《Plant Phenomics》：SOY3DSEG: A High-Precision Universal Point Cloud Segmentation Model for Soybean Full Growth Period Based on Improved Point Transformer
编辑推荐：
本研究针对作物三维表型分析中缺乏跨生育期通用分割框架的瓶颈问题，提出了基于动态多阶段采样策略（DMSS）和几何感知注意力机制的SOY3DSEG模型。该模型在大豆V1-R7全生育期茎叶分割中达到93.34%的平均交并比（mIoU），较基线模型提升14.18%，在玉米和番茄幼苗跨作物迁移测试中mIoU达99%，为精准农业提供了可靠的器官级分割解决方案。
在智慧育种和精准农业快速发展的今天，作物三维重建技术因其能够精确捕捉作物空间结构和发育动态而备受关注。然而，当前作物三维模型在实际应用中面临着一个关键挑战：缺乏能够跨越完整生长周期的器官级分割框架。特别是在大豆这种重要经济作物中，从幼苗期（V1）到成熟期（R7）的全生育期监测需求迫切，但传统方法难以应对随着生长阶段变化而日益复杂的植株结构。
现有研究多局限于特定生长阶段或简单作物形态，对于大豆这种在全生育期内形态发生显著变化的作物，传统二维图像分析方法受视角限制、光照敏感性和器官遮挡等问题制约，而基于手工特征的点云分割方法又缺乏对复杂植株结构的适应性。深度学习模型虽显示出潜力，但在处理密集冠层和严重遮挡的后期生长阶段时性能明显下降。
针对这一挑战，东北农业大学的研究团队在《Plant Phenomics》上发表了题为"SOY3DSEG: A High-Precision Universal Point Cloud Segmentation Model for Soybean Full Growth Period Based on Improved Point Transformer"的研究论文，提出了一个面向大豆全生育期的高精度点云分割框架SOY3DSEG。
该研究创新性地融合了三大技术核心：动态多阶段采样策略（DMSS）通过体素占据变异系数和K近邻密度变异系数自适应调整采样比例；改进的点Transformer架构嵌入几何感知注意力机制，增强对茎叶边界的区分能力；多尺度特征提取模块通过不同半径的球查询捕获从叶片到冠层级别的结构特征。研究采用Soybean-MVS数据集（包含5个大豆品种12个生长阶段的102株样本）和Pheno4D数据集（用于跨作物验证）进行模型训练与评估。
主要研究结果如下：
4.1. DMSS采样性能
DMSS在关键点保留率上达到81.19%，显著优于随机采样（73.83%）和最远点采样（79.58%）。在采样效率方面，DMSS在大豆、玉米和番茄数据集上分别比最远点采样快44.8%、89.6%和69.2%，实现了效率与特征保留的最佳平衡。
4.2. 模型在大豆各生育期的表现
SOY3DSEG在全生育期保持稳定高性能，V1-R7阶段平均mIoU达93.34%，较PointTransformer基线提升14.18%。特别是在复杂的R6-R7阶段（密集冠层期），模型仍保持89.26%以上的mIoU，显著优于对比模型（PointNet++为25.41%，RandLA-Net为64.82%）。
4.3. 跨作物迁移性能
在玉米和番茄幼苗期的零样本迁移测试中，SOY3DSEG取得99%左右的mIoU，表明模型对早期生长阶段的不同作物具有强泛化能力。
4.4. 消融实验验证
去除DMSS模块使mIoU下降5.39%（从93.34%至87.95%）；去除几何感知注意力机制导致mIoU降低2.39%；移除多尺度特征融合模块使mIoU下降2.50%，证实各组件对性能提升均有实质性贡献。
讨论与结论
研究团队深入分析了生长阶段对分割性能的影响机制：营养生长期（V1-V5）植株结构简单，分割精度高；生殖生长期（R1-R7）冠层密集化和器官重叠度增加，虽导致精度轻微下降，但SOY3DSEG仍保持显著优势。跨作物实验揭示了模型在早期生长阶段的强迁移性，为通用植物表型分析框架奠定基础。
该研究的创新价值在于首次构建了覆盖大豆完整生育期的点云分割解决方案，突破了传统方法在复杂冠层场景下的性能瓶颈。DMSS策略实现了计算效率与特征保留的优化平衡，几何感知注意力机制提升了模型对形态细节的捕捉能力。研究成果为高通量作物表型分析提供了技术支撑，对精准农业中的生长监测、产量预测和育种优化具有重要应用价值。
未来研究方向包括减少对大量标注数据的依赖、扩展实例级分割功能，以及在更多作物类型和全生育期场景下的验证应用。SOY3DSEG模型和配套数据集已开源，为后续植物三维表型研究提供了重要基准。
