3D-MaizeNet:面向田间玉米高通量表型提取的点云实例分割模型

玉米作为全球重要粮食作物,其表型参数的高通量精准获取对智能育种至关重要.当前基于三维点云的玉米表型测定方法面临群体植株形态复杂、冠层黏连与相互遮挡导致的单株分割难题,制约了表型数据的高效获取.针对这一问题,该研究提出了一种融合激光雷达数据与深度学习的改进点云实例分割模型——3D-MaizeNet.首先,针对传统算法破坏植株完整性的问题,结合田间种植特点提出基于作物行检测的自适应区块切分方法,构建田间玉米植株的高质量点云数据集.其次,改进轻量化3D-BoNet架构,设计局部空间编码与注意力聚合降采样子模块,增强网络对复杂冠层结构的学习能力,减少空间特征丢失.最后,以精准的单株分割结果为基础,实现了对株高、茎高这两个与产量和抗性紧密相关的关键表型参数的高通量测定.试验表明,3D-MaizeNet的实例分割平均精度(AP)达到0.959,在保持高计算效率的同时显著优于基线模型.基于该分割结果,株高和茎高的测定精度分别达到R2=0.91和R2=0.89.该方法有效改善了复杂冠层下的单株自动分割性能,为关键表型参数的自动化、规模化提取提供了可靠的模型支撑.该研究构建的高通量精准表型测定技术,为玉米基因组学研究与分子育种提供了关键技术支撑.