植物結(jié)構(gòu)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(chǎn)力。植物結(jié)構(gòu)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(guān)。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(fù)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(diǎn)云中的每個點(diǎn)提供了光譜信息。同時(shí)，每天多次采集2D圖像，獲得一個包含9990張圖像的數(shù)據(jù)集。基于YOLO-v3深度學(xué)習(xí)對象檢測算法在單個2D圖像中檢測節(jié)點(diǎn)，使用親和力傳播聚類算法對同一節(jié)點(diǎn)的多次檢測進(jìn)行合并，獲得每個節(jié)點(diǎn)只出現(xiàn)一次的節(jié)點(diǎn)位置列表并按照在莖上的位置進(jìn)行排序以估計(jì)2D節(jié)間長度（節(jié)間長度為兩個連續(xù)節(jié)點(diǎn)之間的歐氏距離）。從3D點(diǎn)云估計(jì)節(jié)間長度的方法分為三個步驟：（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(jié)點(diǎn)，使用HDBSCAN聚類算法對節(jié)點(diǎn)進(jìn)行聚類；（3）節(jié)間長度估計(jì)。結(jié)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估計(jì)彎曲植株的節(jié)間長度；從3D點(diǎn)云估計(jì)的節(jié)間長度誤差小于從2D圖像估計(jì)的節(jié)間長度誤差，使用3D 點(diǎn)云估計(jì)節(jié)間長度的精度更高。但基于2D圖像的節(jié)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?？傊狙芯孔C實(shí)了基于3D點(diǎn)云與計(jì)算機(jī)視覺技術(shù)結(jié)合進(jìn)行植物結(jié)構(gòu)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(diǎn)示意圖，含兩個節(jié)間。
圖2 實(shí)驗(yàn)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(diǎn)(Ⅰ-Ⅵ)在圖的右上角部分放大顯示。
圖5 數(shù)據(jù)獲取的天(左)和天(右)人工標(biāo)注點(diǎn)云的實(shí)例。圖中顏色代表圖例中的類別，黑色方塊表示點(diǎn)云的放大部分。
圖9 人工測量的節(jié)點(diǎn)間長度(x軸)與估計(jì)的節(jié)點(diǎn)間長度(y軸)擬合圖。左圖為基于2D的結(jié)果，右圖為基于3D點(diǎn)云的結(jié)果。直立植株的節(jié)點(diǎn)用藍(lán)色圓圈表示，彎曲植株的節(jié)點(diǎn)用紅色三角形表示。虛線表示函數(shù)x = y，表示估計(jì)的節(jié)點(diǎn)間長度等于人工測量值的位置。
圖10 基于2D和3D數(shù)據(jù)預(yù)測直立和彎曲植株節(jié)間長度的誤差( mm )?？虮硎鞠滤姆治粩?shù)和上四分位數(shù)，須表示1.5倍四分位數(shù)間距內(nèi)的和誤差。超出此范圍的值被認(rèn)為是異常值，并顯示為“+"。顯著性水平 “n.s. "表示沒有觀察到顯著性差異， “***"表示在p < 0.001的情況下觀察到顯著性差異。
文獻(xiàn)來源：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.
會員1.png)
