基于3D点云与深度学习的切片面包多尺度表型量化自动化方法研究

为解决传统二维表型分析在切片面包评估中的局限性，研究人员开发了一种基于3D激光扫描与深度学习的技术，通过3D-PoreSegNet网络分割面包表面与孔隙点云，结合2D投影与逆向变换技术重构孔隙三维结构，成功提取13项表型参数（如高度准确率达97.3%）。该研究为面包品质评估提供了更科学的量化工具，开发的Bread3D-Measure软件实现了高效分析，推动了食品工业的智能化发展。

　　

面包作为全球主食，其品质直接影响口感和营养价值，而孔隙结构是决定质地的关键因素。传统评估依赖主观感官或二维图像分析，无法捕捉孔隙的三维特征；X射线断层扫描（CT）虽能获取三维数据，但成本高、耗时长且存在辐射风险。如何快速、精准量化面包多尺度表型成为行业难题。

针对这一挑战，国内某研究团队在《Food Research International》发表研究，提出了一种基于3D激光扫描与深度学习的自动化流程。研究人员设计了三轴运动平台集成的线激光轮廓传感器，以10 mm/s速度扫描面包切片表面，生成高精度点云数据。通过改进的3D-PoreSegNet网络（融合空间-通道协同注意力模块SCSA）分割孔隙与平面区域，结合2D投影和Canny边缘检测逆向重构孔隙三维结构，最终开发了集成化软件Bread3D-Measure。

关键技术方法
研究采用UC3D500-165×140-B/R型线激光传感器采集数据，通过RANSAC算法拟合局部平面，利用PatchMatch算法修复缺失孔隙边缘。模型训练使用PyTorch框架，在NVIDIA RTX 4090显卡上完成，采用Adam优化器和Group Normalization策略。实验样本包含25片全麦面包和25片牛奶面包的双面扫描数据。

研究结果

3D激光扫描与数据预处理
通过三轴平台控制传感器沿Y轴匀速移动，每X向扫描获取3000条轮廓线，生成的点云经Z方向阈值过滤去除背景干扰。局部平面拟合采用10×10分块策略，以1 mm搜索半径识别孔隙点（图1d-e），解决了全局拟合导致的误分类问题。

3D-PoreSegNet网络性能
在70:20:10划分的数据集上，3D-PoreSegNet的测试集准确率达86.0%，mIoU为84.7%，优于PointNet++（77.7%准确率）和PointTransformer（80.6%）。SCSA模块通过单向空间压缩减少特征损失，而特征传播（FP）模块采用[256,256]等多层感知机配置提升细节捕捉能力（图2）。

表型参数精度验证
13项参数中，高度、长度、宽度等整体参数准确率超95%，体积（82.8%）和最大孔隙体积（83.7%）因三维重建误差略低。新提出的孔隙区域分布热图（图6c）显示，全麦面包孔隙集中于内层（第4-5层），而牛奶布丁孔隙多分布在外层（第2-3层），印证了麸质网络对气泡生长的抑制作用。

通用性测试
模型在馒头（85.5%准确率）和麻薯（88.9%）上表现优异，但奶油蛋糕（76.1%）因奶油层干扰精度下降，提示需增加分类类别。

结论与意义
该研究首次将低成本3D激光扫描应用于面包孔隙量化，提出的多尺度表型参数（如孔隙层分布）揭示了发酵过程中气泡演化规律，为优化配方和工艺提供数据支持。尽管体积计算存在约5°倾斜误差，但正交投影法在效率与精度间取得平衡。未来可通过增加孔隙深度分级标签和适配曲面网格分割，进一步提升软件普适性。这项技术不仅推动了烘焙食品的标准化生产，其点云处理方法还可拓展至其他多孔材料研究领域。