基于微元重构与聚类分析的棉花果枝角度轻量化提取方法研究

《Smart Agricultural Technology》：A lightweight fruit branch angle extraction method for cotton plants based on micro-element reconstruction and clustering

为解决田间棉花果枝角度（FBA）测量因严重遮挡、多变光照和背景干扰而面临的技术挑战，本研究提出了一种融合3D高斯泼溅（3DGS）与线性点云逆向模型（LPCRM）的轻量化三维表型分析框架。该框架通过RANSAC算法将重建的棉花点云分解为线性微元，结合K-means几何聚类识别主茎与果枝，无需拓扑先验或大规模标注数据。实验表明，80%的LPCRM与原始3DGS重建点对欧氏距离≤0.5 cm，对25个品种268个果枝的FBA提取达到R2=0.874、RMSE=4.01°，株高估计R2=0.915。该研究为田间棉花三维结构性状提取提供了高效、稳健的解决方案，助力高通量表型分析与理想型育种。

　　

棉花作为重要的经济作物，在国防、医疗和汽车工业中具有不可替代的战略地位。然而，我国棉花生产仍面临优质纤维短缺、资源利用效率低、机械化程度不高等挑战。传统人工表型测量方法效率低下、易受主观因素影响，难以实现大规模标准化表型采集。尤其在棉花育种中，果枝性状表征仍高度依赖人工测量，存在标准不统一、稳定性差等问题。

为突破这一瓶颈，新疆大学机械工程学院研究团队在《Smart Agricultural Technology》发表论文，提出一种基于微元重构与聚类分析的棉花果枝角度轻量化提取方法。该研究瞄准田间复杂环境下棉花三维结构精准量化难题，通过创新性结合3D高斯泼溅（3DGS）重建与线性点云逆向模型（LPCRM），建立了不依赖拓扑先验的自动化表型分析流程。

研究人员采用手持云台搭载尼康Z5相机，以三层环形轨迹采集棉花植株图像，通过结构光运动（SfM）估计相机姿态后，运用3DGS技术进行场景重建。该技术将场景显式表示为3D高斯点集，通过可微分栅格化实现高效训练与渲染。重建后的点云经3DGStoPC工具转换为标准点云格式，为后续分析奠定基础。

关键技术方法包括：基于RANSAC的线性微元分解，将植株点云转化为短线段集合；通过K-means聚类对线段参数进行无监督分类，依据"主茎包含最多微元"的生物学先验识别主茎与果枝；最后基于空间直线方程计算果枝角度，利用方向向量夹角公式θ=cos^-1[(a_xb_x+a_yb_y+a_zb_z)/(√(a_x²+a_y²+a_z²)×√(b_x²+b_y²+b_z²))]精确量化分枝角度。

研究结果表明，该方法在25个棉花品种上表现出色。参数优化分析显示，当聚类数k=13时轮廓系数达到峰值0.60，与生物学先验高度一致。与传统分割方法相比，线性微元策略有效克服了颜色区域生长法导致的过分割与欠分割问题。点对点欧氏距离评估显示，80%的点对距离控制在0.5 cm以内，模型保真度良好。

具体而言，株高提取结果与人工测量高度吻合（R2=0.915，RMSE=3.858 cm），果枝角度测量精度达到R2=0.874，RMSE=4.01°。典型样本如Y1-1、Y3-4等植株的果枝角度雷达图清晰展示了不同品种的架构特征。通过主茎与果枝的渐进式分解（如LINE1-LINE4的逐级移除），验证了该方法在复杂结构解析中的稳定性。

与DBSCAN等密度聚类算法相比，K-means在应对点云密度变化时表现更稳健，避免了果枝与主茎的错误合并。尽管RANSAC对距离阈值敏感，且在高度弯曲分枝场景存在局限，但通过微元分解策略有效降低了拓扑依赖性问题。

该研究的创新在于将复杂结构分割转化为线性微元的聚类问题，突破了传统骨架提取方法对遮挡敏感的瓶颈。相较于需要大量标注数据的3D深度学习模型（如PointNet++、CotSegNet），该方法在有限样本下仍保持高精度，为田间高通量表型分析提供了实用化解决方案。未来通过适配不同作物线性特征参数，可进一步扩展至玉米、大豆等作物三维表型监测。

研究结论强调，这种"微元分解-聚类重组"框架为植物三维结构量化提供了新范式，不仅适用于棉花理想型育种，对推动精准农业智能化发展具有重要意义。通过将生物学先验与计算几何相结合，实现了在无监督场景下多表型参数的高通量提取，为作物遗传改良提供了可靠的技术支撑。