基于植物葉片三維點云的穩健表面重建進行自動化表型分析研究
對植物的表型分析一般會通過鑒定與植物表型相關的各種性狀的定性或定量指標來完成，進而為解釋不同環境條件下植物基因型和表型間的復雜關系提供新的見解。傳統的植物表型鑒定方法費時費力，因此表型性狀的自動化提取技術顯得尤為重要。
為了實現自動化表型分析，研究者們已使用影像學技術迅速改進了植物表型分析技術。其中，三維成像技術由于能夠更直接地測量植物的形態性狀，而得到了廣泛應用。在表征對象的三維結構時，主要有以下兩種方法：主動方法使用諸如激光雷達之類的主動傳感器來直接捕獲三維點云，該點云代表植物在三維空間中每個部分的坐標；被動方法使用被動傳感器（相機等），從多角度采集一組二維圖像來推導出三維點云。
在對植物的三維點云進行分析時，一個必要的步驟是將點云轉換為幾何圖形，進而提取植物器官的幾何特征（如大小、形狀等）。表面重建是該轉換步驟的一個典型應用，在需要提取幾何特征時常常會使用。
葉片是植物與外界進行物質和能量交換的重要途徑。因此，葉片的表面重建是三維植物表型中的重要應用之一，而葉片表面重建的精度會直接影響到幾何特征提取的精度。現有的葉片表面重建算法主要可分為無模型和有模型這兩大類，無模型方法難以處理嚴重的噪聲和遺漏點，而有模型方法又具有一定的物種特異性。
在生長環境下生成的三維點云會受到傳感器噪聲和缺失點的影響，尤其是在非理想條件下（如田間環境中）獲取數據時。并且，由于植物具有復雜的三維結構，標準掃描技術很難為相互重疊的結構（如葉片等）獲取無遮擋的三維點云，并且會在點云中產生傳感器噪聲和缺失點，從而導致對植物結構的表征不夠完善。如果葉片表面重建不準確，那么葉片的幾何特征就很難被準確描述，后續的基于該特征計算出的數據也將不準確。
2021年4月，Plant Phenomics 在線發表了慶應義塾大學，東京電機大學和東京大學Ryuhei Ando等人題為Robust Surface Reconstruction of Plant Leaves from 3D Point Clouds的研究論文。
文章中，作者開發了一種對三維點云中的噪聲和遺漏點具有穩健性的葉片表面重建方法。該方法基于葉片的特性，分別采集葉片的形狀和形狀畸變（Figure 2），在減少了噪聲和缺失點影響的同時，維持了表面重建的準確性。與傳統方法相比，文章中提出的方法簡化了葉片表面重建的過程，同時提高了對噪聲和遺漏點的穩健性。
Figure 2: Overview of the method used to obtain the flattened leaf shape.
為了對這種新方法的性能做出評估，作者使用從大豆和甜菜中采集到的三維點云對葉片表面進行重建，并將其結果與常規方法進行比較（Figure 7）。結果表明，盡管兩種點云中都存在不同程度的噪聲和點云缺失，文章提出的方法仍能夠很好地重建葉片表面（Figure 6）。此外，為了評估該方法進行葉片表面重建的穩定性，作者還計算了目標葉片在連續兩周內的表面積。與常規方法相比，該方法得出的結果顯示出了更高的數據質量。
Figure 7: Results of the evaluation of stability for leaf surface reconstruction.
Figure 6: Results of the evaluation of the leaf surface reconstruction in terms of robustness against noise and missing points.
論文鏈接
https://doi.org/10.34133/2021/3184185
——推薦閱讀——
Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits
https://doi.org/10.34133/2022/9802585
Plant Phenomics | 基于無人機多傳感器和集成學習的玉米表型高通量估算
Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves
https://doi.org/10.34133/2022/9813841
Plant Phenomics | 光譜預處理與深度轉移學習相結合的葉片葉綠素含量評估
加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學，遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯：王平
審核：孔敏
