基于自监督学习GrapeCPNet的葡萄串三维表型组学分析：解决浆果遮挡的精准农艺新方法

【编辑推荐】针对葡萄栽培中因遮挡导致点云数据缺失的难题，研究团队开发了融合SoftGroup实例分割与自监督点云补全网络GrapeCPNet的三维表型分析流程，实现了浆果半径（R2=85.5%）和体积（R2=96.9%）的高精度测量，为自动化农艺性状检测提供了创新解决方案。

　　

葡萄作为全球重要的经济作物，其表型参数测量对产量预估和品质控制至关重要。然而传统人工测量方式效率低下且破坏性强，而现有基于二维图像的分析方法因投影信息丢失和浆果遮挡问题难以获得准确数据。尽管三维重建技术能保留空间信息，但传统点云处理方法依赖人工特征工程，且遮挡导致的点云缺失仍制约着浆果级分析的精度。

针对这些挑战，中国国家自然科学基金等项目支持的研究团队开发了一套创新的三维表型分析流程。该研究首先采用SoftGroup深度学习网络实现葡萄串中单个浆果的实例分割，随后提出自监督点云补全网络GrapeCPNet解决遮挡问题，最终通过形态学分析提取浆果半径和体积参数。在红、绿、巨峰和阳光玫瑰四个葡萄品种的验证中，该方法取得了浆果半径R²达85.5%、体积R²达96.9%的优异表现，相关成果发表于《Computers and Electronics in Agriculture》。

关键技术包括：1）基于Photogrammetry（摄影测量法）的三维点云重建；2）SoftGroup网络实现浆果实例分割；3）自监督训练策略构建GrapeCPNet补全网络；4）球面拟合算法计算形态参数。研究使用四种葡萄品种的实测数据验证，通过对比人工测量值评估精度。

【材料与方法】
研究采集四个葡萄品种的三维点云数据，通过SoftGroup网络实现浆果分割，其创新性在于提出层级特征聚合策略处理密集目标。GrapeCPNet采用编码器-解码器架构，通过自监督方式生成训练数据，避免了人工标注成本。

【结果】
实例分割模块在重叠浆果场景中达到89.3%的检测精度。GrapeCPNet通过对称性学习和形状先验知识，有效预测缺失区域，补全后点云与真实浆果的Hausdorff距离降低62%。形态学分析显示，体积测量误差<3.1%，显著优于传统球体拟合方法。

【讨论】
该研究首次将自监督学习引入农业点云补全领域，GrapeCPNet通过数据驱动方式克服了水果特异性限制。相比Ge等人提出的镜像对称法和Marangoz的超椭球体匹配法，本方法具有更好的泛化能力。Blok等人的马铃薯研究验证了类似框架的扩展性，但本工作针对葡萄浆果的曲面特性优化了网络结构。

【结论】
这项研究建立了首个端到端的葡萄三维表型分析流程，其核心创新GrapeCPNet通过自监督策略显著降低了数据标注需求。该方法为高通量农艺性状检测提供了新范式，未来可扩展至其他簇生作物的表型分析。研究团队指出，融合多视角成像与物理仿真将进一步提升补全精度，这为智慧农业的发展指明了重要方向。