基于双视角特征融合和轻量级PointNet++的盐胁迫下秋葵幼苗非破坏性精准表型检测方法

《Frontiers in Plant Science》：Non-destructive and accurate phenotypic detection method for okra seedlings under salt stress based on dual-view feature fusion and lightweight PointNet++

　　

土壤盐渍化已成为限制全球农业生产的重大因素。表征秋葵对盐胁迫的生长和发育响应，并开发高效精准的盐胁迫表型分析技术，可为盐碱地秋葵栽培及未来多品种盐胁迫表型研究提供重要方法参考。传统人工测量植物表型参数存在效率低、检测精度不足的问题，难以实现对盐胁迫下植物表型性状的快速非破坏性分析。因此，本研究提出一种基于CSP-MSG Net模型的计算表型参数提取方法。研究人员采用双视角特征融合构建专用数据集。在PointNet++-MSG基础上，将原始MLP层替换为C2F模块，并集成SGE注意力机制以增强形态特征提取，从而构建适用于秋葵幼苗点云的轻量级CSP-MSG Net架构，结合DBSCAN聚类完成语义分割和实例分割，进而计算株高、茎粗和冠幅等表型参数。该方案实现了高通量数据采集，提高了测量精度，有效减少了模型参数和计算开销，实现了轻量化运行性能。结果表明，秋葵幼苗在盐胁迫浓度增加时仍能继续生长，但三个测量性状的生长速率均受到抑制，表明高浓度盐胁迫损害了秋葵幼苗的生长活力。为验证模型计算精度，将模型预测的表型参数与人工测量值进行比较，秋葵幼苗茎粗、冠幅和株高的决定系数分别达到0.96、0.99和0.99。这些结果充分证明了所提方法在盐胁迫下秋葵幼苗非破坏性精准表型检测方面的出色可靠性和有效性，为后续研究提供了方法支持。

**论文解读：基于双视角特征融合与轻量级PointNet++的盐胁迫下秋葵幼苗非破坏性精准表型检测方法**

**研究背景与问题**
土壤盐渍化是影响全球农业生产的关键非生物胁迫因子，气候变化进一步加剧了这一问题，威胁全球粮食安全。秋葵作为营养丰富、广泛消费的蔬菜作物，具有适应多种生态环境的潜力，但盐渍化严重抑制其生长、产量和品质。传统人工测量植物表型参数（如株高、茎粗、冠幅）效率低、主观性强、难以实现高通量非破坏性检测。现有二维图像分析虽有一定应用，但缺乏三维空间信息，而三维点云技术虽可提供完整形态结构，但面临点云数据密度不均、噪声干扰、目标遮挡等难题，且现有深度学习模型（如PointNet++）在局部特征提取、参数轻量化和鲁棒性方面存在不足。为此，研究人员基于国家自然科学基金项目支持下，开展了此项研究，旨在开发一种高效、精准、非破坏性的秋葵幼苗盐胁迫表型检测方法。论文发表在《Frontiers in Plant Science》。

**主要关键技术方法**
研究人员构建了基于全时作物生长活力监测系统和三视角成像系统的集成实验平台，实现自动环境控制和连续双视角3D数据采集。采用COLMAP软件进行三维点云重建，构建了包含108个高质量点云文件的秋葵幼苗标准化数据集，并应用旋转扰动、局部变形扰动、背景噪声注入、体素随机丢弃和邻域图重连五种数据增强策略。核心算法为基于PointNet++-MSG改进的CSP-MSG Net模型：用C2F模块替代原始MLP层，集成SGE注意力机制，结合DBSCAN聚类实现器官级语义分割和单株实例分割，并引入OBB（定向包围盒）进行尺度恢复和表型参数计算。样本来源为秋葵品种“凌云2号”，设置6个NaCl浓度梯度（0、50、100、150、200、250 mmol/L），三次生物学重复，共18个独立托盘和108个观测视频。

**研究结果**

**3.1 DBSCAN参数敏感性分析与验证**
通过调整邻域半径eps和最小点数minPts，以株高、冠幅、茎粗的相对测量误差为指标，确定最优参数组合为eps=3、minPts=10，此时所有表型指标测量误差最小，验证了参数选择的合理性与鲁棒性。

**3.2 注意力机制对比实验**
在PointNet++-MSG-C2F模型上，对比SGE、SimAM、NAM、CBAM、SE五种注意力机制。结果表明，SGE注意力机制使模型获得最高的Acc（98.77%）和mIoU（95.28%），优于其他机制，证实了SGE的有效性。

**3.3 消融实验**
从PointNet++-MSG基线开始，依次加入SGE、C2F模块，最终构建CSP-MSG Net。消融实验显示：基线Acc为98.06%、mIoU为93.78%；单独加SGE后Acc升至98.45%、mIoU升至94.53%；单独替换C2F后Acc升至98.55%、mIoU升至94.74%；两者组合后CSP-MSG Net达到Acc 98.77%、mIoU 95.28%，参数和计算复杂度较基线显著降低。验证了各改进模块的协同增效作用。

**3.4 不同模型语义分割性能比较**
与PTv3、PointNet++-MSG、DGCNN三个主流模型对比，CSP-MSG Net在Params（1.68M）、FLOPs（0.28G）、内存占用（134.67MB）、推理时间（353.91ms）均最低，同时Acc和mIoU最高，展现了轻量化设计的优势。

**3.5 模型分割性能与表型参数提取方法验证**
**3.5.1 模型分割性能评估**：对盆、叶、茎三类器官的IoU均超过93%，mIoU达95.28%，平均Accuracy、Recall和F1-Score分别为97.05%、97.74%和97.39%。茎因细长易遮挡略低，但仍保持高精度。
**3.5.2 表型参数提取方法验证**：将模型自动提取的株高、冠幅、茎径与人工测量值进行线性回归一致性分析。株高R²=0.99，冠幅R²=0.99，茎粗R²=0.96；回归斜率接近1、截距接近0，RMSE、MAE、Bias均极低，表明提取结果与人工测量高度一致。

**3.6 实验设计与盐胁迫表型分析**
**3.6.1 实验流程**：设置6个NaCl浓度梯度，三次重复，从播种后第6天开始每2天采集一次数据，共6个采样日。采用双视角拍摄获取点云，经CSP-MSG Net语义分割可视化。
**3.6.2 不同盐胁迫浓度对秋葵幼苗表型性状的影响**：
- **3.6.2.1 株高**：各处理组株高随时间持续增加，但高浓度盐胁迫显著抑制生长速率。以第6采样日为例，CK株高9.76 cm，250 mmol/L仅4.69 cm。低浓度（50 mmol/L）接近CK，表明秋葵幼苗对低浓度盐有一定耐受性。
- **3.6.2.2 冠幅**：冠幅同样随时间增长，但盐浓度越高冠幅越小。第6日CK冠幅1.32 cm，250 mmol/L为0.82 cm。抑制效应具有时间累积性，高浓度组生长曲线最平坦。
- **3.6.2.3 茎粗**：茎粗随采样日增加，但高浓度下增粗减慢。第6日CK茎粗0.50 cm，250 mmol/L为0.38 cm。50 mmol/L与CK几乎一致，表明低浓度胁迫对茎粗影响较小。

**3.7 不同盐浓度对形态指标的方差分析与多重比较**
对第6天数据进行单因素方差分析（ANOVA），盐浓度对株高、冠幅、茎粗均具有极显著影响（p<0.001）；组间平方和远大于组内误差平方和，表明处理效应远超随机误差。Tukey多重比较显示不同形态指标对盐胁迫的响应模式不同。

**讨论与结论**
研究揭示：随NaCl胁迫浓度升高，秋葵幼苗株高、茎粗、冠幅的生长速率持续下降，低浓度轻微抑制，高浓度显著抑制。基于双视角特征融合的轻量级表型分析系统（CSP-MSG Net），通过C2F模块实现轻量重构、SGE注意力机制增强关键特征、DBSCAN聚类和OBB算法实现精准参数计算，克服了传统人工测量效率低、主观性强、通量低等缺点。手动测量一株需约15分钟，而模型仅需约3秒，效率提升近300倍。局限包括：点云重建受叶片严重自遮挡和相邻植株互遮挡影响；仅选取三个核心表型指标；仅针对单一品种“凌云2号”且限于幼苗期；DBSCAN参数基于当前数据集优化，泛化性需进一步验证。

**结论部分翻译**：
针对传统人工测量秋葵表型参数效率低、精度差，以及现有PointNet++模型特征提取能力有限、参数过多、对复杂点云鲁棒性差等问题，本研究开发了一种高通量、精准、非破坏性的盐胁迫下秋葵幼苗三维表型分析方法。据此，本文提出了基于CSP-MSG Net的秋葵幼苗三维点云处理与表型参数计算流程：应用全时作物生长监测系统与三视角成像系统组成的集成实验平台，实现从种子培育到幼苗建立的全自动环境控制和连续双视角三维数据采集；构建标准化秋葵幼苗三维点云数据集，并采用多种数据增强策略丰富多样性；建立基于PointNet++-MSG的轻量级点云分割架构CSP-MSG Net，通过C2F模块替换MLP层和集成SGE注意力机制，结合DBSCAN聚类实现器官级语义分割和单株实例分割；引入定向包围盒（OBB）实现点云尺度恢复和表型参数高精度计算。人工测量与模型计算的对比验证了该方法的可靠性。研究人员对秋葵幼苗进行多浓度NaCl胁迫生长实验（6个盐浓度梯度，3次生物学重复），利用CSP-MSG Net模型分析不同盐胁迫下株高、茎粗、冠幅的动态生长规律，确认了盐胁迫对秋葵幼苗生长速率的抑制作用。本研究为未来多品种秋葵盐胁迫非破坏性精准表型分析提供了方法参考。总之，该方法能实现高效精准的秋葵幼苗三维表型分析，可作为盐胁迫下秋葵表型非破坏性定量检测的可靠技术途径。同时，本研究仍存在一定局限性：叶片遮挡干扰点云重建；仅研究单一品种秋葵幼苗期；表型检测指标相对有限。未来工作将优化点云抗遮挡能力，扩展至多品种和全生育期，补充更多表型指标，并进一步应用于更多作物物种的表型分析。