《Agronomy》：RQ-PointNeXt: An End-to-End 3D Point Cloud Instance Segmentation Method for Field Cotton Boll Phenotyping
编辑推荐：
准确的棉花器官点云分割对于精确的表型表征至关重要。然而，在田间获取的点云中，由于叶片遮挡、相邻棉铃接触以及不完整重建掩盖了实例边界，可靠的棉花棉铃实例分割仍然具有挑战性。本文提出了RQ-PointNeXt，一种端到端框架，能够在统一的可训练网络内直接将输入点云
准确的棉花器官点云分割对于精确的表型表征至关重要。然而，在田间获取的点云中，由于叶片遮挡、相邻棉铃接触以及不完整重建掩盖了实例边界，可靠的棉花棉铃实例分割仍然具有挑战性。本文提出了RQ-PointNeXt，一种端到端框架，能够在统一的可训练网络内直接将输入点云映射到棉铃实例掩码。该框架基于PointNeXt构建，在浅层编码器中引入了相对高程几何通道注意力（R-EGCA），将全局通道上下文与高程和表面法线线索相融合。其查询-掩码分支整合了语义引导、中心种子查询和中心感知掩码先验，以抑制背景响应、定位实例并约束掩码范围。匈牙利匹配和多任务优化建立了一对一的查询-实例分配关系，而基于查询的解码则在不依赖外部几何聚类的情况下生成实例掩码。研究人员在226株田间种植的棉花上评估了该框架，这些棉花包含720个标注的棉铃实例，实例通过神经辐射场（NeRF）从无人机多视角影像重建而来。在保留的测试集上，总体精度、平均类别精度和平均交并比分别达到0.8942、0.8980和0.8076。AP25、AP50和AP75分别为0.7359、0.5585和0.2777，mAP25/50/75为0.5240。该框架为高通量田间表型分析中的棉铃计数和空间分析提供了实例级输出。
**田间棉花棉铃点云实例分割方法RQ-PointNeXt研究解读**
**一、研究背景与问题**
棉花是全球重要的经济作物和纺织工业天然纤维的主要来源，干旱和热应激等逆境胁迫会抑制棉花生长、降低产量和纤维品质，因此快速准确地量化株高、冠层体积等多维表型性状对棉花生长监测和产量预测至关重要。传统田间表型鉴定依赖人工观察、测量和取样，耗时费力、成本高昂且易受操作者误差影响，难以满足大规模种质筛选和全生育期连续监测的需求。无人机（Unmanned Aerial Vehicle, UAV）表型平台因操作灵活、覆盖范围广、采集效率高，已成为实现田间作物高通量监测的重要手段。随着三维（3D）成像、计算机视觉和深度学习的发展，3D点云因能够编码植物表面的三维坐标和空间组织，成为作物表型分析的重要数据模态。然而，田间条件下获取的点云仍受器官遮挡、风致运动、光照变化和复杂地形干扰；现有研究多基于受控环境或隔离植株，田间原位验证有限；且两阶段方法（语义分割后接几何聚类）的实例划分严重依赖聚类参数和点云连通性，易导致相邻棉铃合并或点聚合不完整。PointNeXt虽为强大的点云特征提取骨干，但其语义分割输出仍需借助DBSCAN等聚类才能生成实例ID，且已有方法未专门结合相对高程、表面法线和中心约束用于田间重建点云中的棉铃分割。为此，该研究提出RQ-PointNeXt，旨在实现田间棉花棉铃点云的端到端实例分割，论文发表在《Agronomy》。
**二、关键技术与方法**
该研究构建了包含226株棉花、720个标注棉铃实例的田间数据集，数据采集自新疆昌吉华兴农场（44°02′N，87°30′E）成熟期和首次机械采收后的棉花植株，采用搭载RGB相机的DJI Mavic 3 Multispectral无人机沿圆形和直线网格航线采集多视角影像，通过神经辐射场（Neural Radiance Fields, NeRF）重建植株3D点云并完成语义和实例标注。主要技术方法包括：（1）相对高程几何通道注意力（Relative-Elevation Geometric Channel Attention, R-EGCA）模块，在PointNeXt编码器初始高分辨率阶段融合全局通道上下文、归一化相对高程和表面法线信息，通过可学习残差连接生成增强的浅层点特征；（2）中心约束的查询-掩码（Query-mask）解码分支，采用13个中心种子查询和3个可学习查询表示候选棉铃，通过中心感知掩码先验将点到中心距离作为掩码预测的空间偏置，利用匈牙利匹配（Hungarian matching）建立查询与真实实例的一一对应，并联合分类、二元交叉熵（Binary Cross-Entropy, BCE）和Dice损失进行多任务优化；（3）全云多分块推理与子云预测拼接策略，无需DBSCAN或cKDTree聚类即可直接生成局部实例掩码。
**三、研究结果**
**（一）与代表性方法的比较**：在自建测试集上，RQ-PointNeXt的语义分割总体精度（OA）、平均类别精度（mAcc）和平均交并比（mIoU）分别达到0.8942、0.8980和0.8076；实例分割的AP25、AP50、AP75和mAP25/50/75分别为0.7359、0.5585、0.2777和0.5240。相比PointNet+++DBSCAN基线，mAP25/50/75绝对提升0.2940；相比最优基线Mask3D，mAP25/50/75提升0.1188，且在所有比较方法中均取得最优性能，表明该方法在中高精度实例掩码预测方面具有明显优势。
**（二）消融实验**：以PointNeXt骨干加Query-mask解码器为基线，依次引入R-EGCA、语义引导、中心种子查询和中心感知掩码先验。中心种子查询使mAP25/50/75从0.4652提升至0.5059（绝对增益0.0407）；中心感知掩码先验进一步将其提升至0.5240，验证了各组件对棉铃实例分割的互补贡献。
**（三）定性分析**：对测试集整株点云的可视化结果表明，该方法能识别植株内大多数棉铃并为不同棉铃分配独立实例ID，对空间分离和轻遮挡棉铃的预测点集较完整、边界清晰；但在严重遮挡或相邻棉铃接触区域，仍存在个别边界分配错误，表现为接触区域点被错误分配给同一实例或外围点未被分配。
**（四）鲁棒性与失败模式分析**：五折交叉验证的平均mAP25/50/75为0.5229±0.0172（95%置信区间0.5016–0.5443），与固定划分结果0.5240接近，表明结果不依赖单一数据划分。失败模式分析显示，89个真实实例中21个被遗漏，90个预测实例中22个为假阳性；在IoU≥0.25检测到的68个实例中34个未达到IoU 0.75，说明精确掩码描绘仍是主要挑战。在公开UGA-BSAIL棉花点云数据集上，RQ-PointNeXt的AP25、AP50、AP75分别为0.9577、0.9270、0.8675，mAP25/50/75为0.9174，与对比方法差异较小，表明在点云完整、实例边界清晰时，各方法性能差距缩小。
**四、讨论与结论**
讨论部分指出，NeRF重建通过整合UAV多视角影像的互补观测，可获得比单幅图像更完整的棉花植株几何表示，为棉铃位置、表面形态和相对排列提供关键几何线索；但重建质量受图像清晰度、视角覆盖、相机位姿精度和场景稳定性影响，风致运动会造成局部模糊和几何缺失。R-EGCA通过在浅层特征提取阶段引入相对高程和表面法线信息，可增强小或部分遮挡棉铃实例的特征判别性。Query-mask分支将实例分配纳入网络训练，使训练目标与推理输出一致，降低了对人工距离和连通性阈值的敏感性，且直接优化实例分类、掩码完整性和逐点重叠。与现有方法相比，RQ-PointNeXt在含
