小麦三维部件分割数据集Wheat3D PartNet的构建及其在精准表型分析中的应用

为解决植物表型分析中高精度3D标注数据稀缺的问题，研究人员开发了包含1303个三维点云模型的Wheat3D PartNet数据集，涵盖Paragon、Gladius和Apogee三个小麦品种在干旱与灌溉条件下的生长状态。通过多视角RGB图像重建和人工标注，该研究实现了小麦穗部（ear）与非穗部（non-ear）的精细分割，并验证了3DGTN等深度学习模型在穗数统计、穗长估算等任务中的优越性能（mIoU达0.88），为作物产量预测和早期农艺干预提供了重要数据基础。

　　

在传统农业研究中，小麦表型分析长期依赖人工测量，不仅效率低下且易受主观误差影响。尽管RGB和光谱成像技术提供了非破坏性解决方案，但二维数据难以捕捉植物复杂的三维结构特征，尤其在叶片重叠和穗部遮挡场景下表现局限。随着全球粮食安全压力加剧，开发能精确量化小麦穗数、穗长等关键性状的技术成为迫切需求，而高质量三维标注数据的匮乏严重制约了深度学习模型在植物表型领域的应用。

英国阿伯里斯特威斯大学（Aberystwyth University）国家植物表型中心（NPPC）的研究团队通过创新性数据采集与标注流程，构建了目前规模最大的小麦三维部件分割数据集Wheat3D PartNet。该研究采用双Nikon相机360°自动成像系统，以6°间隔采集60张高分辨率（2000×2992像素）图像，通过COLMAP软件进行多视角立体重建（Multi-View Stereo, MVS），并利用CloudCompare完成点云去噪和人工标注。数据集包含三个具有农学意义的小麦品种：高产品种Paragon、耐旱品种Gladius和矮秆速生品种Apogee，在干旱与灌溉条件下共获得1303个点云模型，每个样本标注为穗部（ear）和非穗部（non-ear）两类，为深度学习模型训练提供了精准的基准数据。

关键技术方法包括：（1）基于COLMAP的SIFT特征提取与RANSAC几何验证；（2）统计离群值过滤（Statistical Outlier Removal, SOR）优化点云质量；（3）随机下采样至8192个点保证数据均衡；（4）采用3DGTN、GAPointNet等8种前沿算法进行部件分割性能评估。

研究结果部分：

1. 数据集特性
   通过分析三个品种在不同水分条件下的点云分布，发现灌溉条件下点云密度显著提高（Apogee穗部点数占比达45.29% vs 干旱条件31.35%），但密集结构也增加了器官边界分割难度。Paragon因穗部稀疏（平均占比8.69%）成为最具挑战性的品种。

2. 模型性能比较
   3DGTN在全部测试中表现最优，其双注意力机制有效融合局部几何与全局特征，在Paragon干旱条件下仍能达到0.531的穗部mIoU，显著优于传统PointNet++（0.385）。GAPointNet凭借图注意力机制在Apogee灌溉条件下取得0.760穗部mIoU，而PointNet++因局部特征提取不足，在复杂结构中误判率达42%。

3. 环境条件影响
   统计显示，灌溉条件普遍提升模型性能，如Gladius穗部mIoU从0.630（干旱）升至0.775（灌溉）。但Apogee因器官重叠加剧，3DGTN的精度反而从0.844降至0.812，揭示点云密度与分割精度的非线性关系。

4. 混淆矩阵分析
   3DGTN在干旱条件下的真阳性率（0.79）与真阴性率（0.97）保持最佳平衡，而PointNet++对穗部的漏检率高达42%，凸显传统采样策略在稀疏结构的局限性。

讨论与结论指出，Wheat3D PartNet通过涵盖遗传与环境双重变异，首次实现了小麦三维表型的高通量精准量化。该数据集存在两点独特价值：一是标注质量显著优于现有植物数据集（如仅含713个未标注模型的Plant3D），二是为穗部特异性性状研究提供标准基准。研究同时发现，当前模型对Paragon等稀疏品种的适应性仍需提升，未来可通过动态图卷积和梯度感知模块（Gradient Awareness Module, GAM）进一步优化。这项发表于《Computers and Electronics in Agriculture》的工作，为作物三维表型组学建立了可扩展的技术框架，其方法论可延伸至水稻、马铃薯等作物研究，对智慧农业中的产量预测和胁迫响应监测具有重要实践意义。