农业机械学报

作者：田世杰，闫佳新，秦伟杰，白绍兴，洪旻珂，孙章彤，胡瑾

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：灌浆期小麦;三维点云;语义分割;点云数据增强;改进损失函数;植物表型

基金：陕西省自然科学基础研究计划项目（2025JC-YBQN-224）、杨凌示范区科技计划项目（2024NY-06）、陕西省重点研发计划项目（2024NC2-GJHX-36）、旱区农业陕西实验室建设开放课题（2024ZY-JCYJ-02-16）和西北农林科技大学博士科研启动费项目（2452024119）

灌浆期是影响小麦产量与品质的关键时期，其旗叶与麦穗准确识别对表型分析和高产小麦选育具有重要意义。然而，灌浆期小麦点云存在数据量少、器官密集、遮挡严重等问题，为关键器官语义分割带来巨大挑战。为解决这一问题，本研究提出了一种点云数据增强策略和关键器官分割网络（Class-aware segmentation network，CA-SegNet）。首先，基于三维高斯飞溅（3D Gaussian splatting，3DGS）对80株小麦进行了三维重建并获得稠密点云数据。其次，为增强样本多样性并保持关键几何结构，提出了动态体素栅格化随机采样（Dynamic voxel farthest point sampling，DVFPS）方法，结合动态体素划分与随机最远点采样策略实现了数据集10倍扩增与标准化点云数量（8192点）处?理。最后，以标准点云数据集为输入，提出了改进的点云分割网络CA-SegNet，通过类别感知特征提取（Class-aware feature extraction，CAFE）模块和结合分类准确性、空间一致性、特征约束的改进损失函数，有效提高了关键器官分割性能。试验结果表明，CA-SegNet的平均交并比、精确率、召回率和F1值分别达62.28%、76.41%、72.63%和74.47%，均优于PointNet++、PlantNet等方法。同时，消融试验也验证了DVFPS、CAFE和改进损失函数在提升模型性能方面的有效性。基于分割结果计算的麦穗体积，相关系数R和均方根误差分别为0.85和79.16cm3，进一步验证了该方法在表型解析方面的有效性。本研究有效提高了小麦点云中关键器官分割精度，为智慧农业中小麦表型检测与精准育种提供了可靠技术手段。

来源：2025年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第10期