综述：三维植物表型组学中的深度学习

本综述系统探讨了深度学习在三维植物表型组学中的前沿应用，涵盖点云表示（如点、体素、网格）、特征工程方法（视图/体素/点/图基）及核心任务（分类、检测、语义/实例分割、生成）。文章重点解析了数据预处理（标注、降采样、数据集构建）挑战，并展望了基准数据集构建、轻量化模型、自监督学习及多模态数据融合等未来方向，为植物科学的多维突破提供理论支撑。

　　

深度学习在三维植物表型组学中的革命性进展

植物表型组学（Plant Phenomics）作为研究基因型与环境互作的关键领域，近年来因深度学习技术的融入而迎来多维突破。传统二维图像表型分析虽已成熟，但植物结构与功能活动本质上发生于三维空间，因此三维表型组学正成为植物科学的前沿方向。然而，三维数据的高维性、无序性及结构复杂性对特征提取与表型分析提出了巨大挑战。深度学习凭借其强大的特征学习能力，正逐步革新三维植物表型分析的技术范式。

三维表示与特征工程

三维数据表示是三维视觉的基础，涉及点云（Point Cloud）、网格（Mesh）、体素（Voxel）、图（Graph）和隐式函数（Implicit Function）等多种形式。点云以离散点集合保留几何信息但缺乏结构关联；网格通过顶点-边-面定义物体几何，结构复杂但计算效率低；体素以规则网格表示空间，内存消耗大但利于并行计算；图结构能表达空间关联与层次聚类；隐式表示（如神经辐射场NeRF）通过数学函数生成高质量场景，但需转换为标准格式使用。

特征工程方法主要包括：

• •

  视图基方法（如MVSG-DNN、HMVCM）将三维对象投影为多视角二维图像，利用卷积神经网络（CNN）提取特征，虽可互补视角信息，但难以捕捉几何邻域关系。

• •

  体素基方法（如VoxelNet）将点云转换为体素网格并应用3D CNN，但计算成本高且受硬件限制。

• •

  点基方法（如PointNet、PointNet++）直接处理原始点云，保留几何信息且灵活性高，后续发展出PointCNN、点云变换器（PCT、PT）等，通过自注意力机制提升局部特征聚合能力。

• •

  图基方法（如GCN、SPG）利用图神经网络（GNN）建模局部关系，分为谱GNN与空间GNN，适用于复杂结构分析。

三维计算机视觉任务

• •

  分类：通过视图基（MVSG-DNN）、体素基（NormalNet）或点基（PointNet）方法实现物体类别识别。

• •

  检测与跟踪：分为单阶段（如VoxelNet、PointPillars）和两阶段（如MV3D-Net、PointRCNN）方法，用于目标定位与运动分析。

• •

  语义分割：将点云划分为语义区域（如器官类型），常用视图投影、点基（PointNet++改进版）或图基（分层图）方法。

• •

  实例分割：分为提案基（如3D-BoNet）和无提案基（如SGPN、MASC），实现器官实例级分离。

• •

  生成与重建：从单视图或多视图图像推断三维结构，模型基方法（如3D-ED-GAN、OGN）处理体素/点输入，图像基方法（如3D-R2N2、PSGN）利用编码器-解码器架构，NeRF与高斯泼溅（Gaussian Splatting）近年成为场景表示新范式。

三维植物表型分析实践

深度学习应用于植物表型需经历数据预处理、标注、降采样及数据集构建等步骤。

• •

  点云标注：工具包括MeshLab、SSE、LabelCloud、Point_labeler等，针对植物特点开发的Label3DMaize、CloudCompare等工具提升标注效率。

• •

  降采样：方法包括随机采样（RS）、最远点采样（FPS）、体素化采样（VBS）及其混合策略（如VFPS、UVS）。几何分区方法（如GPT三角化、SLIC超像素分割）和启发式方法（3DEPS、SOM）能保留结构特征，任务特定监督采样（如S-Net）需与下游网络联合优化。

• •

  数据集：公开数据集涵盖玉米、番茄、油菜、苹果等多种作物，部分包含时空数据（如生长动态），标注方式与工具多样（表1）。

深度学习模型在植物表型任务中演进为三代：

1. 1.

   2D-3D重投影：将点云投影为多视角图像，经2D CNN处理后再映射回三维（如玉米茎部分割、葡萄器官标记），虽可利用成熟图像网络，但信息损失与流程繁琐。

2. 2.

   3D CNN直接处理：将点云体素化后应用3D CNN（如VCNN玉米分割），计算成本高且依赖分辨率。

3. 3.

   点基深度学习：PointNet系列开启点级计算时代，后续结合注意力机制（如Transformer）的模型（Win-Former、PST、TPointNetPlus）在多种作物语义/实例分割中表现优异。

应用方向包括个体分割、器官语义分割（如小麦穗部、棉花茎叶）、实例分割（生菜叶片）及性状提取（株高、叶面积、果数等）。多任务学习（如VCNN、PlantNet）通过共享表征提升精度，轻量化模型（如知识蒸馏、域适应）和自监督学习（SSL）正解决数据稀缺与计算效率问题。

挑战与展望

未来发展聚焦三大方向：

1. 1.

   基准数据集构建：需解决数据配准（深度学习改进ICP）、去噪（无监督学习）、补全（多模态融合）及标注（合成数据与弱监督）问题，SAM等大模型有望赋能自动标注。

2. 2.

   精准高效分析：通过多任务学习、轻量化设计（如神经架构搜索）、自监督及域适应（DA）提升模型效率与泛化性。

3. 3.

   深度学习与表型组学融合：

   • •

     可解释性：采用XAI方法（注意力可视化、显著性图谱）揭示模型决策依据，同时强化性状生物学意义（如大豆架构比率AHR/ALR）。

   • •

     扩展性：通过合成数据集（FSPM模型）、混合建模（知识-数据驱动）和基础模型（如PointCLIP）实现跨物种、场景迁移。

   • •

     多模态数据利用：融合LiDAR、高光谱、热成像等多源数据（如HPProj、PMNet），提升生理性状监测能力，无人机平台推动田间高通量应用。

深度学习正推动三维植物表型组学向自动化、高精度、多维感知方向发展，为智慧农业与作物育种提供核心驱动力。通过整合先进计算技术与植物生物学需求，这一交叉领域有望实现植物表型分析的维度突破，最终赋能可持续农业发展。