《Computers and Electronics in Agriculture》：Improved point cloud segmentation algorithms for in situ individual plant phenotyping and weight prediction of Chinese cabbage plants using UAV imagery
编辑推荐：
摘要专业翻译
植物表型组学研究旨在精确量化植物生长过程中形态与生理性状的动态变化，是解析基因功能、加速智能育种和实现精准农业的核心驱动力。传统表型测量方法依赖人工、具有破坏性且效率低下，难以实现高通量应用。无人机（UAV）遥感技术为此提供了极具前景的解决方案。
摘要专业翻译
植物表型组学研究旨在精确量化植物生长过程中形态与生理性状的动态变化，是解析基因功能、加速智能育种和实现精准农业的核心驱动力。传统表型测量方法依赖人工、具有破坏性且效率低下，难以实现高通量应用。无人机（UAV）遥感技术为此提供了极具前景的解决方案。然而，对于大白菜这类莲座型作物，其由叶片重叠卷曲形成的三维（3D）生物量体积无法仅从平面投影可靠推断，因此3D原位分析对于准确的生物量估算和产量预测不可或缺。本研究提出一种融合深度图神经网络（GNN）与改进聚类分割算法的协同分析框架，以克服密植环境下大白菜单株分割难题并实现精确的单株重量预测。主要创新包括：1）设计改进图卷积神经网络AW-GNN，融合自适应K近邻（KNN）学习、小波卷积和双通道注意力模块，用于密植大白菜点云的语义分割；2）提出形态学引导的分水岭聚类方法，通过整合2D冠层高度图与3D点云建立大白菜冠层形态自适应分割框架，分割速度较K-Means和DBSCAN提升73–79倍；3）基于精确单株分割提取3D形态性状（高度、宽度、体积和表面积），建立整合主成分分析（PCA）与核支持向量回归（SVR）的回归框架，结合形态学分析（如高宽比）指导建模策略。结果表明，3D体积和紧凑度性状主导重量估算，PCA-SVR被确定为单株重量预测的最优模型，证实了基于UAV点云进行稳健、非破坏性产量预测的可行性。
论文解读文章
一、研究背景与问题
植物表型组学旨在精确量化植物生长过程中形态与生理性状的动态变化，是解析基因功能、加速智能育种和实现精准农业的核心驱动力。大白菜作为中国种植面积最广、消费量最大的蔬菜作物之一，其产量准确估算对保障市场供应、优化田间管理和指导育种决策具有重要的经济和社会价值。然而，传统表型测量方法依赖人工操作，具有破坏性且效率低下，难以实现高通量应用，已成为制约育种和生产现代化进程的关键瓶颈。
无人机遥感技术的快速发展为解决上述挑战提供了极具前景的途径。低空无人机平台搭载高分辨率数码相机可快速获取大面积农田的高分辨率影像，为植物表型研究提供丰富的数据源。已有研究利用U-Net分割大白菜RGB图像估算株高和株宽，或通过数据同化系统结合无人机叶面积指数（LAI）数据与WOFOST作物模拟模型预测单株产量，以及结合YOLOv11s-pose模型与CatBoost实现白菜单株鲜重预测和产量空间制图。然而，传统二维（2D）图像数据在捕捉完整3D表型性状方面存在固有局限。对于大白菜这类莲座型作物，其由叶片重叠卷曲形成的3D生物量体积无法仅从平面投影可靠推断，3D原位分析成为准确生物量估算和产量预测的必要条件而非可选方案。这一原理同样适用于生菜、羽衣甘蓝等其他莲座型作物。
无人机激光雷达（LiDAR）虽能获取高分辨率植被点云，但在低矮蔬菜作物中识别精度相对较低，且传感器成本高昂，通常需要高载荷无人机、大量数据存储和处理硬件以及专业操作人员，无法快速交付结果。相比之下，低空无人机平台搭载高分辨率数码相机可快速、经济地采集整个田块高度重叠的序列影像，通过运动恢复结构（SfM）和多视角立体（MVS）摄影测量算法，可从2D影像高精度重建作物3D空间结构信息。与仅提供光谱和纹理信息的2D影像相比，3D点云完整保留了作物的空间几何信息，可直接无损提取与生物量密切相关的3D表型性状，如株高、冠层覆盖度和体积。
从群体点云中准确分割单株植物是实现单株尺度表型解析和产量预测的首要关键步骤。然而，大白菜田间密植且莲座形态导致相邻植株叶片在冠层高度严重重叠粘连，形成结构复杂的点云簇，传统基于距离或形状的聚类分割算法易出现欠分割或过分割。此外，大白菜的不规则非刚性形态限制了固定模板或模型拟合方法的适用性。广泛采用的点级深度学习模型如DGCNN和PointNet++依赖固定K近邻或球查询策略构建局部邻域，隐含假设对象为刚性且分离良好，在密接非刚性叶片边界处常失效，导致相邻植株间特征污染。这一固有局限性凸显了对能够适应莲座作物局部形态的自适应邻域选择机制的需求。
二、研究内容与主要技术方法
研究人员提出一种融合深度图神经网络（GNN）与改进聚类分割算法的协同分析框架，用于克服密植环境下大白菜单株分割难题并实现精确单株重量预测。试验地点位于中国河北省保定市河北农业大学西校区第三工厂试验场（38°48′ N，115°24′ E），供试材料为自育非商业大白菜品种。采用大疆Phantom 4无人机在莲座期采集田间白菜2D正射RGB影像，飞行高度10 m，航向重叠率65%，旁向重叠率60%，飞行速度2.5 m/s，影像空间分辨率达0.5 cm/像素，共848个航点覆盖39条主航线，飞行总面积0.7 ha。田间作业于2022年10月21日进行。研究人员使用Agisoft Metashape Professional处理917张无人机RGB影像，通过SfM技术完成3D点云重建，并在CloudCompare中进行预处理和人工标注。主要关键技术方法包括：改进图卷积神经网络AW-GNN（融合自适应KNN、小波卷积和双通道注意力模块）、形态学引导的分水岭聚类算法、主成分分析（PCA）与核支持向量回归（SVR）集成框架。
三、研究结果
3.1 AW-GNN网络架构
研究人员提出改进图卷积神经网络模型AW-GNN，通过小波卷积、自适应加权图特征学习和简单有效的注意力机制增强点云分类和语义分割性能。自适应加权图特征学习模块引入可学习尺度权重向量，在距离计算前对输入特征进行缩放，使网络在反向传播过程中自主分配不同特征通道的重要性分数，动态确定空间坐标（X, Y, Z）或颜色属性（R, G, B）对点邻接关系的贡献程度。通过特征标准差归一化消除特征尺度变化的影响，构建自适应距离矩阵。小波卷积通过离散小波变换（DWT）将输入特征图分解为LL（低频）、LH（低-高）、HL（高-低）和HH（高）子带，经1D卷积处理和转置2D卷积重建后通过逆离散小波变换（IDWT）完成多尺度特征提取与融合。
3.2 形态学引导的分水岭聚类分割
研究人员提出形态学引导的分水岭聚类方法，整合2D冠层高度图与3D点云建立大白菜冠层形态自适应分割框架。该方法利用2D图像分割的鲁棒性和3D点云几何信息的准确性实现优势互补，有效提升分割过程的自动化和田间适用性。实验结果表明，该方法分割速度较K-Means和DBSCAN提升73–79倍，显著提高了密植大白菜点云单株分割的效率和精度。
3.3 单株重量预测模型
基于精确的单株分割结果，研究人员提取3D形态性状（高度、宽度、体积和表面积）表征大白菜冠层结构。针对表型参数间存在的强多重共线性，建立整合主成分分析（PCA）与核支持向量回归（SVR）的先进回归框架。形态学分析（包括几何紧凑度指数如高宽比）被纳入建模策略指导，结果表明非线性形态特征对生物量积累具有显著影响。研究结果揭示3D体积和紧凑度性状主导重量估算，PCA-SVR被确定为单株重量预测的最优模型，证实了基于无人机点云进行稳健、非破坏性产量预测的可行性。
四、讨论与结论
讨论部分强调，对于大白菜这类莲座型作物，3D点云分析在准确生物量估算和产量预测中具有不可替代性。传统2D影像方法难以捕捉叶片重叠卷曲形成的3D生物量体积，而本研究提出的协同分析框架有效解决了这一难题。AW-GNN通过自适应邻域学习机制克服了传统深度学习方法在密接非刚性叶片边界处的特征污染问题，形态学引导的分水岭聚类方法则大幅提升了分割效率，PCA-SVR回归框架有效处理了表型参数的多重共线性问题。
研究结论表明，该研究提出的完整无人机（UAV）框架可实现大白菜田间原位表型解析和重量预测。通过低成本无人机获取可靠数据，结合改进的点云分割算法和回归模型，实现了精确、非破坏性的单株产量预测。这一框架不仅适用于大白菜，也可推广至生菜、羽衣甘蓝等其他莲座型作物，为精准农业和智能育种提供了有力的技术支撑。该论文发表在《Computers and Electronics in Agriculture》。
