《Smart Agricultural Technology》：An agronomy-oriented framework for multiscale maize phenotyping from 3D point clouds
编辑推荐：
从玉米三维点云中准确进行茎叶分割和表型性状提取，对于理解植株结构对逆境的响应及其与农艺表现的关系至关重要。研究人员建立了一个覆盖全生育期的单株玉米三维点云数据集，包含三种种植密度（D1，90000株ha-1；D2，110000株ha
从玉米三维点云中准确进行茎叶分割和表型性状提取，对于理解植株结构对逆境的响应及其与农艺表现的关系至关重要。研究人员建立了一个覆盖全生育期的单株玉米三维点云数据集，包含三种种植密度（D1，90000株ha-1；D2，110000株ha-1；D3，130000株ha-1）和三种灌溉水平（I1，100%ETc；I2，65%ETc；I3，40%ETc）。点云通过对田间挖掘的单株植株进行室内多站激光扫描获取。数据集包含408个标注样本，其中285个用于训练，123个用于独立评估。基于这些数据，研究人员开发了CGHFormer——一种优化的基于PTv3的框架，通过整合圆柱几何增强和高度感知双任务注意力机制，实现玉米茎叶的语义与实例分割。与基线PTv3相比，完整CGHFormer的mIoU和AP@50分别提高了1.58和3.12个百分点，并获得最佳性能，mIoU、mPrec、mRec、mF1和AP@50分别达到91.34%、94.09%、95.21%、94.61%和54.27%。随后开发了多尺度工作流，从穗位叶和第三节间提取常规整株形态性状和农艺导向性状。整株性状与参考测量值高度一致（R2=0.953–0.997），器官性状显示出可靠精度（R2=0.913–0.989）。六个关键结构性状捕获了不同的农艺响应，包括株高、植株体积、穗位叶面积、穗位叶基角、茎体积和第三节间直径。产量和辐射利用效率随种植密度增加而升高，但随灌溉减少而降低。D3I1获得最高籽粒产量19.28t ha-1，D2I1产量为17.83t ha-1，两者无显著差异。D2I1还表现出比D3I1更高的茎弯曲强度和穿刺强度。相关性和Mantel分析进一步支持所选三维性状在解释处理相关玉米表现差异中的农艺相关性。该框架支持对田间生长玉米的室内扫描点云进行器官分割和多尺度性状提取，为分析灌溉和种植密度响应提供了结构指标。
玉米（Zea mays）是主要粮食作物，提高其生产力和资源利用效率对粮食安全至关重要。准确且可扩展的表型数据是连接植株结构、生理过程与产量形成的关键。传统人工表型测量虽精确但劳动密集、耗时，难以在大型田间试验和多处理研究中规模化应用。三维（3D）点云技术能够在毫米级分辨率下定量表征植株三维结构，较传统方法提供更丰富的结构描述，但现有玉米点云数据集在规模、采集场景、标注粒度和农艺元数据方面仍存在明显不足，且通用的点云深度学习模型难以充分应对玉米器官重叠、点密度不均和高度分层等结构特点导致的分割难题。为此，研究人员开展了本研究，其目标不仅在于提升复杂玉米结构下的器官级分割精度，更在于将点云衍生的结构性状从几何描述拓展至农艺解释。
研究人员在中国农业大学石羊河实验站（甘肃武威，102°5′E，37°52′N）以玉米品种先玉335为材料，设置三种种植密度（D1：90000株ha
-1；D2：110000株ha
-1；D3：130000株ha
-1）和三种灌溉水平（I1：100%ETc；I2：65%ETc；I3：40%ETc），随机完全区组设计，共27个小区。2025年生长季内（5月4日播种至9月19日收获），研究人员从各小区内部行选取代表性单株，挖掘后置于室内采用FARO Focus地面激光扫描仪进行四站位扫描，共采集408个单株全生育期三维点云样本，按约7:3比例分为285个训练样本和123个独立测试样本，各处理组合和生育期在训练与测试集中保持分层均衡。研究人员开发了基于Point Transformer V3（PTv3）的CGHFormer分割框架，并在分割基础上提取常规整株性状和穗位叶、第三节间农艺导向性状，结合田间测定的生理、机械、产量和资源利用指标进行关联分析，以评估玉米对灌溉和种植密度的响应。
本研究主要关键技术方法包括：（1）点云预处理与数据集构建：采用迭代最近点（ICP）算法进行多站配准，去除背景、坐标归一化、体素下采样和统计离群点去除；（2）CGHFormer分割框架：在PTv3主干网络中集成圆柱几何增强模块（CGM），提取线性度、平面度、曲率和径向距离方差等局部几何描述子以增强茎秆表征；引入高度感知双任务注意力模块（HDAM），将归一化高度编码为潜在特征并分别生成语义和偏移分支的注意力权重；采用加权交叉熵损失（茎类权重4.0）和Smooth L1偏移回归损失联合优化；（3）多尺度性状提取：整株性状采用投影面积法、体素占用法和基于切片的拟合策略；穗位叶通过茎轴拟合与穗位定位自动识别，叶片面积基于三角网格重建和Heron公式计算；第三节间采用主轴约束多切片椭圆拟合方法提取；（4）农艺指标测定：SPAD值、茎秆穿刺强度（PS）和弯曲强度（BS）、籽粒产量、水分利用效率（WUE）和辐射利用效率（RUE）。
在茎叶分割性能方面，完整CGHFormer的mIoU、mPrec、mRec、mF1和AP@50分别达到91.34%、94.09%、95.21%、94.61%和54.27%，均优于PSegNet和PTv3基线；消融实验表明，CGM主要提升AP@50，HDAM主要提升mIoU，两者联合获得最高分割精度。在表型性状提取精度方面，整株性状与参考值R2为0.953–0.997，其中植株体积R2为0.997、茎体积R2为0.992；器官性状R2为0.913–0.989，穗位叶宽R2为0.989、叶长R2为0.979，叶面积和周长精度相对较低。在性状与产量及生理功能关联方面，通过相关分析筛选出株高（PH）、植株体积（PV）、穗位叶面积（ELA）、穗位叶基角（ELBA）、茎体积（SV）和第三节间直径（3rdD）六个代表性状，分别与产量、光合性能和茎秆机械强度密切相关。在动态响应分析方面，PH持续增长至中后期稳定，PV呈先升后降的单峰模式；D3处理下株高较高但单株体积受限；SV在充分灌溉下较高，3rdD随灌溉减少和密度增加而减小；ELBA在胁迫下减小，呈更直立叶姿；D2处理在多数灌溉水平下维持较大ELA。产量和RUE随密度增加而升高但随灌溉减少而降低，D3I1产量最高（19.28t ha
-1），D2I1为17.83t ha
-1，两者无显著差异；D2I1的茎弯曲和穿刺强度均高于D3I1；WUE随灌溉减少而增加，D3I3最高（7.82kg m
-3）。Mantel分析显示，产量主要与YPP、B、PV、SV显著关联，RUE与A、SPAD、ELA、B、SV和PV广泛关联，而WUE关联较弱且分散。
讨论部分指出，CGHFormer的性能提升表明专门建模玉米器官结构特征是改善茎叶分割的有效策略；整株尺度性状精度高于器官尺度累积性状，后者更易受叶缘缺失、叶基粘连和点云稀疏导致的误差累积影响；本研究的优势在于将点云表型直接服务于农艺问题解析，而非仅停留于算法验证。研究局限性包括：扫描为离体室内获取而非原位无损测量，掘取和转运对形态的影响未量化；数据来自单年单点，跨年份和跨环境泛化性有待验证；体积类参考值来源于人工分割点云而非独立物理真值，高R2应理解为与专家点云测量的一致性而非绝对精度；未来需纳入系统化的倒伏调查并采用多点多年份数据集验证框架的稳健性。
结论部分表明，本研究开发了集成的全生育期玉米三维表型框架，涵盖点云数据集构建、器官级分割、多尺度表型提取和农艺响应分析。通过将圆柱几何特征和高度感知结构先验融入PTv3主干网络，CGHFormer实现了可靠的玉米茎叶分割，支持整株常规性状和穗位叶、第三节间农艺导向性状的提取。将结构性状与生理、机械、产量和资源利用指标关联，表明三维表型能有效捕获处理诱导的结构响应并识别与作物表现相关的结构性状。农艺上，D2I1表现出比D3I1更高的茎弯曲和穿刺强度，而两种处理间籽粒产量无显著差异；减少灌溉提高了水分利用效率但总体上降低了产量和辐射利用效率。该框架将器官分割、多尺度性状提取和农艺响应分析相结合，将玉米三维点云转化为可解释的结构指标，为比较玉米对不同灌溉和种植密度的响应提供了定量基础。
