近日，瓦赫宁根大学的Frans P. Boogaard等在Biosystems Engineering上发表了题为“The added value of 3D point clouds for digital plant phenotyping – A case study on internode length measurements in cucumber”的文章，该研究以黄瓜为例子训练了一个深度神经网络，提出了3D点云估计弯曲生长的植物节间长度的方法，以解决2D图像测量节间长度整体精度差的问题。
关键词：数字植物表型；工厂架构；节间长度；3D点云；植物部分分割；深度学习
doi : 10.1016/j.biosystemseng.2023.08.010
01
缩略词
RMSE(均方根误差)P,R(精度，召回率)TP,FP,FN(真阳性、假阳性、假阴性)创新点
数字植物表型极大地受益于3D数据的可用性比较了3D点云和2D图像的植物节点间长度估计值使用3D点云时，估计节间长度的精度更高使用二维图像时，节点检测率较高结合2D图像和3D点云可以提供两全其美的效果
图 1.黄瓜植物的三个节点的示例，具有相应的两个节点间
02
将黄瓜植株(Proloog RZ F1，Rijk Zwaan，De Lier，荷兰)放置在植物排水沟上，植物距离为2 m，以防止植物之间的闭塞。每株植物都连接到一根支撑线上，以强制植物垂直生长。
图 2.实验装置的示意图俯视图
图3.实验中所有植物的节间长度分布
03
使用实际植物-相机距离与假定的植物-相机距离之间的差值作为误差，计算了均方根误差(RMSE)。
图4.第 7 天所有植物节点的植物-相机距离的 RMSE(均方根误差)
04
将264个3D点云手动分割为茎，叶柄，叶，生长点，节点，子房，卷须和非植物(例如植物排水沟，支撑线和棍子)。标记的数据在训练、验证和测试集中拆分。
图5.数据采集第一天(左)和最后一天(右)手动注释的点云示例
清晰可见的是，3D节间长度比2D节间长度更准确。此外，在3D方法的结果中，直植物和弯曲植物之间没有明显的差异，而弯曲植物在2D方法的结果中明显存在较大的误差。
图6.手动测量的节间长度(x 轴)与估计的节间长度(y 轴)绘制
05
除了弯曲植物和直线植物之间的比较外，还测试了从3D点云估计的节间长度是否比来自2D图像的节间长度更准确。
图7.基于2D和3D数据预测的节间长度的绝对误差(mm)
结果表明，所提出的估计3D节间长度的方法改善了弯曲植物的节间长度估计精度，并且在直线植物的精度方面也优于以前的2D方法。
本研究提出假设：“使用3D点云而不是2D图像可以估计弯曲植物的节间长度，其精度与直线植物相同”，而测试结果表明，从3D点云估计的节间长度比从2D图像估计的节间长度更准确。
doi : 10.1016/j.biosystemseng.2023.08.010
