植物結構如株高、葉片或分支角度、葉片大小以及節間長(cháng)度等，影響著(zhù)對光的截留，從而影響植物光合作用與生產(chǎn)力。植物結構的變化可以反映植物面臨的脅迫情況，例如節間長(cháng)度的變化與干旱、鹽脅迫有關(guān)。簡(jiǎn)單的表型性狀可以從2D圖像中測量，但節間長(cháng)度、分支角度等復雜性狀則需要使用3D數據。

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數據，該多光譜3D掃描儀還為點(diǎn)云中的每個(gè)點(diǎn)提供了光譜信息。同時(shí)，每天多次采集2D圖像，獲得一個(gè)包含9990張圖像的數據集?；赮OLO-v3深度學(xué)習對象檢測算法在單個(gè)2D圖像中檢測節點(diǎn)，使用親和力傳播聚類(lèi)算法對同一節點(diǎn)的多次檢測進(jìn)行合并，獲得每個(gè)節點(diǎn)只出現一次的節點(diǎn)位置列表并按照在莖上的位置進(jìn)行排序以估計2D節間長(cháng)度（節間長(cháng)度為兩個(gè)連續節點(diǎn)之間的歐氏距離）。從3D點(diǎn)云估計節間長(cháng)度的方法分為三個(gè)步驟：（1）基于深度神經(jīng)網(wǎng)絡(luò ) PointNet++將 3D 點(diǎn)云分割成植物部分；（2）從分割的點(diǎn)云中檢測節點(diǎn)，使用HDBSCAN聚類(lèi)算法對節點(diǎn)進(jìn)行聚類(lèi)；（3）節間長(cháng)度估計。結果顯示，使用3D點(diǎn)云代替2D圖像，可以以與直立植株相同的精度來(lái)估計彎曲植株的節間長(cháng)度；從3D點(diǎn)云估計的節間長(cháng)度誤差小于從2D圖像估計的節間長(cháng)度誤差，使用3D 點(diǎn)云估計節間長(cháng)度的精度更高。但基于2D圖像的節點(diǎn)檢出率更高，因此建議綜合利用2D圖像和3D點(diǎn)云的優(yōu)勢?？傊?，本研究證實(shí)了基于3D點(diǎn)云與計算機視覺(jué)技術(shù)結合進(jìn)行植物結構尤其是節間長(cháng)度測量的可行性。

圖2 實(shí)驗裝置示意圖。植株生長(cháng)在2個(gè)植物水槽( A、B)上，每個(gè)水槽含6株植物( 1 ~ 6株)。將彎曲植株A2、A3和B5分別稱(chēng)為離群植株4、5和8。六個(gè)視點(diǎn)(Ⅰ-Ⅵ)在圖的右上角部分放大顯示。

圖5 數據獲取的第一天(左)和最后一天(右)人工標注點(diǎn)云的實(shí)例。圖中顏色代表圖例中指定的類(lèi)別，黑色方塊表示點(diǎn)云的放大部分。

圖9 人工測量的節點(diǎn)間長(cháng)度(x軸)與估計的節點(diǎn)間長(cháng)度(y軸)擬合圖。左圖為基于2D的結果，右圖為基于3D點(diǎn)云的結果。直立植株的節點(diǎn)用藍色圓圈表示，彎曲植株的節點(diǎn)用紅色三角形表示。虛線(xiàn)表示函數x = y，表示估計的節點(diǎn)間長(cháng)度等于人工測量值的位置。

圖10 基于2D和3D數據預測直立和彎曲植株節間長(cháng)度的絕對誤差( mm )?？虮硎鞠滤姆治粩岛蜕纤姆治粩?，須表示1.5倍四分位數間距內的最高和最低絕對誤差。超出此范圍的值被認為是異常值，并顯示為“+”。顯著(zhù)性水平 “n.s. ”表示沒(méi)有觀(guān)察到顯著(zhù)性差異， “***”表示在p < 0.001的情況下觀(guān)察到顯著(zhù)性差異。

文獻來(lái)源：Frans P B, Eldert J, Gert K. The added value of 3D point clouds for digital plant phenotyping –A case study on internode length measurements in cucumber. Biosystems Engineering, 2023, 234:1-12.