doi：10.15889/j.issn.1002-1302.2024.20.008

摘要：小麥植株表型信息是小麥品種特性和生長(zhǎng)發(fā)育規(guī)律的外在展示，對(duì)小麥的栽培調(diào)控具有重要的指導(dǎo)意義。常規(guī)的作物表型信息獲取以人工測(cè)量為主，存在數(shù)據(jù)偏差大、投入時(shí)間多、獲取效率低等問(wèn)題。本研究利用超高精度的三維（3D）激光掃描儀，在實(shí)驗(yàn)室內(nèi)獲取小麥個(gè)體和群體植株3D點(diǎn)云數(shù)據(jù)，并進(jìn)行點(diǎn)云數(shù)據(jù)預(yù)處理，構(gòu)建小麥植株3D結(jié)構(gòu)模型。在此基礎(chǔ)上提取葉片三角網(wǎng)點(diǎn)云并換算成葉面積，提取葉片骨架點(diǎn)云換算成葉片長(zhǎng)度和葉片最大寬度，提取小麥植株頂點(diǎn)到基部點(diǎn)云換算成植株高度。通過(guò)實(shí)地手工測(cè)量值的驗(yàn)證，小麥3D模型提取的葉面積、葉片長(zhǎng)度、葉片最大寬度、植株高度與實(shí)測(cè)值的r2分別為0.91、0.95、0.82、0.95，相關(guān)性均達(dá)到極顯著水平，RMSE較小，分別為0.54 cm2、0.73 cm、0.05 cm和1.18 cm。上述研究結(jié)果表明，基于3D點(diǎn)云數(shù)據(jù)提取的小麥表型參數(shù)與實(shí)測(cè)值較為接近，結(jié)果可靠，為小麥生長(zhǎng)監(jiān)測(cè)和表型數(shù)據(jù)獲取等提供了一種新的方法。

關(guān)鍵詞：小麥植株；3D激光掃描；點(diǎn)云；3D激光重建；表型參數(shù)

中圖分類號(hào)：S126；TP391.9" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0056-06

收稿日期：2023-10-12

基金項(xiàng)目：江蘇省重點(diǎn)研發(fā)計(jì)劃（現(xiàn)代農(nóng)業(yè)）項(xiàng)目（編號(hào)：BE2022335、BE2022338）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）。

作者簡(jiǎn)介：崔騰予（1999—），女，吉林長(zhǎng)春人，碩士研究生，主要從事作物表型監(jiān)測(cè)研究。E-mail：cty_104@163.com。

通信作者：孫成明，博士，教授，博士生導(dǎo)師，主要研究方向?yàn)樽魑锉硇捅O(jiān)測(cè)與智慧農(nóng)作技術(shù)。E-mail：cmsun@yzu.edu.cn。

在我國(guó)的糧食作物中，小麥占據(jù)非常重要的地位，對(duì)整個(gè)糧食安全也十分重要。生產(chǎn)上要獲得小麥優(yōu)質(zhì)高產(chǎn)，需要良種良法一起抓，其中良法就是根據(jù)小麥的表型信息對(duì)其進(jìn)行栽培調(diào)控［1］。選育優(yōu)良品種與優(yōu)化栽培調(diào)控的本質(zhì)就是將作物的內(nèi)在特性與植株外在表型相結(jié)合，通過(guò)表型參數(shù)去解析基因功能，從而達(dá)到選擇優(yōu)良性狀的目的［2］。在作物表型參數(shù)獲取方面，傳統(tǒng)的方法是以實(shí)地測(cè)量為主，這種方式存在受人為因素干擾多、數(shù)據(jù)誤差大、時(shí)間長(zhǎng)、效率低等問(wèn)題。因此，研究開(kāi)發(fā)高效非破壞性的表型獲取技術(shù)是當(dāng)前表型組研究的重要任務(wù)之一［3］，同時(shí)不斷改進(jìn)傳感技術(shù)以及獲取更加精準(zhǔn)的作物表型信息已成為作物新品種選育的重要依據(jù)［4-5］。

針對(duì)上述問(wèn)題，許多專家學(xué)者開(kāi)展了相應(yīng)的研究，如圖像序列法、3D構(gòu)建法、深度成像法、激光雷達(dá)法等。Wang等基于圖像序列構(gòu)建不同生育時(shí)期玉米植株的3D結(jié)構(gòu)，用來(lái)評(píng)估玉米植株在不同生長(zhǎng)階段的表型［6］。楊樂(lè)等基于改進(jìn)的L系統(tǒng)和OpenGL開(kāi)放圖形庫(kù)實(shí)現(xiàn)了水稻根系3D可視化仿真系統(tǒng)［7］。朱冰琳等在不同葉期對(duì)大豆和玉米的個(gè)體和群體進(jìn)行序列圖像采集，重建3D結(jié)構(gòu)并提取表型參數(shù)，經(jīng)實(shí)際測(cè)量數(shù)據(jù)驗(yàn)證，決定系數(shù)（r2）均大于0.97［3］。肖順?lè)虻然?種不同復(fù)雜程度植株冠層，利用RGB相機(jī)獲取其圖像序列，通過(guò)3D重建獲得植株3D模型，并對(duì)葉片提取表型參數(shù)，與手動(dòng)測(cè)量表型參數(shù)驗(yàn)證，r2達(dá)到0.96以上［4］。Xiong等利用深度相機(jī)獲取油菜幼苗的冠層3D結(jié)構(gòu)圖像，并通過(guò)重建的3D結(jié)構(gòu)提取株高和葉面積，結(jié)果表明，3D模型提取的表型數(shù)據(jù)更為準(zhǔn)確［8］。楊斯等利用Kinect v2相機(jī)獲取溫室黃瓜苗的圖像序列并轉(zhuǎn)換成3D點(diǎn)云，基于3D點(diǎn)云提取了單株幼苗的株高，經(jīng)手動(dòng)測(cè)量結(jié)果驗(yàn)證，株高提取的效果很好［9］。Thapa等基于激光雷達(dá)物候儀生成單株的3D點(diǎn)云來(lái)重建葉片數(shù)字曲面，得到了植株的形態(tài)特征，包括單葉面積、總?cè)~面積、葉傾角和葉角分布［10］。蘇偉等基于毫米級(jí)地基激光雷達(dá)獲取玉米植株3D點(diǎn)云數(shù)據(jù)構(gòu)建3D模型，實(shí)現(xiàn)了對(duì)葉面積、葉長(zhǎng)、株高和莖粗的測(cè)量［11-12］。Paulus等基于安裝在測(cè)量臂上的激光雷達(dá)掃描獲取大麥的冠層3D點(diǎn)云數(shù)據(jù)，然后基于點(diǎn)云數(shù)據(jù)提取了株高等表型參數(shù)，精度較高［13］。張漫等提出了一種基于統(tǒng)計(jì)分析的玉米點(diǎn)云2次濾波算法，可以提升作物表型參數(shù)提取的精度［14］。

上述研究結(jié)果表明，基于3D模型提取作物表型參數(shù)的技術(shù)已得到良好發(fā)展，該技術(shù)不僅工作效率高且受環(huán)境影響小。但由于受到設(shè)備精度的影響，研究結(jié)果的精度也有高低，同時(shí)基于二維圖像和深度圖像的方法較多，而使用激光掃描技術(shù)的研究較少。本研究基于高精度激光掃描方法，將機(jī)器視覺(jué)成像技術(shù)應(yīng)用到獲取植株個(gè)體的3D結(jié)構(gòu)中，對(duì)3葉期小麥植株進(jìn)行3D重建，從其重建的3D結(jié)構(gòu)中提取表型參數(shù)，之后基于手動(dòng)測(cè)量數(shù)據(jù)對(duì)提取結(jié)果進(jìn)行評(píng)估，以期為作物植株個(gè)體、群體表型參數(shù)的獲取提供技術(shù)支撐。

1" 材料與方法

1.1" 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2021—2022年在揚(yáng)州大學(xué)農(nóng)學(xué)院智慧農(nóng)業(yè)實(shí)驗(yàn)室進(jìn)行。小麥為盆栽，在人工智能氣候室培養(yǎng)，溫度維持在10～20 ℃，濕度維持在50%～60%RH。盆栽土壤為沙壤土，松黏適中。先將種子催芽萌發(fā)，然后播種到培養(yǎng)盆中（培養(yǎng)盆高30 cm，盆的內(nèi)徑為20 cm）。為了保證小麥的出苗率，試驗(yàn)過(guò)程中每盆播種多粒小麥種子。播種的深度為3～5 cm，出苗后移除多余麥苗，構(gòu)建1、2、3、4株/盆的處理，每盆重復(fù)3次，整個(gè)試驗(yàn)周期內(nèi)常規(guī)管理。最后選3葉期和4葉期的盆栽小麥作為試驗(yàn)對(duì)象。

1.2" 試驗(yàn)裝置

本研究使用Space Spider 3D激光掃描儀進(jìn)行3D點(diǎn)云的獲取，整個(gè)數(shù)據(jù)獲取的平臺(tái)由三腳架和電動(dòng)旋轉(zhuǎn)載物臺(tái)構(gòu)成。數(shù)據(jù)采集時(shí)將盆栽小麥放到電動(dòng)旋轉(zhuǎn)平臺(tái)，掃描儀固定在支架上不動(dòng)，盆子隨著電動(dòng)旋轉(zhuǎn)平臺(tái)旋轉(zhuǎn)從而實(shí)現(xiàn)多視角激光點(diǎn)云數(shù)據(jù)采集。具體裝置如圖1所示。

Space Spider是盧森堡阿泰科（Artec）公司2015年生產(chǎn)的一款手持式激光掃描儀，主要參數(shù)見(jiàn)表1。Space Spider是新一代高精度手持3D掃描設(shè)備，在獲取被掃描對(duì)象3D點(diǎn)云數(shù)據(jù)的同時(shí)，還兼具顏色信息和紋理細(xì)節(jié)。設(shè)備的穩(wěn)定性好、準(zhǔn)確度高，在自然光條件下就可使用。該掃描儀的用途較多，可以掃描獲取作物莖、葉片以及分蘗等的3D點(diǎn)云數(shù)據(jù)，適用于作物生長(zhǎng)監(jiān)測(cè)、3D形態(tài)重建以及表型參數(shù)提取等領(lǐng)域。

1.3" 數(shù)據(jù)獲取

為防止空氣的流動(dòng)影響植株葉片形態(tài)的穩(wěn)定性，激光點(diǎn)云數(shù)據(jù)獲取在室內(nèi)進(jìn)行。數(shù)據(jù)采集時(shí)間為當(dāng)天的09：00—11：00，數(shù)據(jù)獲取前需要進(jìn)行標(biāo)記點(diǎn)處理（將盆子和植株都貼上特制的標(biāo)記物）。標(biāo)識(shí)點(diǎn)越多，掃描拼接的效果就越好。為了使盆栽小麥點(diǎn)云數(shù)據(jù)獲取完整，將掃描儀鏡頭與盆栽小麥植

株垂直方向的夾角調(diào)整到45°～60°，距離調(diào)整為 20～30 cm，掃描儀高度可上下適當(dāng)調(diào)節(jié)。為減小培養(yǎng)盆轉(zhuǎn)動(dòng)過(guò)程中葉片的抖動(dòng)對(duì)點(diǎn)云質(zhì)量的影響，將轉(zhuǎn)臺(tái)的轉(zhuǎn)速設(shè)置為10～12 s/圈，并且勻速旋轉(zhuǎn)。在點(diǎn)云處理軟件（Artec Studio Professional 14.0）支持下獲得小麥植株3D點(diǎn)云數(shù)據(jù)（同時(shí)具有顏色和紋理信息），并對(duì)植株的點(diǎn)云數(shù)據(jù)進(jìn)行處理和保存。

在小麥點(diǎn)云數(shù)據(jù)采集結(jié)束后，再手工測(cè)量植株高度、葉長(zhǎng)、葉寬等表型參數(shù)。實(shí)測(cè)植株高度為目標(biāo)植株的頂端到根基部的最短距離；實(shí)測(cè)葉長(zhǎng)為葉片拉直情況下葉尖到葉基的距離，葉寬為葉片的最大寬度；單葉面積的測(cè)定采用美國(guó)LI-COR公司的LI-3000C便攜式葉面積儀。以上數(shù)據(jù)用來(lái)驗(yàn)證重建模型表型參數(shù)的提取效果。

1.4" 3D點(diǎn)云數(shù)據(jù)的處理

1.4.1" 點(diǎn)云去噪

采用Space Spider掃描小麥植株時(shí)，為了防止數(shù)據(jù)缺失，需要進(jìn)行多次掃描。但多次掃描會(huì)使部分點(diǎn)云重疊，且點(diǎn)云還包含來(lái)自相鄰葉片反射形成的冗余信息、掃描時(shí)轉(zhuǎn)臺(tái)的抖動(dòng)造成的噪聲點(diǎn)以及自然環(huán)境中光照不均勻等因素帶來(lái)的影響，故需進(jìn)行濾波預(yù)處理，將噪聲點(diǎn)、離群點(diǎn)等去除，獲得相對(duì)較為平滑的稠密點(diǎn)云。本研究采用不規(guī)則三角網(wǎng)加密法進(jìn)行點(diǎn)云去噪［15］。

為了提取植株表型參數(shù)，需要分離出單株點(diǎn)云。由于受光線、空氣流動(dòng)等因素的影響，掃描獲取的點(diǎn)云數(shù)據(jù)中或多或少地存在噪聲點(diǎn)，需要使用相應(yīng)的工具軟件去除噪聲點(diǎn)。同時(shí)3D掃描儀獲取的點(diǎn)云密度大而且空間分布不規(guī)則，直接處理的過(guò)程較為復(fù)雜。因此需對(duì)獲取后的3D點(diǎn)云數(shù)據(jù)進(jìn)行重采樣處理。處理后的葉片點(diǎn)間距約0.3 mm，每張葉片包含3 000～6 000個(gè)點(diǎn)。

1.4.2" 點(diǎn)云配準(zhǔn)

點(diǎn)云配準(zhǔn)是將激光掃描得到的不同位點(diǎn)的原始3D點(diǎn)云配準(zhǔn)到同一參考系下。采用不同方法進(jìn)行配準(zhǔn)，最后的精度也不同，結(jié)果也會(huì)影響到3D模型的重構(gòu)精度。目前常用的算法是迭代最近點(diǎn)（iterative closest point，ICP）算法，該算法通過(guò)尋找2組點(diǎn)云之間對(duì)應(yīng)點(diǎn)的數(shù)據(jù)對(duì)集，通過(guò)不斷迭代后查找目標(biāo)點(diǎn)云和源點(diǎn)云之間的匹配關(guān)系，從而實(shí)現(xiàn)最終的點(diǎn)云配準(zhǔn)［16-17］。本研究采用配套的軟件Artec Studio Professional 14.0完成點(diǎn)云配準(zhǔn)。

1.5" 植株表型參數(shù)提取

1.5.1" 株高參數(shù)獲取

在對(duì)盆栽小麥3D掃描前，先要進(jìn)行標(biāo)識(shí)。一般是在植株前放置一塊白色標(biāo)記牌（長(zhǎng)寬值固定），掃描后根據(jù)標(biāo)記牌的尺寸換算得到植株不同器官的實(shí)際尺寸。本研究將3D點(diǎn)云中植株最高點(diǎn)到莖基部的垂直距離定義為株高。由于單株點(diǎn)云坐標(biāo)已經(jīng)校正，即可以通過(guò)以下方法估算株高（H）［3］：

H=Zmax-Zmin。（1）

式中：Zmax和Zmin分別為單株點(diǎn)云中最高點(diǎn)和最低點(diǎn)的Z軸坐標(biāo)。

1.5.2" 葉片參數(shù)獲取

根據(jù)重建后的3D點(diǎn)云，首先分割出單張葉片，之后確定每張葉片的葉基點(diǎn)和葉尖點(diǎn)。在3D空間以葉基點(diǎn)為原點(diǎn)，將葉尖點(diǎn)旋轉(zhuǎn)到X軸正方向，以葉片中脈為基準(zhǔn)，實(shí)現(xiàn)3D到二維的轉(zhuǎn)換，然后利用工具軟件提取葉片長(zhǎng)度和葉片最大寬度（均為葉片骨架上3D點(diǎn)云的歐氏距離之和）。在提取葉片表型參數(shù)的過(guò)程中，需要使用葉片三角網(wǎng)模型，該模型將3D點(diǎn)云中葉片細(xì)分到最小的三角網(wǎng)格，組合后就可以提取出葉片骨架。三角網(wǎng)模型的建立和葉片骨架的提取均可通過(guò)相應(yīng)的工具軟件實(shí)現(xiàn)［11］。

2" 結(jié)果與分析

2.1" 小麥葉片點(diǎn)云去噪效果

掃描后形成的小麥植株3D點(diǎn)云存在許多噪聲點(diǎn)，葉片邊緣處尤為明顯，無(wú)論是稠密點(diǎn)云還是經(jīng)優(yōu)化后的稀疏點(diǎn)云，都存在這種情況（圖2）。圖2為葉片點(diǎn)云圖像放大后的效果，由圖3可知，在葉片邊緣處有許多偏離主體數(shù)據(jù)的噪聲點(diǎn)，這些噪聲點(diǎn)分布在葉片兩側(cè)，有些偏離較遠(yuǎn)，這類噪聲點(diǎn)過(guò)多會(huì)影響整體重建的效果。

圖3為葉片點(diǎn)云去噪前后的效果對(duì)比，由圖可知，去噪前葉片邊緣不清晰，局部形成鋸齒狀，數(shù)據(jù)分布不均。去噪后葉片邊緣清晰，數(shù)據(jù)分布均勻，整體效果較好。

2.2" 基于點(diǎn)云的3D重建結(jié)果

對(duì)獲取的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理和重采樣后，獲

得盆栽小麥植株的3D結(jié)果。圖4和圖5分別為小麥植株3葉期和4葉期3D重建效果（分別為1、2、3、4株/盆）。由于小麥苗期葉片葉尖部位較為細(xì)長(zhǎng)以及儀器精度等原因，難以提取其點(diǎn)云信息，故3D重建后的結(jié)構(gòu)中缺失部分葉尖部位。由圖4可知，基于激光掃描的3D重建模型，植株形態(tài)結(jié)構(gòu)較為清晰，且植株的顏色信息也較為明顯。進(jìn)一步觀察發(fā)現(xiàn)，植株不同部位（包括花盆和土壤）的紋理信息也有所差異。表明通過(guò)激光掃描的方法可以很好地進(jìn)行植株的3D重構(gòu)，也能對(duì)植株的生長(zhǎng)信息進(jìn)行有效的展現(xiàn)。

2.3" 表型參數(shù)提取結(jié)果

研究基于掃描數(shù)據(jù)構(gòu)建的植株3D模型進(jìn)行表型參數(shù)的提取，提取后的株高、葉長(zhǎng)、葉寬和葉面積分別與實(shí)測(cè)值進(jìn)行比較。由圖6可知，3D模型提取結(jié)果與手工測(cè)量結(jié)果有很好的一致性，r2均在0.82及以上，均方根誤差（RMSE）均較小。其中株高的r2為0.95，RMSE為1.18 cm；葉長(zhǎng)的r2為0.95，RMSE為0.73 cm；葉寬的r2為0.82，RMSE為 0.05 cm；葉面積的r2為0.91，RMSE為0.54 cm2，皆表明此方法在提取小麥葉片的長(zhǎng)、寬以及株高等表型參數(shù)時(shí)效果較好。同時(shí)，雖然株高的提取值與實(shí)測(cè)值一致性較好，但提取值普遍較實(shí)測(cè)值低，這

可能與盆內(nèi)土壤不平整、基部位置不穩(wěn)定有關(guān)。

3" 討論

植株形態(tài)3D重構(gòu)可為表型信息獲取提供便捷的途徑［3，11］。無(wú)論采用傳統(tǒng)的深度相機(jī)還是發(fā)展迅速的激光雷達(dá)，都需要對(duì)研究對(duì)象的3D點(diǎn)云進(jìn)行處理， 從而提高3D重建的精度［18-19］。本研究根據(jù)作

物栽培及育種進(jìn)程中急需解決的表型信息獲取等問(wèn)題，探索了利用高精度激光掃描儀獲取盆栽小麥植株3D點(diǎn)云并進(jìn)行3D形態(tài)重構(gòu)的過(guò)程。本研究利用超高精度的3D激光掃描儀，在實(shí)驗(yàn)室內(nèi)獲取小麥個(gè)體和群體植株3D點(diǎn)云數(shù)據(jù)，并進(jìn)行點(diǎn)云數(shù)據(jù)預(yù)處理，構(gòu)建小麥植株3D結(jié)構(gòu)模型。研究基于掃描數(shù)據(jù)構(gòu)建的植株3D模型進(jìn)行表型參數(shù)的提取，對(duì)提取后的植株株高、葉長(zhǎng)、葉寬和葉面積等數(shù)據(jù)分別與實(shí)測(cè)值進(jìn)行了比較，3D模型提取結(jié)果與手工測(cè)量結(jié)果有很好的一致性，小麥3D模型提取的小麥植株葉面積、葉長(zhǎng)、葉寬、株高與實(shí)測(cè)值的r2分別為0.91、0.95、0.82、0.95，相關(guān)性均達(dá)到極顯著水平，RMSE較小，分別為0.54 cm2、0.73 cm、0.05 cm 和1.18 cm。上述研究結(jié)果表明，基于3D點(diǎn)云數(shù)據(jù)提取的小麥表型參數(shù)與實(shí)測(cè)值較為接近，結(jié)果可靠，為小麥生長(zhǎng)監(jiān)測(cè)和表型數(shù)據(jù)獲取等提供了一種新的方法，此方法能夠較為準(zhǔn)確地提取小麥植株葉片的長(zhǎng)、寬以及株高等表型參數(shù)。

雖然激光掃描儀本身的精度較高，但在掃描過(guò)程中容易受到多種因素的干擾而造成精度下降，比如掃描儀的位置、支架的穩(wěn)定性、載物臺(tái)的轉(zhuǎn)速以及光線的變化等。同時(shí)植株本身的特性對(duì)掃描結(jié)果也有影響，比如本研究中的小麥，由于在生長(zhǎng)前期，植株較矮，葉片較薄，相較于其他高大的植株，掃描后的3D點(diǎn)云數(shù)據(jù)容易缺失［20］。不過(guò)與傳統(tǒng)的表型數(shù)據(jù)獲取結(jié)果相比，激光掃描儀在解決了精度的影響因素后， 其批量性、無(wú)損性、快速性等優(yōu)勢(shì)還是比較明顯的。同時(shí)在獲取的植株3D點(diǎn)云數(shù)據(jù)中，除了研究對(duì)象的空間位置信息外，還包括顏色、紋理等生理生態(tài)信息，為植株多種表型參數(shù)的同步提取提供了可能。

目前開(kāi)展的作物3D重建研究中，研究對(duì)象不論是玉米、小麥還是油菜等，均存在多個(gè)生育時(shí)期［18-21］。不同類型的作物，3D點(diǎn)云獲取后的處理也不盡相同，即使是同一種作物，其不同生育時(shí)期也會(huì)有所差異。而本研究中的小麥，隨著生育進(jìn)程的發(fā)展，小麥植株間的遮擋會(huì)逐漸變得嚴(yán)重。雖然研究的時(shí)期為小麥生育前期，但由于此時(shí)葉片較為細(xì)小，且存在葉片扭曲、植株顏色較淺等因素的影響，導(dǎo)致葉片尖端、葉緣處的部分3D點(diǎn)云缺失，增加了3D重構(gòu)和表型參數(shù)提取的難度。本研究通過(guò)調(diào)整掃描儀位置和載物臺(tái)轉(zhuǎn)速等方法，獲取盆栽小麥植株個(gè)體、群體3D結(jié)構(gòu)，取得了較好的結(jié)果。未來(lái)隨著研究的不斷深入，基于精確的植株3D點(diǎn)云結(jié)構(gòu)，可以進(jìn)行作物株型解釋及作物冠層輻射傳輸?shù)脑u(píng)估，推動(dòng)作物育種相關(guān)技術(shù)的發(fā)展［3，22］。

本研究發(fā)現(xiàn)，在利用激光掃描儀進(jìn)行植株3D點(diǎn)云獲取時(shí)，如果群體植株間葉片有遮擋，那么位于冠層內(nèi)部和相鄰植株間葉片的重建效果就會(huì)不太理想，出現(xiàn)葉片重建缺失等情況。為了解決相應(yīng)的問(wèn)題，借鑒前人的研究，選擇呈半球形分布并結(jié)合局部加密的掃描方式，替代傳統(tǒng)的單面或者雙面掃描［3］。該方法雖然可以解決一部分遮擋的問(wèn)題，但仍存在一定的局限性。在后續(xù)的研究中，可以考慮多種傳感器相結(jié)合，獲取植株不同維度的信息，進(jìn)一步增加3D重構(gòu)的精度。

4" 結(jié)論

本研究以盆栽小麥作為研究對(duì)象，基于激光掃描的方法對(duì)不同生長(zhǎng)時(shí)期的小麥植株個(gè)體進(jìn)行了3D重建。掃描后對(duì)圖像進(jìn)行分割預(yù)處理，從而獲得僅含目標(biāo)植株的3D點(diǎn)云，進(jìn)而自動(dòng)提取了株高、葉長(zhǎng)、葉寬等表型參數(shù)，與實(shí)際測(cè)量結(jié)果的一致性較好，表明溫室環(huán)境下此方法可以滿足作物表型提取的精度要求。研究結(jié)果可為作物表型平臺(tái)構(gòu)建及參數(shù)高通量精準(zhǔn)獲取提供借鑒。

參考文獻(xiàn)：

［1］楊" 俊，丁" 峰，陳" 晨，等. 小麥生物量及產(chǎn)量與無(wú)人機(jī)圖像特征參數(shù)的相關(guān)性［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（23）：104-110.

［2］Mullan D J，Reynolds M P. Quantifying genetic effects of ground cover on soil water evaporation using digital imaging［J］. Functional Plant Biology，2010，37（8）：703-712.

［3］朱冰琳，劉扶桑，朱晉宇，等. 基于機(jī)器視覺(jué)的大田植株生長(zhǎng)動(dòng)態(tài)三維定量化研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（5）：256-262.

［4］肖順?lè)?，劉升平，李世娟，? 改進(jìn)區(qū)域增長(zhǎng)算法的植株多視圖幾何重建［J］. 中國(guó)農(nóng)業(yè)科學(xué)，2019，52（16）：2776-2786.

［5］Deery D，Jimenez-Berni J，Jones H，et al. Proximal remote sensing buggies and potential applications for field-based phenotyping［J］. Agronomy，2014，4（3）：349-379.

［6］Wang Y J，Wen W L，Wu S，et al. Maize plant phenotyping：comparing 3D laser scanning，multi-view stereo reconstruction，and 3D digitizing estimates［J］. Remote Sensing，2018，11（1）：1-17.

［7］楊" 樂(lè)，唐子宗，吳盼盼，等. 基于改進(jìn)L-系統(tǒng)的水稻根系建模方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：183-187.

［8］Xiong X，Yu L J，Yang W N，et al. A high-throughput stereo-imaging system for quantifying rape leaf traits during the seedling stage［J］. Plant Methods，2017，13：7.

［9］楊" 斯，高萬(wàn)林，米家奇，等. 基于RGB-D相機(jī)的蔬菜苗群體株高測(cè)量方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（增刊1）：128-135.

［10］Thapa S，Zhu F Y，Walia H，et al. A novel LiDAR-based instrument for high-throughput，3D measurement of morphological traits in maize and sorghum［J］. Sensors，2018，18（4）：1187.

［11］蘇" 偉，蔣坤萍，郭" 浩，等. 地基激光雷達(dá)提取大田玉米植株表型信息［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（10）：125-130.

［12］苗艷龍，彭" 程，高" 陽(yáng)，等. 基于地基激光雷達(dá)的玉米株高與莖粗自動(dòng)測(cè)量研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（增刊1）：43-50.

［13］Paulus S，Schumann H，Kuhlmann H，et al. High-precision laser scanning system for capturing 3D plant architecture and analysing growth of cereal plants［J］. Biosystems Engineering，2014，121：1-11.

［14］張" 漫，苗艷龍，仇瑞承，等. 基于車載三維激光雷達(dá)的玉米點(diǎn)云數(shù)據(jù)濾波算法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（4）：170-178.

［15］Rosell J R，Llorens J，Sanz R，et al. Obtaining the three-dimensional structure of tree orchards from remote 2D terrestrial LIDAR scanning［J］. Agricultural and Forest Meteorology，2009，149（9）：1505-1515.

［16］Celesti M，van der Tol C，Cogliati S，et al. Exploring the physiological information of sun-induced chlorophyll fluorescence through radiative transfer model inversion［J］. Remote Sensing of Environment，2018，215：97-108.

［17］趙明富，黃" 錚，宋" 濤，等. 融合采樣一致性和迭代最近點(diǎn)算法的點(diǎn)云配準(zhǔn)方法［J］. 激光雜志，2019，40（10）：45-50.

［18］朱" 超，苗" 騰，許童羽，等. 基于骨架和最優(yōu)傳輸距離的玉米點(diǎn)云莖葉分割和表型提?。跩］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，37（4）：188-198.

［19］徐勝勇，盧" 昆，潘禮禮，等. 基于RGB-D相機(jī)的油菜分枝三維重構(gòu)與角果識(shí)別定位［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（2）：21-27.

［20］郭慶華，吳芳芳，龐樹(shù)鑫，等. Crop 3D-基于激光雷達(dá)技術(shù)的作物高通量三維表型測(cè)量平臺(tái)［J］. 中國(guó)科學(xué)（生命科學(xué)），2016，46（10）：1210-1221.

［21］李玉超，張" 博，汪永剛，等. 基于多視角圖像的玉米三維重建及雙面配準(zhǔn)方法研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（8）：177-184.

［22］Khler P，Behrenfeld M J，Landgraf J，et al. Global retrievals of solar-induced chlorophyll fluorescence at red wavelengths with TROPOMI［J］. Geophysical Research Letters，2020，47（15）：1-10.