编辑推荐：
为解决传统果树三维重建方法在复杂户外环境中精度与效率不足的问题，研究人员开展基于 NeRF 的核桃枝条三维重建研究。结合 SfM 与 NeRF，优化 WalnutNeRF 模型，提取参数。结果显示其精度高、耗时少，为智能修剪等应用提供支撑。
在智慧农业蓬勃发展的当下，果树的智能化管理成为提升生产效率的关键方向。核桃作为重要的木本油料作物，其整形修剪是栽培过程中的核心环节，但传统人工修剪效率低下、成本高昂，极大制约了产业发展。而精准的三维重建技术能为智能修剪决策提供关键形态学依据，然而现有方法却面临诸多挑战：主动视觉方法如激光雷达（LiDAR）成本高、易受遮挡影响，难以捕捉细小枝条细节；深度相机虽便携但点云配准耗时且易受光照干扰；传统被动视觉方法如结构从运动 - 多视图立体（SfM-MVS）在复杂果园环境中重建时间长、细节捕捉不足，尤其难以满足核桃树智能修剪对末端枝条纹理和几何信息的高精度需求。在此背景下，开发一种适用于复杂户外场景、兼具效率与精度的核桃树三维重建方法迫在眉睫。
为突破上述瓶颈，国内研究团队围绕核桃树三维重建与智能管理展开深入研究。该团队的研究成果发表在《European Journal of Agronomy》上，旨在构建一种基于神经辐射场（Neural Radiation Fields, NeRF）的核桃枝条三维重建与参数提取方法，为智能化修剪等应用奠定基础。
研究人员采用的关键技术方法主要包括：首先通过多视图图像采集构建核桃树数据集，并利用结构从运动（Structure from Motion, SfM）技术获取相机位姿；其次，针对复杂户外环境挑战，对 NeRF 模型进行优化，引入哈希编码、分段采样器和外观嵌入特征，形成 WalnutNeRF 模型；最后借助标定物的尺度恢复方法实现枝条参数提取。
结果分析
渲染性能与深度估计精度
通过峰值信噪比（PSNR）、结构相似性指数（SSIM）、学习感知图像块相似度（LPIPS）等指标评估发现，WalnutNeRF 在渲染图像质量和深度估计准确性上显著优于现有方法，展现出对核桃树枝条复杂几何和纹理细节的高保真重建能力。
点云提取与重建效率
WalnutNeRF 的枝条重建准确率达 90.94%，且训练时间较 SfM-MVS 快 9 倍。在点云质量方面，其对主枝、侧枝和徒长枝的重建误差分别较 SfM-MVS 降低 72%、67% 和 57%，长度误差分别减少 7.09%、4.33% 和 65.07%，表明其在复杂结构重建中具有更高的可靠性和效率。
模型优势与应用潜力
与主动视觉和传统被动视觉方法相比，WalnutNeRF 无需昂贵传感器，在复杂光照和遮挡条件下仍能实现高精度重建，有效解决了户外果园环境中的噪声干扰和细节丢失问题，为核桃树智能修剪的自动化决策提供了关键技术支撑。
结论与讨论
本研究成功开发了适用于核桃树的 NeRF 改进模型 WalnutNeRF，通过多技术融合显著提升了复杂环境下的三维重建效率与精度。研究结果表明，该方法在枝条参数提取准确性和重建耗时上具有明显优势，为果树智能化管理提供了新的技术路径。其创新点在于将 NeRF 与 SfM 结合，并针对农业场景特性优化模型结构，突破了传统方法在户外应用中的局限性。尽管研究未涉及更多树种的普适性验证，但其为后续智能修剪算法开发及其他作物的三维建模提供了重要参考，有望推动智慧农业中视觉感知技术的革新与应用。
