基于RGB机器视觉体素网格的玉米果穗精准三维表型分析

《Plant Phenomics》：Accurate 3D Maize Ear Phenotyping Using Voxel Grids Derived from RGB Machine Vision

　　

玉米（Zea mays L.）是全球广泛种植的重要作物，植物科学家对大规模性状数据的需求以及基于人工智能的机器视觉快速发展，推动了玉米果穗表型分析日益受到关注。传统人工测量果穗性状劳动密集且常具破坏性，现有数字方案多依赖有限张数二维（2D）图像，未能捕获果穗完整三维（3D）结构。研究人员开发了一种新型3D果穗扫描流程，基于从100个不同视角自动捕获的RGB图像计算体素网格（voxel grids）。在籽粒分割环节，评估并组合了开源的目标检测与分割深度学习模型，在2D果穗图像上取得0.94的Dice系数（DS）。一种将2D分割掩码映射到3D定向体素的新型策略，在预测籽粒数（kernel number, KN）（R2=0.98）、籽粒行数（kernel row number, KRN）（R2=0.77）和最大籽粒行长度（kernel row length, KRL）（R2=0.87）上获得了高决定系数。类似地，与人工参考测量相比，果穗宽（ear width, EW）（R2=0.82）、果穗长（ear length, EL）（R2=0.96）和果穗体积（ear volume, EV）（R2=0.97）也得到准确预测。该流程在两种磷供应水平下生长的果穗上进行了适用性验证，揭示磷处理对果穗宽、果穗长、果穗体积和籽粒大小具有显著影响。单穗数据采集耗时30秒，所有性状计算平均耗时47秒。本研究建立了准确快速的3D表型流程，同时将高通量果穗表型与植物营养研究相衔接，展示了其在关联作物结构性状与养分驱动响应方面的潜力。

研究背景与立项依据

玉米果穗作为植株营养价值最高的器官，其表型数据对植物育种、生理、病理及营养研究均具重要意义。传统人工测量果穗长、宽、体积及籽粒数等性状存在 labor-intensive 且常具破坏性的问题；已有数字表型方案多基于单张或有限张2D RGB图像，未将视角定位于果穗3D坐标系，亦无法同时高精度获取KN、KRN、KRL、EV等整体表面性状。尽管部分研究利用旋转辊、多视点视频像素行或三维点云重建作了探索，但综合、精确、高通量的3D果穗表型仍有限。为此，研究人员提出基于体素网格的3D定向表型新方法，旨在实现果穗与籽粒形态性状的非破坏性、快速、精准提取，并将其应用于磷（P）肥田间试验以示范方法学价值。论文发表于《Plant Phenomics》。

主要关键技术方法

研究人员构建铝合金框架扫描腔，内置双RGB相机（下方水平、上方倾斜17°）与步进电机，以7.1°步进旋转果穗获100视角（50次同步双拍），单穗采集30秒；用AprilTag解算相机外参，OpenCV校正畸变。实例分割采用YOLOv8m检测框提示Segment Anything Model（SAM, ViT-B） refinements，测试集DS达0.940、mAP_50-95为0.720。3D映射依靠体素雕刻（voxel carving，体素边长0.5 mm）融合百视 silhouette 得果穗体素模型；下部相机中心轴区域YOLOv8检测籽粒经BoT-SORT跟踪，去重后投至3D体素坐标；中部10% z向slab内DBSCAN聚得KRN，Kalman滤波双向追踪定KRL；HSV阈值取果穗轮廓中位矩形得EL/EW，体素计数得EV。样本含105穗形态多样参考群体（78份 Flint 测试交与9商业杂交）及89穗2023年P试验穗（LG30258，无P对照44穗、磷酸二铵45穗）。全部流程平均47秒/穗。

研究结果

4.1 玉米籽粒实例分割

在10穗标注池抽取500张下部相机中心裁图，8穗训练、2穗独立测试。YOLOv8n/m/x框检测mAP_50-95随参数量升至0.8485，掩码DS均>0.93；YOLOv8m框提示SAM取得最高分割mAP_50-95 0.7198与DS 0.9401，故后续固定此组合。结果显示SAM可独立于检测骨干细化边界，但轻微过分割。

4.2 基于扫描流程建立数字性状测量

105参考穗人工测得EL 152.2±22.5 mm、EV 132.8±35.5 mL、KN 419.5±103.9、KRL 32.1±6.1、KRN 13.9±2.1、EW 39.1±3.6 mm。数字流程预测EW（R²0.82, MAPE 3.1%）、EL（R²0.96, MAPE 2.3%）、EV（R²0.97, MAPE 4.0%）、KN（R²0.98, MAPE 2.1%）、KRN（R²0.77, MAPE 2.5%）、KRL（R²0.87, RMSE 2.18, MAPE 5.7%）。3D点云回溯显示籽粒ID与行连线准确，证明2D–3D映射与跟踪可靠。

4.3 磷施肥下特异性果穗性状识别

89穗P试验表明施P显著增大EW（38.7→39.8 mm, p=0.004）、EL（141.0→153.0 mm, p<0.001）、EV（137.2→159.0 mL, p<0.001）、籽粒大小（kernel size, KS）（26.7→29.3 mm², p<0.001）及框宽（BW）/框高（BH）；KN、KRL、KRN、BH/BW比无显著变化。说明P缺素主要影响后期充实与器官膨大，不改变原基发起的行列数。

讨论浓缩

实例分割上，YOLOv8m+SAM仅需标框微调检测骨干预，省去掩码标注成本，但双模型同驻显存（24 GB RTX 3090）限制端侧部署；SAHI分块推理或SAM 2可降本提速。2D–3D映射策略弃用SfM-MVS而选体素雕刻，规避弱纹理反光与50%视角遮挡问题，将近似球形籽粒单掩码对单体素中心，兼顾效率。性状精度方面，EL/KN/EV极高，EW/KRN/KRL中等但MAPE低；KRN误差源自DBSCAN仅取中片z-slab，对缺行或乱排穗敏感（图7三类异常穗）。相较Sun等结构光扫描5–7分钟，本流程30秒采+47秒算，且单端插穗可并行换样。P试验示LG30258在当年非严重缺素下，遗传主控的KN/KRN/KRL不响应，而P促充填性状，衔接了表型—营养学交叉。

结论翻译

本研究评估了基于YOLO与SAM的玉米籽粒实例分割策略，YOLOv8m检测配合SAM分割取得mAP_50-95 0.720与DS 0.940，仅微调YOLOv8m标框即省资源；推理期单分割模型或更高效。提出了一种应用驱动的2D–3D对应新方法，利用籽粒几何将单体素匹配2D掩码，实现籽粒实例跟踪、2D性状缩放与EV测量。数字流程测EW/EL/EV/KN/KRN/KRL的MAPE均≤5.7%，KS虽未与人工比但关联千粒重可期。P试验显示该流程能检出后期发育性状的显著P响应，而原基发起性状不响应，凸显多性状同步表型对解析环境响应之必要。整体流程为植物营养、育种等提供了精准高通量新工具。