基于PointNeXt与Quickshift++的三维植物器官实例分割方法：跨物种通用性研究与应用

推荐：针对现有植物器官分割方法泛化性不足的问题，本研究提出融合PointNeXt语义分割与Quickshift++聚类的两阶段算法，在甘蔗、玉米和番茄点云数据中实现平均mIoU 87.15%和mF1 87.94%的实例分割精度，为多作物表型研究提供通用工具。

　　

在植物表型研究中，准确分割茎叶器官是获取株高、叶长等形态参数的关键前提。然而，现有方法多针对特定作物设计，难以兼顾单子叶（如玉米）和双子叶（如番茄）植物的显著结构差异。传统人工测量效率低下，而基于二维图像的方法受限于平面信息丢失，多角度三维重建又面临计算复杂度高的问题。激光雷达等三维传感技术的普及为直接获取植物点云提供了可能，但密集点云中相似器官的实例混淆、跨物种适应性差等挑战仍未解决。

广西大学的研究团队在《Plant Phenomics》发表研究，通过结合改进的PointNeXt深度学习网络与Quickshift++聚类算法，构建了适用于多作物器官实例分割的两阶段模型。研究整合了122株甘蔗、49株玉米和77株番茄的点云数据，采用体素化最远点采样(VFPS)标准化输入，通过优化通道数(C=64)和逆残差模块(B=(1,1,2,1))的PointNeXt实现茎叶语义分割（mOA 96.96%），再基于Minkowski距离场定位叶尖核心，最终实现平均mIoU 81.46%的实例分割，显著优于ASIS、PSegNet等对比方法。

关键技术包括：1) 使用FARO Focus^s
S70激光扫描仪采集多站点作物点云；2) 体素最远点采样(VFPS)将点云统一降采样至4096点；3) 改进PointNeXt的InvResMLP模块增强特征提取；4) Quickshift++通过MCores算法定位叶尖核心，结合爬山算法完成实例聚类。

研究结果显示：

1. 数据集构建：通过圆柱拟合和统计滤波预处理点云，采用人工标注工具SSE标记茎叶实例，VFPS策略平衡数据密度与计算效率。
2. 语义分割性能：PointNeXt在甘蔗、玉米、番茄测试集的mIoU分别达89.21%、89.19%和83.05%，茎叶连接处误分类率最低（图6）。
3. 实例分割效果：Quickshift++在单子叶作物中表现更优（甘蔗mPrec 93.86%），番茄因复叶重叠导致精度下降但仍达74.50% mIoU（表4）。
4. 方法对比：本方法在茎叶连接区域分割明显优于DFSP（图8红圈），且避免ASIS/JSNet的过分割问题（黑圈）。
5. 泛化验证：在梨枝、烟草等5种新作物中，模型无需重新训练即可实现有效分割（图9）。

讨论指出，该方法的优势在于：1) PointNeXt通过多层次特征融合提升茎叶边界识别；2) Quickshift++基于密度初始化策略增强叶尖定位鲁棒性。局限性包括番茄复叶重叠（图10a）和甘蔗细长叶缺失点云（图10b）导致的误差。未来可通过定义统一复叶标注标准结合点云补全技术优化。

该研究首次实现跨单/双子叶植物的通用器官分割框架，为高通量表型分析提供自动化工具。数据集和代码已开源，促进农业信息学发展。研究获广西科技重大专项（Gui Ke Nong AB24153010）等资助，成果对作物育种和精准农业具有重要应用价值。