化显示营养枝仅占分枝总数的23.1%，且集中分布于植株下部，这一发现为株型改良提供了量化依据。

该研究首次实现棉花器官级三维表型解析，突破传统二维图像的遮挡限制。创新性地将林业建模算法TreeQSM应用于农作物，结合深度学习提升了复杂形态下的分割精度。所建立的分布图谱能准确反映环境胁迫（如旱涝、病虫害）对棉铃空间格局的影响，为筛选抗逆基因型提供了新维度。值得注意的是，虽然方法在单株尺度表现优异（MAPE=8.53%），但直接预测纤维品质仍具挑战性。未来通过整合田间机器人MARS系统，有望将技术扩展至群体尺度育种应用。这项研究为突破棉花产量瓶颈提供了新思路——通过优化铃室空间分布而非单纯提高衣分，可在保持种子活力的前提下实现产量跃升，这对解决现代品种萌发率下降的产业难题具有重要启示意义。