《Journal of Integrative Agriculture》：PTv3-HRAC: Structural phenotyping of alfalfa in breeding fields using UAV-derived RGB point clouds, 3D deep learning, and adaptive clustering
编辑推荐：
摘要准确获取紫花苜蓿的结构表型参数对于种质资源评估、生长动态监测以及产量预测至关重要。针对人工测量效率低和LiDAR 3D成像成本高的问题，本研究首先利用消费级无人机生成的RGB点云、3D深度学习技术以及自适应聚类方法，构建了一种用于田间紫花苜蓿的高通量结构表型分析框架。Poin
摘要
准确获取紫花苜蓿的结构表型参数对于种质资源评估、生长动态监测以及产量预测至关重要。针对人工测量效率低和LiDAR 3D成像成本高的问题，本研究首先利用消费级无人机生成的RGB点云、3D深度学习技术以及自适应聚类方法，构建了一种用于田间紫花苜蓿的高通量结构表型分析框架。Point Transformer V3（PTv3）用于语义分割，一种新型的层次化半径自适应聚类算法则实现了单株植物的识别，还有5种算法用于提取植物高度、冠幅和体积等信息。在117个试验地的紫花苜蓿种质资源圃中，PTv3能够将紫花苜蓿植株与复杂的田间背景区分开来，其平均交并比达到了86.61%，植物分类准确率为90.87%，性能远超包括PointNet++、PointNeXt和RandLA-Net在内的5种主流深度神经网络。此外，该自适应聚类算法在单株植物识别任务中的F1分数为82.84%，也优于分水岭法和k均值法。对于所估算的植物高度、东西向冠幅、南北向冠幅以及冠层体积，其决定系数分别达到了0.917、0.836、0.822和0.844。更重要的是，通过使用来自其他地区的独立数据集进行的跨地点和跨生长阶段的验证，表明该框架在各个关键生长阶段都具有稳定的时空性能。无需重新训练参数，该框架在幼苗期、分枝期和抽芽期都能保持较高的分割稳定性和体积估算精度（决定系数大于0.810）。这一方法证明了消费级无人机在紫花苜蓿表型分析中的应用可行性，为高效开展种质资源筛选和生长动态监测提供了自动化解决方案，有助于提升精准牧草育种的水平。
程涛|高志茹|谢继远|任伟波|刘亚玲|韩东|张干|袁峰|郭佳怡|张东燕
中国陕西省杨陵市712100，西北农林科技大学机械电子工程学院
