准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,...准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。展开更多
文摘准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。
