三維點云在數(shù)字植物表型分析中的附加價值——以黃瓜節(jié)間長度測量為例

植物結構如株高、葉片或分支角度、葉片大小以及節(jié)間長度等，影響著對光的截留，從而影響植物光合作用與生產力。植物結構的變化可以反映植物面臨的脅迫情況，例如節(jié)間長度的變化與干旱、

鹽脅迫有關。簡單的表型性狀可以從2D圖像中測量，但節(jié)間長度、分支角度等復雜性狀則需要使用3D數(shù)據(jù)。

本研究以黃瓜為例（含彎曲株和直立株），基于激光三角測量，使用Phenospex PlantEye F500采集了10天的3D數(shù)據(jù)，該多光譜3D掃描儀還為點云中的每個點提供了光譜信息。

同時，每天多次采集2D圖像，獲得一個包含9990張圖像的數(shù)據(jù)集?；赮OLO-v3深度學習對象檢測算法在單個2D圖像中檢測節(jié)點，使用親和力傳播聚類算法對同一節(jié)點的多次檢測進行合并，

獲得每個節(jié)點只出現(xiàn)一次的節(jié)點位置列表并按照在莖上的位置進行排序以估計2D節(jié)間長度（節(jié)間長度為兩個連續(xù)節(jié)點之間的歐氏距離）。從3D點云估計節(jié)間長度的方法分為三個步驟：

（1）基于深度神經網絡 PointNet++將 3D 點云分割成植物部分；（2）從分割的點云中檢測節(jié)點，使用HDBSCAN聚類算法對節(jié)點進行聚類；（3）節(jié)間長度估計。結果顯示，

使用3D點云代替2D圖像，可以以與直立植株相同的精度來估計彎曲植株的節(jié)間長度；從3D點云估計的節(jié)間長度誤差小于從2D圖像估計的節(jié)間長度誤差，使用3D 點云估計節(jié)間長度的精度更高。

但基于2D圖像的節(jié)點檢出率更高，因此建議綜合利用2D圖像和3D點云的優(yōu)勢?？傊狙芯孔C實了基于3D點云與計算機視覺技術結合進行植物結構尤其是節(jié)間長度測量的可行性。

                                                                                                  圖1 黃瓜植株三個節(jié)點示意圖，含兩個節(jié)間。

                                                                                        圖2 實驗裝置示意圖。植株生長在2個植物水槽( A、B)上，每個水槽含6株植物( 1 ~ 6株)。

                                                                                        將彎曲植株A2、A3和B5分別稱為離群植株4、5和8。

                                                                                        六個視點(Ⅰ-Ⅵ)在圖的右上角部分放大顯示。