基于轨道驱动田间表型平台的玉米冠层三维数据采集方法比较研究

为解决田间高通量表型平台三维数据采集方法选择难题，研究人员开展了LiDAR、多视角立体视觉(MVS)重建和深度图像合成三种方法的系统性比较研究。结果表明LiDAR具有最高稳定性(R2=0.80)但受平台振动影响显著，MVS成本低但易受光照干扰，深度相机效率最优但环境敏感性高。该研究为田间表型平台传感器选型提供了重要依据。

　　

在作物科学进入多组学时代的今天，基因组学、转录组学和代谢组学数据已能实现高通量获取，但植物表型数据的采集技术却成为制约研究进展的瓶颈。特别是在田间环境下，如何高效获取作物三维形态结构数据，一直是作物表型组学研究的重点和难点。轨道驱动田间表型平台因其结构稳定、负载能力强等特点，成为获取高分辨率作物表型数据的重要工具，但平台传感器选型缺乏系统研究，直接影响后续数据质量和分析效率。

北京农业信息技术研究中心的Yuqiang Liang、Wenbo Gou、Weiliang Wen等团队在《Smart Agricultural Technology》发表的研究，首次系统比较了轨道驱动田间表型平台上三种三维数据采集方法。研究人员以玉米为实验材料，在其五个关键生育期（V6、V9、V13、VT、R2），同步采用Velodyne VLP-16激光雷达(LiDAR)、Azure Kinect DK深度相机（用于MVS重建和深度图像合成）采集数据。通过点云合成、预处理（去噪、下采样、地面去除）、GDQuickShift++算法植株分割等技术手段，系统评估了三种方法在数据质量、成本、预处理复杂度等方面的表现。

研究结果显示，在数据质量方面，LiDAR点云完整性最佳，尤其在冠层中下部点数显著多于其他方法（V13期单条带达20,431,727点），平均植物高度估计精度最高（R²=0.80）。但受平台振动和环境风力影响，点云噪声明显（图5），且单条带数据两侧存在梯形缺失。MVS方法重建的点云具有色彩信息但存在形变（图2），V6期因平台运行速度较快导致明显失真。深度相机点云合成效率最高（平均2分钟/次），但VT和R2期因光照影响质量显著下降。

在技术特性对比中（表6），LiDAR受环境干扰最小但成本最高（27,000元），数据预处理无需缩放和坐标系校准；MVS方法成本最低（3,965元）但预处理最复杂，必须进行手动缩放和坐标系校准；深度相机虽预处理简单（无需缩放校准），但初始数据量最大（平均6.25GB），且光照敏感性强。

讨论部分指出，该研究为不同应用场景的传感器选择提供了明确指导：LiDAR适合需要高精度和稳定性的长期监测，MVS适用于低成本、色彩信息重要的场景，而深度相机在可控环境（如温室）中优势明显。研究人员建议，未来应优化LiDAR数据合成算法，并在可控环境下开展深度相机的对比研究。这项研究不仅填补了轨道驱动表型平台传感器选型的研究空白，更为作物表型组学标准框架的建立提供了重要技术依据。

值得注意的是，该研究首次系统揭示了三种方法在不同生育期的性能变化规律。例如LiDAR在玉米封垄后（V13至R2期）植株分割困难加剧，而深度相机在早期（V6、V9期）表现优异但后期（VT、R2期）精度骤降（R²从0.84降至0.31）。这些发现为表型平台的多传感器协同使用提供了重要参考，也为后续开发适应不同生育期的动态采集策略奠定了理论基础。