植物器官三维自动分割新突破：基于自监督学习框架Plant-MAE的创新方法

本研究针对植物器官三维分割依赖大量标注数据、现有方法泛化性不足等难题，创新性地提出自监督学习框架Plant-MAE。通过核点卷积嵌入模块和多角度注意力特征提取块（MAFEB），在8种作物点云数据集上实现平均精度92.08%、IoU 84.03%，较PointNet++等模型提升显著。该研究为作物表型参数估算提供技术支撑，推动智慧农业发展。

　　

在植物表型研究领域，三维器官分割是获取叶片形态、茎秆结构等关键性状的前提。然而传统方法面临三大瓶颈：依赖费时费力的点级标注数据；现有算法对多物种、多生长阶段的适应性差；田间复杂环境采集的点云存在结构缺失和噪声干扰。这些限制严重阻碍了高通量表型分析在育种和精准农业中的应用。

中国农业科学院的研究团队在《Plant Phenomics》发表研究，通过构建包含8类作物2667个样本的大规模点云数据集，创新开发基于自监督学习的Plant-MAE框架。该模型采用核点卷积（KPConv）嵌入模块捕获器官尺度特征，设计多角度注意力特征提取块（MAFEB）融合空间几何信息，在掩码重建任务中学习植物形态的潜在特征。实验表明，模型在激光雷达（TLS）、多视角立体视觉（MVS）等不同采集方式的数据上，平均精度达92.08%，较PointNet++提升6个百分点，仅需30个标注样本微调即可达到全监督模型性能。

关键技术包括：1）使用FARO FocusS70激光扫描仪和无人机RGB相机采集多环境点云数据；2）设计分层编码器-解码器架构，通过k近邻（k-NN）分组实现局部到全局特征提取；3）引入海拔角、方位角等空间编码增强位置感知；4）采用Chamfer距离优化掩码坐标重建。

研究结果显示：在TLS数据集上，玉米茎秆分割IoU达65.40%，马铃薯叶片识别精度98.88%；图像重建点云中，番茄果实召回率提升至68.38%；在未参与预训练的Pheno4D数据集上，平均IoU达91.64%，证明优异跨平台适应性。对比实验证实，Plant-MAE在茎秆等小目标类别上较Point-M2AE平均提升2.15%精度，且标准差低于0.5%，展现更强稳定性。

讨论部分指出，该研究首次将自监督学习范式引入植物表型领域，通过大规模无标注预训练显著降低对标注数据的依赖。模型在田间噪声数据上的鲁棒性表现，为实景种植环境下的表型监测提供可能。未来工作将扩展至群体植株分割，并探索对比学习等更多预训练策略。这项技术突破不仅助力功能基因组分析和分子设计育种，也为农业大模型视觉基础架构开发奠定基础。