PRSNeRF：融合轮廓辐射场重建与点云分割的水稻谷粒级三维表型分析

《Plant Methods》：A 3D grain-level phenotypic extraction framework for rice using contour-guided NeRF reconstruction and mamba-based point cloud segmentation

　　

摘要

背景

水稻的谷粒级三维表型分析可以为育种和产量评估提供定量特征，但这一过程仍具有挑战性，因为密集的稻穗会导致器官之间的严重粘连、边界模糊以及大规模点云数据的复杂性。我们开发了PRSNeRF，这是一种结合了基于轮廓的神经辐射场重建技术与点云实例分割的谷粒级表型分析工作流程，并在受控的室内环境下对其进行了验证。

结果

PRSNeRF集成了CoNeRF用于重建任务，以及PRSNet用于分割任务。CoNeRF结合了图像去模糊处理、基于轮廓的采样以及渲染与投影的一致性，以提高几何精度并减少伪影。PRSNet采用基于Mamba的编码器、自适应高斯细节增强技术、多尺度特征融合以及三维动态锚框来分离紧密相邻的谷粒。在“Blur Rice”基准测试中，经过5000次迭代后，CoNeRF将NeRF空间的Chamfer距离从10.61减少到了7.81。与需要30000次迭代的NeRFacto基线方法相比，PRSNeRF将训练时间从368秒缩短到了77秒，点云导出时间从120秒缩短到了10秒。在RiceNeRF-IS数据集上进行的植物级五折交叉验证显示，PRSNet的整体准确率（AP）达到了87.31%，比OneFormer3D高出22.30个百分点。重建的点云数据使得谷粒数量、谷粒尺寸以及基于体素的占用特征等参数的自动化估算成为可能。这些结果将重建、实例分离和特征提取整合到了同一个工作流程中。

结论

PRSNeRF支持在受控室内环境下，利用多视角图像进行水稻谷穗的谷粒级表型分析。它提高了重建的精度，能够分离紧密粘连的器官，并在每次处理约3.3分钟的端到端时间内完成下游的特征提取工作。