SPGrowing: an unsupervised individual plant segmentation pipeline from UAV-derived point clouds for high-throughput in-field maize phenotyping

方法

无人机CCO倾斜摄影点云、超点结构抽象、多源最短路径优化与茎心检测。

发现

SPGrowing分割OA达0.950，株高提取R²为0.975，可区分不同品种株型。

机会点

可将无监督分割迁移至其他密植作物，并结合时序点云开展动态株型与胁迫响应研究。

田间植物表型分析对于理解基因-环境互作和支持作物育种至关重要。基于无人机（UAV）摄影测量虽可实现高通量三维（3D）感知，但由于形态复杂、叶片遮挡和冠层结构动态变化，对玉米等密植作物的精准单株分析仍具挑战性。为解决这些问题，本研究开发了一套基于无人机点云的端到端表型分析流程，涵盖交叉环绕倾斜（CCO）飞行采样、点云重建与预处理、单株分割和性状提取，并将其应用于多个玉米品种（ZD 958、SKT 1506、SBR）、生长阶段（V3–R2）和种植间距（0.4–0.8 m）。该流程的核心是提出了一种无监督单株分割算法（SPGrowing），该算法融合了基于地面投影密度分析的茎秆核心检测、基于超点的结构抽象以实现高效均质分区表示，以及引入以茎秆为中心的生长模式作为拓扑约束的多源最短路径优化。验证结果表明，SPGrowing始终优于现有分割基准，在点级别达到0.950的总体精度（OA）和0.898的平均交并比（mIoU），在对象级别达到0.949的AP 50。提取的单株性状与人工测量高度吻合，株高的平均绝对误差（MAE）为0.068 m，决定系数（R²）为0.975。进一步分析了不同品种和生长阶段的多维构型性状，包括株高、冠层体积和高宽比，揭示了不同品种间显著的构型差异。本研究为田间条件下获取细粒度表型数据提供了一种可扩展工具，为精准田间管理和育种提供了有价值的数据支持。源代码和数据集可在https://github.com/Joyar546/SPGrowing.git获取。