《Frontiers in Plant Science》：DCSFormer: a high-precision method for cotton seedling point cloud organ segmentation
编辑推荐：
本研究提出DCSFormer模型，针对棉花幼苗器官点云分割中存在的复杂形态、噪声干扰及标注数据缺乏等挑战，创新性地引入动态稀疏专家路由（DCS Block）与跨层频率跳跃连接（CLFSkip），在自建数据集上实现93.67% mIoU，显著优于现有SOTA模型。该工作为作物高通量表型分析及数字育种提供了高精度、强泛化性的解决方案。
1 引言
棉花作为全球重要经济作物，其表型精准解析对育种决策至关重要。传统二维图像难以捕捉复杂三维结构，而点云技术可保留空间几何信息，但棉花幼苗器官尺度小、结构复杂，且存在点密度不均、噪声干扰及高质量标注数据集缺乏等问题。现有方法如PointNet++、Point Transformer等虽在通用点云分割中表现良好，但对细粒度器官边界区分能力不足。为此，本研究提出DCSFormer，基于Point Transformer V3（PTv3）架构优化，专为棉花幼苗器官级点云分割设计。
2 材料与方法
2.1 数据采集与预处理
以“新疆大桃棉”为实验材料，通过智能手机多视角拍摄视频，经Agisoft软件生成点云。数据经CloudCompare手动去噪与标注，按器官语义分为茎、叶、非植物区域，最终生成100个样本，按4:1划分训练集与测试集，并通过旋转、高斯噪声等增强手段扩增训练数据至720个样本。
2.2 DCSFormer模型架构
模型采用编码器-解码器框架，核心创新包括：
- •
DCS Block：融合动态稀疏专家路由与双通道注意力机制。通过多专家（Softmax Attention、Flash Attention、Top-k Sparse Attention）自适应选择注意力策略，结合通道注意力（CAM）与空间注意力（SAM）增强局部几何与全局语义感知。
- •
CLFSkip：替代传统跳跃连接，引入频域滤波与跨层特征融合，通过快速傅里叶变换（FFT）分解高、中、低频成分，强化边界细节与结构一致性。
2.3 评价指标
采用mIoU（平均交并比）、mPrec（平均精确率）、mRec（平均召回率）、mF1（平均F1分数）评估分割性能，同时通过R2、RMSE（均方根误差）、MAPE（平均绝对百分比误差）等验证表型参数提取可靠性。
3 结果与讨论
3.1 消融实验
DCS Block与CLFSkip的单独引入分别提升mIoU达2.28%与1.98%，联合使用后DCSFormer在自建数据集上达到93.67% mIoU、95.83% mPrec、97.35% mRec及96.56% mF1，显著优于基线模型（PTv3）。茎器官IoU提升5.80%，叶片与非植物区域指标均超98%。
3.2 跨数据集泛化性验证
在公开数据集Crops3D（马铃薯、油菜）和Pheno4D（番茄）上，DCSFormer较PTv3基线mIoU提升2.74%–3.15%，尤其在复杂茎叶交界处误分割率显著降低，证明模型对多作物形态的强适应性。
3.3 可视化与误差分析
定性对比显示，PointNet++等基线模型在叶片-茎秆交界处存在明显误分割，而DCSFormer能精准区分薄壁茎秆与重叠叶片，仅在高密度点云局部出现轻微误差。
4 结论与展望
DCSFormer通过动态稀疏路由与频域特征融合，实现了棉花幼苗器官级点云的高精度分割，为作物表型量化提供了可靠工具。未来工作将聚焦模型轻量化设计、多作物泛化能力拓展及实例级形态参数自动提取，进一步推动农业数字化进程。
