中科院1区Top | IF=6.4
2026.4.28在线发布|本文作者详情如上图
监测田间种植甘蓝的生长动态对于确保蔬菜稳定生产和推进精准农业管理至关重要。然而，传统的基于二维（2D）图像的监测方法仅限于平面投影信息，缺乏空间结构特征的表征，因此不足以支持在露天条件下对甘蓝进行高精度、全周期的表型监测。
本研究利用深度相机结合多视角空间配准技术，构建了一个涵盖从幼苗期到成熟期的高精度三维（3D）点云数据集。基于该数据集，提出了一种用于全周期生长监测的自适应点云分割网络，该网络包含一个头部细化模块（HRM）、一个叶片实例分割模块（LISM）以及跨模块交互（CMI），以解决叶片粘附和头部边界划分问题。
实验结果表明，所提出的方法在语义分割和实例分割任务中均优于现有模型。在语义分割方面，平均交并比 (mIoU) 达到 0.767，点分类准确率达到 94.8%。该模型包含 5425 万个参数，平均响应时间为 0.76 秒。在实例分割方面，卷心菜球的平均精度 (AP) 提高了 2.3%，叶片的平均精度提高了 3.8%，平均召回率 (AR) 提高了 6.9%。从分割结果中提取的生长参数，包括株高和冠幅，与真实测量值高度吻合，株高、冠幅长度和冠幅宽度的相关系数 (R² )均超过 0.9。利用这些多维表型描述符，系统地表征了卷心菜在整个生长周期中的时序动态变化。
总的来说，这项研究实现了对卷心菜表型在整个生长周期中的动态监测，为将 3D 表型分析从受控环境扩展到露天应用提供了一条新的技术途径，并为精确的作物监测和数字孪生农业的发展提供了重要的支持。
图1 田间甘蓝冠层三维数据采集与重建示意图及代表性结果
图3 用于全生长阶段卷心菜监测的 3D 点云分割网络及其卷心菜适应性子模块的总体架构
图5 卷心菜自适应模块中同一卷心菜点云的逐点概率和注意力分布
农业科技侠交流群
入群可添加小编微信（扫描下方二维码，备注：来意-姓名-单位，若二维码添加失败，请公众号后台私信留言“入群”）
投稿、宣传推广、开白等请在本公众号后台回复“1”
转载请注明来源：本文转自农业科技侠数字与智慧农业微信公众号
编辑：钱承睿
声明:本文旨在前沿分享,若有编辑等问题,敬请后台留言
