李百明 ，吳 茜 ，吳 劼 ，張美娜 ，李華勇 ，于 堃 ，曹 靜 ,,5，張偉欣 ，曹宏鑫 ，張文宇 ,,5※

（1. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院,鎮(zhèn)江 212013；2. 江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,南京 210014；3. 南京農(nóng)業(yè)大學(xué)前沿交叉研究院植物表型組學(xué)研究中心,南京 210095；4. 江蘇省農(nóng)業(yè)科學(xué)院種質(zhì)資源與生物技術(shù)研究所,南京 210014；5. 江蘇省農(nóng)業(yè)科學(xué)院無錫分院/無錫市農(nóng)業(yè)科學(xué)院,無錫 214174）

0 引言

培育抗逆、高效的作物品種是實(shí)現(xiàn)作物高產(chǎn)與資源高效利用的保障[1-2]。大規(guī)模平行測(cè)序技術(shù)的發(fā)展使作物基因組數(shù)據(jù)迅速增長[3]，作物表型信息的系統(tǒng)性收集轉(zhuǎn)而成為遺傳育種研究的主要限制因素之一[4]。研發(fā)高通量作物表型信息獲取和分析技術(shù)，及時(shí)、準(zhǔn)確、經(jīng)濟(jì)、動(dòng)態(tài)地采集作物表型信息，對(duì)高效篩選作物表型性狀、揭示基因-表型-環(huán)境關(guān)系及提高作物育種效率具有重要意義[5-6]。

三維數(shù)據(jù)采集技術(shù)是數(shù)字化感知植物形態(tài)結(jié)構(gòu)的有效方法[7]，利用該技術(shù)獲取植株三維點(diǎn)云可為定量提取作物表型參數(shù)提供精確空間結(jié)構(gòu)信息。目前，已有3D激光雷達(dá)[8-9]和激光掃描[10-11]等一系列非接觸式三維數(shù)據(jù)采集技術(shù)應(yīng)用于作物表型分析。然而，受限的操作環(huán)境、較長的成像時(shí)間和高昂的設(shè)備價(jià)格限制了這些技術(shù)在規(guī)模化、高通量作物表型分析上的廣泛應(yīng)用。隨著多源圖像處理技術(shù)的發(fā)展，基于立體視覺的三維重建為植物三維信息采集提供了一種高效、精確且低成本的方法[12]。從運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（structure from motion，SFM）與多視角立體視覺（multi-view stereo，MVS）結(jié)合，可生成包含較多信息的稠密三維點(diǎn)云，該方法具有成本低、通用性強(qiáng)、數(shù)據(jù)獲取方便、環(huán)境限制小，且同時(shí)包含稠密點(diǎn)云和色彩紋理信息等優(yōu)點(diǎn)[13]，已成功應(yīng)用于高通量作物表型研究[14-19]。

基于SFM-MVS 算法生成高質(zhì)量三維點(diǎn)云通常需要數(shù)百張不同視角的圖像，但人工獲取多視角圖像費(fèi)時(shí)費(fèi)力[14]，且很難精確控制相鄰圖像成像視角，夾角過大或重疊度較低均易導(dǎo)致三維重建失敗。為實(shí)現(xiàn)自動(dòng)、高效、精確的植物三維重建及表型解析，已有學(xué)者開始針對(duì)不同研究對(duì)象設(shè)計(jì)植物多視角圖像自動(dòng)采集系統(tǒng)[14,20-23]。圖像自動(dòng)采集系統(tǒng)的研發(fā)有效提高了多視角圖像采集效率，顯著降低了圖像采集的時(shí)間和人力成本，使高通量作物表型信息系統(tǒng)性收集成為可能[14]；同時(shí)，此類成像系統(tǒng)通過精確控制成像視角，很大程度上避免了三維重建失敗的情況。

已有圖像自動(dòng)采集系統(tǒng)采用了不同的成像模式。模式1 為環(huán)繞植株在多個(gè)不同視角布置相機(jī)，成像時(shí)植株和相機(jī)保持不動(dòng)[20]；該種裝置具有較高的成像效率，但布置數(shù)量極多的相機(jī)導(dǎo)致裝備成本明顯增加。模式2 是采用相機(jī)和旋轉(zhuǎn)臺(tái)相結(jié)合的方式[14,21-22]，即固定相機(jī)不動(dòng)植株旋轉(zhuǎn)，或固定植株不動(dòng)相機(jī)旋轉(zhuǎn)；此種裝置成像效率較高，且通過使用旋轉(zhuǎn)臺(tái)降低了相機(jī)數(shù)量和設(shè)備成本，是最受學(xué)者歡迎的成像模式。目前，此類裝置大多布置個(gè)數(shù)較少的相機(jī)（2～3 個(gè)）以控制構(gòu)建成本[14,21-22]，然而，有限的成像視角僅適用于形態(tài)結(jié)構(gòu)較為簡(jiǎn)單的植株，對(duì)于結(jié)構(gòu)復(fù)雜、枝葉繁密的植株則因難以捕獲全面、豐富的信息而導(dǎo)致三維點(diǎn)云重建細(xì)節(jié)缺失。為進(jìn)一步提升結(jié)構(gòu)復(fù)雜植株（如成熟期枝葉繁密的作物地上部和細(xì)密的根系）的三維重建精度，研究學(xué)者們?cè)谠O(shè)計(jì)成像系統(tǒng)時(shí)增加了相機(jī)個(gè)數(shù)（10～12 個(gè)）以獲得更詳細(xì)、全面、豐富的三維信息[24-25]，基于此類裝置捕獲的多視角圖像可有效實(shí)現(xiàn)復(fù)雜植株三維點(diǎn)云的高細(xì)節(jié)重建；然而，參與重建的圖像數(shù)量越多，所需的重建時(shí)間越長[16]。

不同作物的形態(tài)結(jié)構(gòu)差異明顯，且植物結(jié)構(gòu)的復(fù)雜性會(huì)隨生命周期從營養(yǎng)階段至生殖階段發(fā)生很大變化。已有圖像自動(dòng)采集系統(tǒng)尚未在相機(jī)個(gè)數(shù)、構(gòu)建成本、重建效率、重建精度以及適用植株復(fù)雜程度上取得很好的平衡。為實(shí)現(xiàn)高通量、低成本、自動(dòng)化、高效化作物表型分析，本研究基于自主研發(fā)的多視角圖像自動(dòng)采集系統(tǒng)，針對(duì)不同種類作物、不同生育時(shí)期、不同植株部位（地上部和根系），按照不同策略重建作物三維點(diǎn)云模型，通過三維點(diǎn)云重建精度和效率評(píng)估，尋找平衡設(shè)備成本（相機(jī)數(shù)量）、時(shí)間成本（重建時(shí)間）和重建精度的最優(yōu)重建策略，以期為高通量作物三維數(shù)據(jù)高效獲取提供參考。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2020—2022 年在江蘇省農(nóng)業(yè)科學(xué)院本部實(shí)驗(yàn)農(nóng)場(chǎng)（32.03° N，118.87° E）進(jìn)行。選取盆栽棉花、水稻、小麥和油菜的地上部以及桶栽玉米、油菜的根系作為試驗(yàn)對(duì)象；其中，棉花選擇花鈴期植株，水稻選擇抽穗期和成熟期植株，小麥選擇分蘗期、拔節(jié)期和灌漿期植株，油菜選擇苗期、蕾薹期、開花期和角果發(fā)育成熟期植株；油菜和玉米根系選擇成熟期植株。對(duì)于以根系為觀測(cè)對(duì)象的桶栽玉米和油菜，采用根系結(jié)構(gòu)支撐網(wǎng)架支撐根系生長的栽培方式[25]。每個(gè)處理3 次重復(fù)。

1.2 多視角圖像采集

采用自主構(gòu)建的適用于作物全生育期的多視角圖像自動(dòng)采集系統(tǒng)[25-26]采集多視角圖像（圖1）。圖像自動(dòng)采集系統(tǒng)主體由旋轉(zhuǎn)臺(tái)、成像臂和黑色背景板組成；成像臂由圓弧架及垂直臂組成，圓弧架間隔10°裝載相機(jī)1 臺(tái)，垂直臂間隔15 cm 裝載相機(jī)1 臺(tái)；黑色背景板安裝于成像臂對(duì)面。成像時(shí)，將待測(cè)植株置于旋轉(zhuǎn)臺(tái)，調(diào)節(jié)所有相機(jī)鏡頭指向植株中心，通過旋轉(zhuǎn)臺(tái)底部的伺服電機(jī)驅(qū)動(dòng)齒輪，控制回轉(zhuǎn)支撐帶動(dòng)成像臂圍繞待測(cè)植株勻速旋轉(zhuǎn)，每旋轉(zhuǎn)10°，控制所有相機(jī)同時(shí)對(duì)待測(cè)植株進(jìn)行自動(dòng)成像。該系統(tǒng)設(shè)置了豐富的相機(jī)成像視角，滿足對(duì)復(fù)雜作物形態(tài)的奈奎斯特定理（Nyquist theorem）采樣[24]，可獲取相對(duì)植株呈半球狀分布的、視角豐富的多視角圖像序列。

圖1 多視角圖像自動(dòng)采集系統(tǒng)Fig.1 The multi-view automatic imaging acquisition system

1.3 三維點(diǎn)云重建

針對(duì)不同作物、不同生育時(shí)期植株，分別采用不同視角、不同個(gè)數(shù)相機(jī)（表1）獲取的多視角圖像序列，基于SFM-MVS 算法重建植株三維點(diǎn)云，并記錄所需重建時(shí)間（重建時(shí)長=稀疏點(diǎn)云重建時(shí)間+密集點(diǎn)云重建時(shí)間）。

表1 不同重建策略Table 1 Different reconstruction strategies

不同重建策略（表1）按照依次減少相機(jī)個(gè)數(shù)和增加相機(jī)間隔的原則進(jìn)行設(shè)計(jì)，且盡量選擇位置居中的相機(jī)，以確保單個(gè)相機(jī)采集的圖像視角盡可能覆蓋相鄰1～3 個(gè)相機(jī)的視角。由于NO.12 相機(jī)成像視角垂直向下，成像臂旋轉(zhuǎn)時(shí)其方位變化較小，NO.12 相機(jī)獲取的36 張俯視圖不能為提高植株高細(xì)節(jié)三維重建精度提供更多有效信息；在設(shè)計(jì)不同重建策略時(shí)，優(yōu)先選擇去掉NO.12相機(jī)，從NO.1～11 相機(jī)中等間隔選擇對(duì)應(yīng)個(gè)數(shù)相機(jī)。由于本研究涉及成熟期較高作物以及支撐網(wǎng)架上的根系，對(duì)于單個(gè)相機(jī)（策略1）的位置選擇偏向選擇側(cè)面視角相機(jī)。

按照不同重建策略（表1），將獲取的多視角圖像序列導(dǎo)入3DF Zephyr Aerial 軟件（V.4.530;3DFlow，維羅納，意大利）[27-28]；使用3DF Masquerade 去除黑色背景像素，以去除背景冗余信息，減少三維重建過程中錯(cuò)誤特征匹配以及傳輸?shù)皆诰€存儲(chǔ)的數(shù)據(jù)量，提高三維重建效率和準(zhǔn)確性（圖2）?；赟FM 算法，在多幅圖像中識(shí)別和匹配特征，恢復(fù)相機(jī)位置和方向，并生成具有3D 坐標(biāo)的稀疏三維點(diǎn)云；基于重建的稀疏點(diǎn)云，采用MVS 算法計(jì)算pixel-wise 損失函數(shù)，以重建圖像序列中每個(gè)圖像的視差圖（disparity maps），然后將像素反向投影到所有重疊的圖像，并進(jìn)行三角測(cè)量以生成稠密三維點(diǎn)云[29]。為去除噪聲和異常點(diǎn)，采用統(tǒng)計(jì)濾波去除置信閾值以下的點(diǎn)，獲得平滑的密集點(diǎn)云。通過花盆或根系支撐網(wǎng)架的尺寸將點(diǎn)云按照?qǐng)鼍皩?shí)際尺寸進(jìn)行縮放。最后，采用3DF Zephyr 軟件的點(diǎn)云選擇工具，基于RGB色彩自動(dòng)選擇并刪除栽培桶或黑色根系支撐網(wǎng)架的三維點(diǎn)云[18]，由此獲得作物個(gè)體植株地上部和根系三維點(diǎn)云。基于所有相機(jī)獲取的圖像序列重建三維點(diǎn)云，圖像視角和細(xì)節(jié)信息最豐富，可實(shí)現(xiàn)植株高細(xì)節(jié)三維點(diǎn)云高精度重建（圖2）。

圖2 作物三維點(diǎn)云重建流程Fig.2 Flow chart of 3D reconstruction for plant point cloud

1.4 重建精度評(píng)估和策略優(yōu)化

以采用全部相機(jī)重建的三維點(diǎn)云為參照，對(duì)采用不同策略重建的三維點(diǎn)云精度進(jìn)行評(píng)估。利用CouldCampare 軟件（Version 2.11.0；GPL 軟件）將兩個(gè)點(diǎn)云模型對(duì)齊到同一三維坐標(biāo)系（圖3）。以所有相機(jī)重建的點(diǎn)云模型為目標(biāo)對(duì)象，以不同策略重建的點(diǎn)云模型為活動(dòng)對(duì)象，在兩個(gè)模型中手動(dòng)選取至少三對(duì)特征點(diǎn)，在adjust scale 和auto update zoom 模式下對(duì)齊兩個(gè)實(shí)體。然后采用ICP 算法（iterative closest point，迭代最近點(diǎn)）[30-31]進(jìn)行精準(zhǔn)匹配。對(duì)齊兩個(gè)點(diǎn)云模型后，按照式（1）～（3）計(jì)算重建點(diǎn)云和參照點(diǎn)云模型之間的Hausdorff（豪斯多夫）距離H(A,B)：式中H(A,B)為重建點(diǎn)云集合A={a1,…,ap}和參照點(diǎn)云集合B={b1,…,bp}之間的雙向Hausdorff 距離，‖·‖是點(diǎn)集A和點(diǎn)集B間的距離范式，h(A,B)和h(B,A)分別為從A集合到B集合以及從B集合到A集合的單向Hausdorff 距離，即h(A,B)首先對(duì)點(diǎn)集A中的每個(gè)點(diǎn)ai到距離此點(diǎn)最近的B集合中的點(diǎn)bj之間的距離‖ai-bj‖進(jìn)行排序，然后取該距離中的最大值作為h(A,B)；h(B,A)同理。通過花盆或根系支撐網(wǎng)架的實(shí)際尺寸將Hausdorff 距離按照?qǐng)鼍皩?shí)際尺寸進(jìn)行換算?；贖ausdorff 距離對(duì)采用不同策略重建的三維點(diǎn)云進(jìn)行重建精度評(píng)估。

圖3 兩個(gè)點(diǎn)云模型間距離計(jì)算流程Fig.3 Workflow of the distance calculation between two point clouds models

綜合考慮點(diǎn)云重建效率（重建時(shí)長）和重建精度（Hausdorff 距離），優(yōu)化針對(duì)不同生育時(shí)期、不同作物的三維點(diǎn)云重建策略。重建效率和精度的量綱和單位不同，為便于兩個(gè)指標(biāo)進(jìn)行加權(quán)對(duì)比，通過歸一化無量綱處理，將重建時(shí)長和Hausdorff 距離轉(zhuǎn)變?yōu)橄鄬?duì)值關(guān)系，重建時(shí)長和Hausdorff 距離歸一化值之和即綜合考慮和平衡了重建效率和重建精度兩個(gè)因素；歸一化值之和最小的重建策略即具有最高重建精度和效率的策略。最優(yōu)重建策略優(yōu)選標(biāo)準(zhǔn)為：在滿足精度要求的前提下（Hausdorff距離小于0.20 cm[32]），優(yōu)選重建時(shí)長歸一化值和Hausdorff距離歸一化值之和最小的重建策略；如無滿足Hausdorff距離小于0.20 cm 的重建策略，則優(yōu)選Hausdorff 距離最接近0.20 cm 的重建策略。

1.5 表型參數(shù)提取和精度評(píng)估

將采用不同策略重建的三維點(diǎn)云導(dǎo)入Meshlab（Version 2021）[33]提取植株高度、寬度、凸包體積和總表面積。采用泊松圓盤采樣（Poisson-disk sampling）對(duì)三維點(diǎn)云進(jìn)行下采樣（顯式半徑explicit radius=0.5,蒙特卡洛過采樣MonteCarlo oversampling=20[34]）。采用滾球法（ball pivoting）基于下采樣點(diǎn)云模型重建三維網(wǎng)格模型（默認(rèn)設(shè)置）[35]。通過孔洞填補(bǔ)（close holes,填補(bǔ)的最大尺寸max size to be closed=50）修補(bǔ)三維網(wǎng)格模型中的孔洞?；谥亟ǖ娜S點(diǎn)云計(jì)算植株高度和最大寬度（圖4a）；基于三維模型擬合凸包（convex hull）并計(jì)算凸包體積（convex hull volume）（圖4b）；基于生成的三維網(wǎng)格模型計(jì)算植株的總表面積（圖4c）。

圖4 表型參數(shù)提取Fig.4 Workflow of extracting phenotypic parameters

對(duì)提取的表型參數(shù)，采用R 語言進(jìn)行統(tǒng)計(jì)分析，估測(cè)值和參照值的關(guān)系通過式4～6 用決定系數(shù)（R2）、均方根誤差RMSE（root mean square error）和相對(duì)均方根誤差RRMSE（relative root mean square error）進(jìn)行評(píng)估：

式中Pi和REi分別為第i個(gè)估測(cè)值和參照值；Pavg和REavg分別為估測(cè)值和參照值的平均值；n為估測(cè)值或參照值的個(gè)數(shù)。

2 結(jié)果與分析

2.1 三維點(diǎn)云重建結(jié)果

采用自主研發(fā)的圖像自動(dòng)采集系統(tǒng)能夠高效獲取不同作物、不同生育時(shí)期植株多視角圖像序列（成像效率3 min/株）。基于SFM-MVS 算法可實(shí)現(xiàn)不同作物地上部和根系三維點(diǎn)云高效重建（圖5）。基于該方法重建的不同作物、不同生育時(shí)期植株三維點(diǎn)云模型均能很好地還原植株真實(shí)的三維形態(tài)。

圖5 不同作物不同生育時(shí)期植株三維重建效果Fig.5 Three-dimensional reconstruction of different crops at different growth stages

2.2 點(diǎn)云重建精度可視化評(píng)估

對(duì)于不同作物、不同生育時(shí)期植株，基于Hausdorff距離，對(duì)采用不同策略重建的三維點(diǎn)云重建精度進(jìn)行可視化（圖6）。結(jié)果顯示，代表重建精度高的藍(lán)綠色區(qū)域較多，代表重建精度低的紅色區(qū)域較少；采用相機(jī)個(gè)數(shù)越小，紅色區(qū)域越多。

圖6 采用不同重建策略的不同作物不同生育時(shí)期植株三維點(diǎn)云重建精度可視化Fig.6 Visualization of 3D point cloud reconstruction precision of different crops at different growth stages using different reconstruction strategies

對(duì)于成熟期棉花（圖6 A），重建精度較低的紅色區(qū)域主要分布在頂部生長較為密集的葉片上，采用3～6個(gè)相機(jī)可有效減少紅色區(qū)域。對(duì)于水稻（圖6 B），紅色區(qū)域主要分布在植株邊緣細(xì)長的葉尖以及葉片生長密集且遮擋嚴(yán)重的區(qū)域（尤其成熟期水稻），采用6 個(gè)相機(jī)可有效減少紅色區(qū)域。對(duì)于小麥（圖6 C），紅色區(qū)域主要分布在植株邊緣細(xì)長的葉尖、與土壤接觸的區(qū)域以及麥芒上，采用6 個(gè)相機(jī)可有效減少紅色區(qū)域。對(duì)于油菜（圖6 D），紅色區(qū)域主要分布在生長密集且遮擋重疊嚴(yán)重的葉片、低層葉片背面、與土壤接觸的區(qū)域以及結(jié)構(gòu)細(xì)長且生長繁密的角果上，對(duì)于苗期和盛花期油菜，采用6 個(gè)相機(jī)可有效減少紅色區(qū)域；對(duì)于蕾薹期和角果成熟期，采用10 個(gè)相機(jī)可有效減少紅色區(qū)域。對(duì)于根系（圖6 E），紅色區(qū)域主要分布在生長密集且遮擋重疊嚴(yán)重的根系密集區(qū)以及極細(xì)的深層單條根系上，采用相機(jī)個(gè)數(shù)越多，紅色分布區(qū)域越少。

綜合分析，對(duì)于具有較寬大偏平葉片結(jié)構(gòu)的作物，重建精度較低的區(qū)域主要集中在葉片生長密集且相互重疊嚴(yán)重的區(qū)域，當(dāng)采集的圖像視角不夠豐富時(shí)，相互遮擋的葉片信息被掩蔽，通過增加成像視角可有效提高重建精度；對(duì)于具有細(xì)長結(jié)構(gòu)的葉片、麥芒或角果等器官，由于相機(jī)捕獲此類細(xì)長結(jié)構(gòu)（尤其葉尖和麥芒）像素點(diǎn)較少，三維重建時(shí)易丟失此類信息，增加相機(jī)成像視角和參與重建的圖像數(shù)量能增強(qiáng)此類特征點(diǎn)參與到重建中的概率，可有效提高此類細(xì)節(jié)信息的重建精度。

2.3 點(diǎn)云重建精度定量化評(píng)估

對(duì)于不同作物、不同生育時(shí)期植株，分別對(duì)采用不同策略的三維點(diǎn)云重建精度進(jìn)行定量化評(píng)估。隨著參與重建的相機(jī)個(gè)數(shù)增加，Hausdorff 距離整體呈現(xiàn)減小趨勢(shì)（圖7）。對(duì)于花鈴期棉花（圖7a），相機(jī)數(shù)從1～2 個(gè)增加到3～4 個(gè)，Hausdorff 距離減少幅度較大，從4 個(gè)增加到10 個(gè)，Hausdorff 距離減少幅度降低。對(duì)于水稻（圖7b），相比抽穗期植株，成熟期植株重建精度較低；成熟期水稻Hausdorff 距離隨相機(jī)數(shù)增加而減小的幅度高于抽穗期水稻，說明相機(jī)數(shù)增加對(duì)提升成熟期水稻重建精度效果明顯。對(duì)于小麥（圖7c），拔節(jié)期和灌漿期植株Hausdorff 距離隨相機(jī)數(shù)增加而減小幅度高于分蘗期，說明采用更多的相機(jī)對(duì)拔節(jié)期和灌漿期植株重建精度提升有更明顯的效果；此外，分蘗期植株重建精度整體低于拔節(jié)期和灌漿期，其原因可能是分蘗期小麥較小，圖像中捕獲植株像素點(diǎn)較少，當(dāng)采用較少相機(jī)獲取的圖像重建三維點(diǎn)云時(shí)，容易丟失較多細(xì)節(jié)信息（如葉尖）。對(duì)于油菜（圖7d），相機(jī)數(shù)從1 個(gè)增加到3～4 個(gè)，Hausdorff 距離減少幅度較高；從6 個(gè)增加到10 個(gè)，Hausdorff 距離減少幅度較低；相比盛花期和蕾薹期植株，成熟期和苗期植株重建精度偏低，其原因可能是苗期葉片較為集中，相互之間的遮擋相比盛花期和蕾薹期大，而成熟期角果細(xì)長結(jié)構(gòu)相比寬大葉片被捕獲的像素點(diǎn)較少。對(duì)于根系（圖7e），油菜根系Hausdorff 距離隨相機(jī)數(shù)增加而減小幅度高于玉米根系；對(duì)于玉米根系，Hausdorff距離隨相機(jī)數(shù)增加而穩(wěn)步降低；對(duì)于油菜根系，相機(jī)數(shù)從2 個(gè)增加到4 個(gè)，Hausdorff 距離減少幅度較高，從6 個(gè)增加到10 個(gè)Hausdorff 距離減少幅度較低。

圖7 采用不同重建策略的不同作物不同生育時(shí)期植株三維點(diǎn)云重建精度定量化評(píng)估Fig.7 Quantitative evaluation of 3D point cloud reconstruction accuracy for different crops at different growth stages using different reconstruction strategies

綜合對(duì)比作物地上部和根系（圖7f），根系的重建精度整體低于地上部；隨著參與重建相機(jī)數(shù)增加，作物根系Hausdorff 距離減少幅度整體高于地上部，說明對(duì)于根系此類細(xì)長繁密、結(jié)構(gòu)復(fù)雜的待測(cè)目標(biāo)物，需要采用更多的相機(jī)獲得較豐富的三維圖像信息。綜合所有植株（圖7f），隨相機(jī)個(gè)數(shù)增加，平均Hausdorff 距離減小幅度從4 個(gè)相機(jī)開始變緩；從4 個(gè)相機(jī)增加到10 個(gè)相機(jī)，平均Hausdorff 距離從0.23 cm 降低至0.17 cm，說明Hausdorff 距離達(dá)到0.20 cm 左右時(shí)，精度可繼續(xù)提升空間變小。結(jié)合該研究結(jié)果和已報(bào)道研究結(jié)果（90%點(diǎn)云距離小于0.20 cm[32]），本研究限定平均Hausdorff 距離小于或接近0.20 cm 為三維點(diǎn)云重建的精度要求。

2.4 三維點(diǎn)云重建策略優(yōu)化

綜合考慮三維點(diǎn)云重建效率（重建時(shí)長）和精度（Hausdorff 距離），優(yōu)選針對(duì)不同作物、不同生育時(shí)期植株的最優(yōu)重建策略。以Hausdorff 距離小于或接近0.20 cm（優(yōu)先選擇距離小于0.20 cm 的策略，如無滿足條件的策略，優(yōu)先選擇距離最接近0.20 cm 的策略）（圖8），且重建時(shí)長歸一化值和Hausdorff 距離歸一化值之和最小為優(yōu)選標(biāo)準(zhǔn)（表2）。對(duì)于花鈴期棉花（圖8a，表2），采用6 個(gè)相機(jī)為最優(yōu)重建策略；對(duì)于水稻（圖8b，表2），采用6 個(gè)相機(jī)為抽穗期水稻最優(yōu)重建策略，采用10 個(gè)相機(jī)為成熟期水稻最優(yōu)重建策略；對(duì)于小麥（圖8c，表2），采用10 個(gè)相機(jī)為分蘗期小麥最優(yōu)重建策略，采用6 個(gè)相機(jī)為拔節(jié)期和灌漿期小麥最優(yōu)重建策略；對(duì)于油菜（圖8d，表2），采用3 個(gè)相機(jī)為苗期、盛花期和成熟期油菜最優(yōu)重建策略，采用4 個(gè)相機(jī)為蕾薹期油菜最優(yōu)重建策略；對(duì)于根系（圖8e），采用10 個(gè)相機(jī)為油菜和玉米根系最優(yōu)重建策略。

表2 采用不同策略的不同作物不同生育時(shí)期植株重建時(shí)長和豪斯多夫距離歸一化值Table 2 Normalized values of plant reconstruction time and Hausdorff distance for different crops at different growth stages using different reconstruction strategies

圖8 采用不同重建策略的不同作物不同生育時(shí)期植株三維點(diǎn)云重建精度和效率評(píng)估Fig.8 A comprehensive evaluation of 3D point cloud reconstruction accuracy and efficiency for different crops at different growth stages using different reconstruction strategies

2.5 表型參數(shù)提取精度評(píng)估

為評(píng)估基于不同策略重建的三維模型提取表型參數(shù)的可靠性，將基于參照模型提取的表型參數(shù)（高度、寬度、凸包體積、總表面積）與基于不同策略重建模型提取的表型參數(shù)進(jìn)行比較（圖9）。結(jié)果顯示，采用的相機(jī)數(shù)越多，提取的表型參數(shù)越接近參照值（R2和線性回歸方程斜率越接近于1，RRMSE值越?。?。

圖9 基于參照模型與基于不同策略重建模型提取的表型參數(shù)相關(guān)性分析Fig.9 Correlation analysis between phenotypic parameters extracted from 3D models reconstructed based on different strategies and those extracted based on reference models

對(duì)于株高（圖9a），采用不少于2 個(gè)相機(jī)重建均可獲得較可靠的估測(cè)值，R2＞0.95，線性回歸方程斜率均接近1（斜率0.98～1.05），RMSE≤0.80 m 且RRMSE≤8.5%。對(duì)于幅寬（圖9b），采用不少于4 個(gè)相機(jī)重建均可獲得較可靠的估測(cè)值，R2＞0.90，線性回歸方程斜率大于0.80，RMSE≤0.50 m 且RRMSE≤9%。對(duì)于凸包體積（圖9c），采用不少于4 個(gè)相機(jī)重建均可獲得較可靠的估測(cè)值，R2＞0.99，線性回歸方程斜率大于0.90，RMSE≤16 m3且RRMSE≤9%。對(duì)于總表面積（圖9d），采用不少于4 個(gè)相機(jī)重建均可獲得較可靠的估測(cè)值，R2＞0.99，線性回歸方程斜率大于

0.90，RMSE≤3.1 m2且RRMSE≤3%。當(dāng)采用較少相機(jī)捕獲的圖像序列重建三維模型時(shí)，對(duì)株高提取準(zhǔn)確性的影響低于對(duì)幅寬、凸包體積和總表面積的影響，對(duì)成熟期作物表型參數(shù)提取準(zhǔn)確性的影響高于對(duì)苗期作物的影響。

3 結(jié)論

為滿足高通量植株表型分析需求，進(jìn)一步基于多視角自動(dòng)成像系統(tǒng)提升三維重建效率和精度，本文針對(duì)不同作物、不同生育時(shí)期、不同植株部位（地上部和根系），通過三維點(diǎn)云重建效率和精度定量化和可視化評(píng)估，以及基于不同三維模型提取的表型參數(shù)可靠性評(píng)價(jià)，尋找平衡設(shè)備成本、時(shí)間成本和重建精度的最優(yōu)三維重建策略。

對(duì)于苗期、蕾薹期、盛花期和成熟期油菜，采用3～4 個(gè)相機(jī)為最優(yōu)重建策略；對(duì)于抽穗期水稻、花鈴期棉花和拔節(jié)期、灌漿期小麥，采用6 個(gè)相機(jī)為最優(yōu)重建策略；對(duì)于分蘗期小麥、成熟期水稻、玉米根系和油菜根系，采用10 個(gè)相機(jī)為最優(yōu)重建策略。重建精度低的區(qū)域主要集中在葉片生長密集區(qū)以及具有細(xì)長結(jié)構(gòu)的葉片、麥芒、角果或根系等器官；增加成像視角和參與重建的圖像數(shù)量，可有效保留細(xì)節(jié)信息、提高重建精度，尤其對(duì)成熟期植株地上部以及結(jié)構(gòu)復(fù)雜的根系，重建精度提升效果顯著。采用不少于4 個(gè)相機(jī)獲取的圖像重建三維模型可獲取可靠的表型參數(shù)（決定系數(shù)R2＞0.90，相對(duì)均方根誤差RRMSE≤9%）。

本研究對(duì)實(shí)現(xiàn)作物表型信息高效獲取分析具有重要價(jià)值，但仍存在一些問題有待研究：自動(dòng)成像系統(tǒng)采用定焦鏡頭，在采集較小植株圖像時(shí)捕獲的植株像素點(diǎn)較少（如分蘗期小麥），升級(jí)成像系統(tǒng)鏡頭并根據(jù)植株大小調(diào)節(jié)焦距，是提升重建精度的有效手段；采用自動(dòng)成像系統(tǒng)獲取的圖像位置是已知的，加入成像位置信息約束三維重建，減少特征匹配所需的計(jì)算時(shí)間和計(jì)算量，可進(jìn)一步提升重建效率；本研究針對(duì)室內(nèi)單株盆栽植株開展，理論上該方法同樣適用于田間植株。為更貼近育種學(xué)家對(duì)大田作物表型測(cè)定的需求，改進(jìn)并構(gòu)建應(yīng)用于田間群體作物的自動(dòng)成像系統(tǒng)和三維重建策略，是未來研究方向之一。