用于高保真3D重建和表型分析的自动化扫描框架：通过2D高斯点扩散技术对划桨型插秧苗进行成像处理

《Computers and Electronics in Agriculture》：Automated scanning framework for High-Fidelity 3D reconstruction and phenotypic analysis of rowed plug seedlings via 2D Gaussian Splatting

辣椒苗3D重建与表型分析技术。提出多摄像头阵列行扫成像系统，结合2D Gaussian Splatting（2DGS）实现密集苗株高精度重建，平均 chamfer误差低于0.88mm。通过PlantNet深度学习网络实现器官级曲面分割，构建茎高、主茎长、叶片长、叶面积等表型参数预测模型，MAPE误差分别为0.91%、2.67%、3.88%、4.95%。验证了行扫成像与2DGS融合方案的工程可行性，为智能农业中育苗阶段的多参数高通量检测提供技术路径。

　　

黄婷|杨晨|赖凯杰|牛翔|刘宇飞|邱正军

浙江大学生物系统工程与食品科学学院，杭州310058，中国

摘要

高保真三维（3D）重建技术能够实现对辣椒插盘幼苗的精细表型分析，并建立其数字孪生模型。插盘中的幼苗呈行列排列，间距紧密，这对多视图3D重建提出了显著挑战。以往的研究主要集中在单个幼苗的重建或群体大规模表型特征的估计上。在本研究中，我们提出了一种基于多摄像头阵列的原型系统，通过行扫描成像快速收集辣椒插盘幼苗的多视图数据集。引入了基于新型视图合成（NVS）的2D高斯散布（2DGS）这一先进3D重建方法，以精确提取辣椒插盘幼苗的几何结构。与其他多视图3D重建方法相比，2DGS能够生成高保真度的网格，整体性能更优，平均倒角距离误差低于0.88毫米。结合用于植物点云分割的深度学习网络PlantNet，可以对网格进行平滑分割并重组为独立的幼苗实例，为器官级别的特征测量提供可靠的基础。该方法在预测幼苗高度、主茎长度、叶片长度和叶片面积方面的平均绝对百分比误差（MAPE）分别为0.91%、2.67%、3.88%和4.95%。本研究验证了所提出的行扫描解决方案在辣椒幼苗上的准确性和有效性，促进了生产中用于插盘幼苗的高通量表型分析设备的发展。

引言

辣椒（Capsicum spp.）因其独特的辣味和高营养价值而成为全球流行的经济作物；根据FAOSTAT的数据（https://www.fao.org/faostat/），2023年全球新鲜辣椒和甜椒的产量达到了3830万吨。提高辣椒产量的关键技术是植物表型分析，它系统地量化植物的结构特征，以揭示基因型-环境相互作用并优化作物生产，从而为现代育种科学提供基础。通过引入植物表型分析，大量研究表明，选择具有特定结构的品种可以通过提高单株植物的生产力和抗逆性来增加产量（Guo等人，2020年；Jafari等人，2024年）。传统的植物表型分析方法依赖于劳动密集型的手动测量来获取植物的形态特征。随着技术的进步，2D机器视觉被用于自动评估幼苗活力（Tong等人，2013年）和特征测量（Wei等人，2024b年）。然而，这些传统方法仅限于量化离散的表型特征，无法记录全面的植物形态信息。

精确的三维（3D）植物结构重建对于精细表型分析至关重要，并通过构建植物的数字孪生模型推动了智能农业的发展（Kolhar和Jagtap，2023年；Harandi等人，2023年）。主动式3D重建技术已被广泛用于获取植物幼苗的3D模型和形态特征。例如，RealSense? L515激光雷达传感器被用于自动3D建模平台（K. Wei等人，2024年）。两个对称放置的Kinect? v2飞行时间（ToF）摄像头被用来获取盆栽花生的3D模型和几何特征（Liu等人，2023b年）。基于结构光的系统结合数字投影仪和多个摄像头被用来跟踪幼苗生长并测量植物器官（Li等人，2013年；Yu等人，2024年）。然而，主动式3D重建依赖于额外的传感器，如激光雷达、ToF深度相机或结构光扫描仪，这些传感器在强光等田间环境中存在局限性。

被动式3D重建解决方案完全基于视觉技术，因其不依赖于额外的传感器成本而受到青睐。传统的被动式3D重建方法包括双目立体视觉和多视图3D重建。双目立体视觉在田间环境中的实时性能更优（Ge等人，2019年；Zou等人，2023年；Sun等人，2025年）。在受控环境中，双目立体视觉在测量果实时表现出更高的单帧几何精度（Gao等人，2024年）。然而，双目立体视觉需要严格的相机校准，且复杂的对象测量需要从不同角度注册多帧3D数据。相比之下，多视图3D重建利用从多个视角捕获的图像进行分析，以计算目标物体的三维结构，特别适用于重建植物冠层。随着COLMAP等工具链的发展，由结构从运动（SfM）和多视图立体（MVS）组成的流程已成为多视图3D重建的主流方法。Agisoft Photoscan这款基于摄影测量的3D建模软件被用于重建苗圃番茄植株（Roshan等人，2024年）。最近关于新型视图合成（NVS）的研究提出了创新的3D重建方法，取得了优异的性能。NeRF是一种结合NVS和3D重建的开创性技术，它使用神经网络驱动的隐式密度场来表示3D场景，通过可微分渲染实现新型视图合成（Mildenhall等人，2021年）。对NeRF的日益关注催生了众多变体。例如，MIP-NeRF360（Barron等人，2022年）提升了场景适应性，Instant-NGP（Müller等人，2022年）加快了训练速度，Instant-NSR（Zhao等人，2022年）改进了网格重建。这些基于NeRF的解决方案在农业领域的应用中显示出与传统多视图重建流程相比的竞争力（Smitt等人，2024年；Yang等人，2024年；Huang等人，2024b年）。然而，后续研究表明，计算成本高昂的神经网络训练并非唯一的解决方案（Fridovich-Keil等人，2022年）。3D高斯散布（3DGS）在计算成本效率、训练速度和新视图渲染性能方面优于基于NeRF的算法（Kerbl等人，2023年）。3DGS也被应用于多个农业领域，包括生物量估计（Shen等人，2025b年）、棉花铃果映射（Jiang等人，2025年）和植物形态分析（Shen等人，2025a年）。

然而，由于3D高斯散布在重建方面的关注度低于新型视图合成，从3DGS场景中提取高质量网格仍然是恢复平滑精确几何形状的障碍。为了解决这个问题，2D高斯散布（2DGS）引入了2D平面高斯作为场景基本单元，而不是3D椭球体（Huang等人，2024a）。为了将基本单元限制在物体表面，2DGS设计了一个包含深度失真和法线一致性的损失函数。此外，2DGS利用了Ray-Splat Intersection算法来避免3DGS中使用的非线性仿射变换，消除了重建误差的一个重要来源。这些改进使2DGS能够实现出色的表面连续性，并促进了高质量网格的重建，优于SuGaR（Guédon和Lepetit，2024年）和Agisoft Metashape等方法。

现有的3D幼苗表型分析研究存在某些局限性。一方面，大多数研究中的幼苗都是在单独的盆中重建的（Ma等人，2024年；Shen等人，2025a年；Wei等人，2024a年），以提高准确性。而在实际生产中，大多数幼苗是在插盘中培养的，单独的冠层重建对于高通量表型分析来说效率低下。另一方面，现有的植物群体重建研究通常使用无人机（UAV）和无人地面车辆（UGV）进行重建（Y. Shen等人，2025年），但其规模过大，无法重建幼苗托盘。大规模的植物群体3D重建只能估计总体群体特征，而无法获得个体的详细几何特征。此外，大多数关于幼苗表型分析的工作使用点云作为3D表示，这需要复杂的后处理算法来估计表型特征（Ge等人，2025年），而直接网格转换算法（如Delaunay三角剖分和Poisson表面重建）未能在幼苗上获得令人满意的几何精度网格。认识到2DGS的潜力，本研究旨在建立一个综合框架，将高通量植物表型分析与自动化插盘幼苗生产相结合，实现高质量网格和表型数据驱动的品种优化，同时便于评估和监测幼苗质量。本文的目标如下：1）设计一个原型系统，用于重建排列在行中的辣椒插盘幼苗；2）将最先进的2DGS技术应用于辣椒幼苗的网格重建，以进行植物表型分析；3）结合2DGS基本单元和点云分割，实现器官级别的网格分割；4）提出可靠的自动化方法，通过网格测量来估计辣椒幼苗的典型表型参数。

方法概述

为了实施所提出的3D重建方法，设计了一个处理流程来实现我们对网格和几何参数的预测，如图1所示。该过程可以分为五个主要部分：数据集收集、场景训练、网格生成、网格分割和表型特征测量。后续将详细说明每个步骤。

实验材料

共选择了240株辣椒幼苗来构建MVS和点云数据集。

这些幼苗包括

行排列幼苗的重建

图11展示了平台上重建的行排列幼苗模型，其中红色边界框内的幼苗被裁剪出来进行进一步分析。这些辣椒幼苗的主茎被精确重建，叶片的形态也很清晰。然而，重建模型仍存在一些缺陷。例如，在幼苗的下部区域偶尔会遗漏叶柄。在大多数情况下，这些叶柄似乎

最佳配置探索

在数据集收集之前，进行了初步实验以找到2DGS重建辣椒插盘幼苗的最佳配置。首先，改变了数据集中的图像数量。通过改变相机拍摄间隔，从同一批辣椒幼苗中获取了包含120张、105张、90张、75张和60张照片的数据集。表6的结果表明，当网格数量低于90张时，生成的网格质量迅速下降。图像数量几乎

未来工作

目前，本研究仅限于5周生长阶段的辣椒幼苗。2DGS重建和分析在不同种类幼苗上的通用性和泛化能力仍需通过收集更多MVS数据在未来的工作中进行验证。本研究中提出的表型分析方法可能需要针对其他物种或病态幼苗进行调整，因为在这些情况下，对叶片形状和骨架结构的假设可能不再成立。

结论

本研究报道了一种有效的辣椒插盘幼苗3D重建和表型特征测量方法。我们设计了一个用于MVS数据收集的行扫描成像系统原型框架，并证明了将行扫描成像与2DGS结合使用可以高效且高质量地重建多株幼苗，同时相对于单独重建方法，重建精度有所提高。所提出的解决方案促进了

手稿准备过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了Google Gemini 2.0 Flash来提升学术写作的风格。使用该服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

CRediT作者贡献声明

黄婷：撰写——原始草稿、软件、方法论、概念化。杨晨：撰写——审稿与编辑、方法论、调查、概念化。赖凯杰：撰写——审稿与编辑、可视化、验证、软件、数据管理。牛翔：撰写——审稿与编辑、可视化、验证。刘宇飞：撰写——审稿与编辑、监督、项目管理。邱正军：监督、资源管理、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

作者衷心感谢中国的国家重点研发计划（2023YFD2000101）和浙江省农业机械研发与应用集成项目（2023-YT-06）提供的财务支持。