《Smart Agricultural Technology》：ABox-PC: Adaptive box-guided completion of single-view tomato fruit point clouds for improved greenhouse phenotyping
编辑推荐：
研究人员开发了一种名为ABox-PC的自适应框引导对抗网络，用于完成温室环境中单视角番茄果实点云的补全任务。研究中建立了一套从补全到表型分析的完整流程（completion-to-phenotyping pipeline）。结果表明，点云补全显著改善了自然遮挡
研究人员开发了一种名为ABox-PC的自适应框引导对抗网络，用于完成温室环境中单视角番茄果实点云的补全任务。研究中建立了一套从补全到表型分析的完整流程（completion-to-phenotyping pipeline）。结果表明，点云补全显著改善了自然遮挡果实的直径估计精度，在点云补全后，果实重量估计的决定系数（R2）达到了0.83。该方法有效提升了因遮挡导致的单视角点云不完整性对下游表型测量的影响。
基于单视角番茄果实点云的自适应框引导补全方法及其温室表型应用解读
一、研究背景与问题提出
精准的番茄果实表型鉴定对于品种评价、栽培管理以及果实生长和产量相关性状的定量分析具有重要意义。非破坏性传感技术，特别是三维（3D）点云技术，能够直接表征果实尺寸、朝向、表面几何形状和空间分布，为提取水平直径、垂直直径和体积等表型参数提供几何基础。然而，点云表型分析的可靠性高度依赖于观测到的果实表面的质量和连续性。
在温室环境中，番茄果实常被叶片、茎秆、邻近果实及其他器官遮挡。此外，有限的相机视点和深度感知的变化导致点分布不均匀和表面区域缺失。尽管可以通过多视角配准技术和旋转采集系统改善可见表面的覆盖范围，但由于密集的植物结构、可视性限制、配准误差和数据采集复杂性，其有效性仍然受限。特别是对于温室中的器官级监测，有必要研究在获取下游表型测量之前，能否从不完整的单视角点云中恢复缺失区域。
与薄叶片、茎秆和开放作物冠层不同，番茄果实是一种紧凑的、近似封闭的器官，其水平直径、垂直直径、果形比和体积主要由外部轮廓和表面曲率决定。在单视角采集过程中，遮挡可能移除部分可观察轮廓或中断局部曲面，这种不完整性会导致估计的质心偏移、主方向改变以及测量空间范围减小，从而降低直径和体积估计的准确性。因此，当采集空间、感知时间或视角可达性有限时，恢复单视角观察中被器官遮挡的区域具有重要的研究意义和实践价值。
二、研究方法概述
研究人员采用的主要关键技术方法包括：
- 1.
数据采集与预处理：在中国陕西省延安市蔬菜试验站的温室中，使用高精度飞行时间RGB-D相机（Femto Mega，奥比中光，深圳）采集点云数据，共获得222个原始果实实例。经过人工标注、果实提取和随机下采样至30,000个点后，将113个相对完整的单视角果实用于构建配对不完整-参考数据集，109个自然遮挡果实作为真实场景子集。
- 2.
自适应框引导对抗网络（ABox-PC）：该网络包含一个轻量级空间变换器，可根据局部点间距确定邻域范围并建模相邻点的相对位置关系，提供密度响应的空间支持，减少对固定框大小的依赖。
- 3.
点云补全与表型提取流程：将ABox-PC集成到从补全到表型的流水线中，通过轴加权定向包围盒方法和基于密度的几何公式估计果实直径和重量。
三、研究结果
3.1 控制条件下的几何补全评估
研究人员利用配对验证子集中的1,035个样本，通过倒角距离（Chamfer Distance）等指标评估了ABox-PC在控制缺失条件下的补全性能。结果表明，ABox-PC在恢复局部边界连续性和曲面完整性方面优于多种基线方法，其自适应框设计能够有效应对不同密度区域的补全需求。
3.2 自然遮挡果实的补全效果
在109个自然遮挡果实上进行的定性可视化显示，ABox-PC成功恢复了被叶片、茎秆或邻近果实遮挡的果实表面区域，补全后的点云在几何形态上更接近完整果实的预期形状，减少了因遮挡导致的表面空洞和不规则边缘。
3.3 直径估计改进
通过对自然遮挡果实在补全前后的直径估计进行比较，研究人员发现补全处理显著提高了水平直径和垂直直径的测量精度。特别是在严重遮挡情况下，未补全点云因缺失边界信息导致直径低估，而补全后直径估计值与手动测量值的一致性明显提升。
3.4 重量估计性能
研究人员利用补全后的点云通过密度-体积法进行重量估计，结果显示重量估计的决定系数（R2）达到0.83。这表明点云补全不仅改善了几何表型参数的提取，还为实现基于点云的非破坏性重量预测提供了可行途径。
四、讨论与结论
讨论部分总结
研究人员指出，ABox-PC在温室番茄果实点云补全任务中表现出色，其核心优势在于自适应框机制能够灵活应对不同局部点密度，避免了全局固定框在稀疏区域过拟合或密集区域欠拟合的问题。然而，该方法在处理极端遮挡或仅有极少量可见点时仍存在局限，未来工作可考虑引入多模态信息（如颜色纹理）或多视角融合策略进一步提升补全鲁棒性。此外，当前模型主要针对番茄果实这一特定器官，向其他作物器官（如黄瓜、辣椒等）的泛化能力有待验证。
研究结论
本研究开发了ABox-PC并将其集成到面向不完整单视角番茄果实点云的补全到表型分析流程中。相对完整的单视角果实被用于构建配对不完整-参考样本以进行模型开发和受控评估，而自然遮挡果实则被保留用于真实场景可视化和下游表型评估。主要贡献如下：（1）开发了自适应框引导对抗网络ABox-PC用于局部空间建模和3D补全，其轻量级空间变换器根据局部点间距确定邻域范围并建模相邻点相对位置，提供密度响应的空间支持并减少对数据集全局固定框大小的依赖；（2）将ABox-PC集成到面向温室番茄果实的补全到表型分析流程中，利用配对样本评估受控缺失条件下的补全效果，并通过自然遮挡果实的结果检验补全对不完整单视角点云直径和重量估计的改进潜力。
