《AgriEngineering》：Automated Organ Segmentation of Sunflower Plants from 3D Point Clouds Using an Improved Region-Growing Algorithm
编辑推荐：
针对作物器官精准分割是三维表型性状自动提取与生长状态智能监测的关键基础，对优良性状筛选和精准栽培管理具有重要支撑作用。然而，对于株型结构复杂的作物，器官间空间关系复杂、形态差异显著，仍使三维点云分割面临较大挑战。以向日葵为例，其茎、叶、花盘在三维空间中相互交织
针对作物器官精准分割是三维表型性状自动提取与生长状态智能监测的关键基础，对优良性状筛选和精准栽培管理具有重要支撑作用。然而，对于株型结构复杂的作物，器官间空间关系复杂、形态差异显著，仍使三维点云分割面临较大挑战。以向日葵为例，其茎、叶、花盘在三维空间中相互交织，叶片形态不规则，现有植物器官分割方法易出现花盘与茎混淆、茎点云断裂以及叶片过分割等问题。为解决上述问题，本研究提出一种改进区域生长算法用于向日葵植株器官分割。该方法首先对原始点云数据进行去噪与下采样预处理，以去除噪声和冗余点；以植株基部为初始种子点，融合局部邻域紧致性、代表性候选点选取、生长方向连续性和局部线性约束，迭代提取主茎骨架；随后采用基于缓冲区的重建策略恢复完整茎点云，并对剩余点云进行密度聚类与器官分类。实验在30株高秆单头向日葵点云数据集上开展（5株用于参数调优，25株用于定量评价）。该方法对向日葵茎、叶、花的分割精确率分别为93.22%、99.00%和91.86%，召回率分别为98.11%、97.38%和98.77%，F1分数分别达到95.55%、97.81%和94.20%。在4株代表性植株上与传统的区域生长方法和骨架提取方法进行的对比实验表明，该方法对三类器官均取得最高的F1分数，平均F1分数分别提升48.28和12.35个百分点。结果表明，该方法能够从单株点云中准确分割向日葵各器官，为高效提取关键表型性状提供可靠的技术支撑。
研究背景方面，向日葵作为全球重要经济作物，其器官结构特征与表型信息对生长状态评估和优良品种选育具有重要参考价值，而准确的器官分割是三维表型信息自动获取的关键基础，分割结果直接影响茎径、叶面积、花盘直径等关键性状后续测量的准确性。传统人工测量与二维图像分析方法受效率、主观性及空间信息不足等因素限制，难以满足复杂株型自动化高通量表型分析需求。近年来三维激光扫描技术成为植物参数提取的有效高通量手段，而基于该技术的植物表型提取多依赖器官点云准确分割，因此开发准确、稳健、自动化的向日葵器官分割方法具有重要意义。现有植物器官分割方法主要包括基于几何结构特征的传统方法和数据驱动的机器学习方法。传统几何形态方法多依赖植物器官几何结构特征实现分割，计算复杂度低、物理意义明确，通常利用点云骨架、空间拓扑关系和区域生长等特征实现器官分离，但此类方法通常依赖规则株型和清晰器官边界，对于向日葵这类花盘与茎紧密相连、叶片在空间中严重重叠的复杂结构，易出现骨架断裂和区域错误扩张等问题。深度学习方法因具备自动学习复杂特征的强大能力而逐渐应用于植物点云分割领域，但此类方法依赖大量高质量标注数据，泛化能力易受植物种类、生育期和扫描条件影响，且硬件要求严格、计算效率较低，实际应用仍存在一定局限。因此需要一种不依赖大规模训练样本、能够利用主茎局部线性与生长连续性的分割方法。为此研究人员提出一种骨架引导约束区域生长方法，其核心思想是将约束骨架点跟踪嵌入区域生长框架，通过联合考虑方向连续性、向上生长趋势和局部线性来选择下一骨架点，并引入局部邻域紧致化和代表性候选点选取以增强茎的线性特征、减少叶缘点和离散噪声干扰，在此基础上构建由主茎骨架提取、缓冲区恢复和剩余器官聚类分类组成的完整器官分割流程，并通过参数敏感性分析和基线方法对比在25株向日葵点云上验证方法有效性。研究人员开展的研究得出以下结论：该方法对茎、叶、花的分割精确率分别为93.22%、99.00%和91.86%，召回率分别为98.11%、97.38%和98.77%，F1分数分别为95.55%、97.81%和94.20%；与骨架提取方法相比，所提方法将茎精确率由75.89%提升至91.17%、F1分数由85.66%提升至94.37%，花器官精确率由86.50%提升至97.08%、召回率由73.95%提升至99.24%，表明局部线性特征约束有效抑制了区域生长向花盘的错误扩张，减少了茎花混淆。该研究的重要意义在于能够从单株点云中准确分割向日葵各器官，为高效提取关键表型性状提供可靠技术支撑。
关键技术方法方面，研究人员采用南方SPL-1500plus三维激光扫描仪（单点测距精度3 mm@100 m，测角精度0.001°，双轴补偿精度0.008°）对30株花期健康向日葵进行点云采集，每株设18个扫描站，相邻站采用对应特征配准，共44条扫描连接边，最大连接误差6.02 mm、平均误差3.48 mm、最小重叠度43.47%、配准均方根误差（RMSE）约4.0 mm，数据经配准、去噪等预处理后使用CloudCompare等软件逐点语义标注作为真值，两名标注人员独立完成标注、分歧点由第三人复核，总体点级一致率98.72%、总体Cohen's kappa为0.978；算法上采用统计离群点去除与体素网格下采样预处理，采用布料模拟滤波（CSF）算法去除地面点，基于k近邻（k=30）构建局部邻域并进行拉普拉斯收缩增强局部紧致性与线性特征，采用最远点采样选取代表性点，以方向连续性、向上生长约束和基于局部协方差矩阵特征值的线性度约束进行骨架跟踪，以缓冲区重建恢复茎点云并对剩余点云采用DBSCAN聚类完成器官分类。
研究结果方面，在实验数据部分，研究人员使用南方SPL-1500plus三维激光扫描仪采集30株花期健康向日葵点云，每株18个扫描站、相邻站配准共44条连接边，最大连接误差6.02 mm、平均误差3.48 mm、最小重叠43.47%、配准RMSE约4.0 mm，经配准去噪预处理后逐点语义标注为茎、叶、花盘三类，两名标注人员独立标注、分歧由第三人复核，总体点级一致率98.72%、总体Cohen's kappa为0.978，茎、叶、花盘类别kappa分别为0.981、0.975和0.972，争议点比例1.28%。在实验参数部分，距离阈值R依据花梗基部与茎交界区域平均空间距离确定，本实验取0.1 m；缓冲区半径?依据实测向日葵平均茎径确定，本实验取0.04 m。在实验分割结果部分，实验所选田间种植向日葵涵盖叶片密集、叶片稀疏和茎秆明显倾斜三种典型形态，结果表明茎点云整体连续完整、准确沿茎中轴分布、无明显断裂或过多边缘噪声，茎、叶、花器官边界清晰，分割器官空间分布与实际株型基本一致，方法对三类代表性株型均取得良好分割性能，但受仪器精度、点云密度和遮挡限制，部分器官点云缺失，偶致个别叶片过分割。在精度分析部分，以人工逐点标注的茎、花、叶点云为真值基准，将预测分割结果与人工标注结果逐点匹配计算分割精度，采用多指标综合评价方法有效性与可靠性。在方法对比研究部分，选取4株代表性植株（1株叶片多、冠层密、叶片宽大，2株枝叶较稀疏、叶片窄小，1株整体明显倾斜）进行对比实验，所有方法使用相同预处理结果、输入数据和评价标准，传统区域生长方法从预设种子点依据空间连续性和局部几何相似性逐步扩张，骨架提取方法基于点云空间分布生成骨架并确定主茎、分枝与侧枝连接关系；结果表明传统区域生长方法易受局部点云密度和邻域相似性影响导致目标区域过度扩张或非目标区域误分割，骨架提取方法在点云局部缺失或分枝连接不连续区域易出现骨架断裂和茎点误分割，而所提方法更好保持主茎与分枝拓扑连接、有效抑制非目标区域干扰，在有效点有限时仍能较完整提取主茎和主要分枝，且能适应整体株型姿态变化、准确恢复倾斜植株主茎方向和分枝连接关系、无明显方向依赖性；定量结果显示不含线性约束的骨架提取方法茎精确率75.89%、F1分数85.66%，所提方法分别提升至91.17%和94.37%，花器官骨架方法精确率仅86.50%、召回率73.95%，所提方法达97.08%和99.24%，茎精确率提升表明非茎点被误判为茎点的比例由24.11%降至8.83%，为局部线性特征约束有效抑制区域生长向花盘错误扩张提供直接定量证据。在参数敏感性分析部分，距离阈值R与缓冲区半径?是两个最关键参数，共同决定点云邻域范围构建和区域生长后边界判定准则；对距离阈值R，当分别取0.05 m、0.1 m、0.2 m、0.4 m、0.8 m时精确率均为100%，召回率分别为9.09%、81.82%、45.45%、27.27%、31.82%，F1分数分别为16.67%、90%、62.50%、42.86%、48.28%，R=0.1 m时F1分数最高达90%且接近平均叶间距，故取0.1 m；对缓冲区半径?，当取0.03 m至0.07 m时精确率分别为97.96%、96.36%、92.96%、87.58%、80.86%，召回率分别为96.27%、98.57%、99.16%、99.20%、99.20%，F1分数分别为97.11%、97.45%、95.96%、93.03%、89.09%，?=0.04 m时F1分数最高达97.45%、精确率与召回率平衡良好，故取0.04 m，且实验表明阈值略大于茎半径时茎提取性能最优。
讨论部分总结如下：本研究以人工逐点标注的向日葵茎、花、叶点云数据作为真值标签和评价基准，通过预测分割结果与人工标注结果逐点匹配计算不同类别点云分割精度，采用多指标综合评价分割策略的有效性与可靠性。对比研究表明，不同方法对同一植株结构提取效果差异显著，而同一方法在不同形态和姿态植株间性能变化较小，所提方法在叶片密集、枝叶稀疏和倾斜植株等不同条件下保持稳定提取性能，具有良好形态与姿态适应性及较强跨形态泛化能力。参数敏感性分析验证了参数设置依据的合理性，确定了适用于向日葵点云器官分割任务的最优参数组合。研究结论部分翻译如下：本文提出一种面向单株向日葵三维点云的器官分割方法，针对向日葵茎秆细长、叶片结构复杂以及花盘邻域易发生茎花混淆等问题，首先利用局部邻域紧致化、方向连续性和线性特征约束构建主茎骨架跟踪模型，实现主茎骨架稳定提取；在此基础上引入缓冲区扩展恢复骨架邻域，获得完整茎点云；最后结合密度聚类方法对剩余点云分类，实现叶片和花盘点云有效分割。数据集由30株单株向日葵组成，其中5株用于参数调优、其余25株用于定量评价，以人工逐点标注结果为真值，25株评价植株实验结果表明所提方法对茎、叶、花三类器官平均F1分数分别达95.55%、97.81%和94.20%，其中叶片和花盘均取得较高分割精度，表明方法能有效识别不同器官空间结构特征，同时通过主茎骨架跟踪与缓冲区恢复相结合的策略有效减少花盘邻域茎花混淆、提高主茎点云提取完整性。总体而言，所提方法可实现单株向日葵茎、叶、花器官高精度分割，为后续向日葵三维表型参数提取和器官结构分析提供可靠数据基础。尽管取得上述结果，本研究仍存在若干局限：第一，骨架跟踪中的向上生长约束假设主茎向上延伸，适用于花期及花头下垂角度较小的向日葵，而对于花头明显下垂的成熟植株，茎在花头附近向下弯曲，向上约束可能导致跟踪器提前终止，使花头与茎交界处短弯曲茎段不能完整提取；第二，数据集包含30株植株并覆盖三种典型形态，虽具一定多样性，但样本量和精度有限，不能完全代表所有生育期和品种；第三，骨架跟踪器为贪心算法且不回溯，当叶柄方向接近主茎且叶柄点云足够密集连续时，理论上仍存在跟踪器误选叶柄点且无法自动恢复的风险。未来工作将引入方向自适应跟踪机制和弯曲检测以处理花头下垂，扩展数据集覆盖更多品种和生育期，并进一步提高对遮挡的稳健性。
