基于三维重建的香蕉树表型参数提取研究OA

植物表型组学是作物遗传改良和精准农业管理的重要技术支撑,但传统表型检测方法存在效率低、精度不足等问题。为此,提出一种基于三维重建和深度学习的植物表型参数分割提取方法,旨在高效精准获取密集种植条件下植株表型参数。该方案利用地面激光雷达获取植株冠层点云数据,在PointNet++模型的基础上引入组卷积和高效多尺度注意力构建GEPointNet++,最后通过GEPointNet++实现植株语义分割。试验结果表明,GEPointNet++在MCC、Dice和mIoU上相比于PointNet++模型分别提高0.26%、0.50%和1.12%,参数量降低14.45%,FLOPs减少51.02%,推理时间缩短48.84%。在树假茎高度人工测量值与模型测量值对比上取得较好效果,R2和皮尔逊系数分别为0.9797和0.9898。该方法为密集种植条件下的植物高通量表型分析提供高精度、自动化的解决方案,显著提升数据采集效率与测量准确性,为遗传改良与数字化农艺管理提供可靠技术支撑。