基于MR展示柜的油菜表型數字化保存與展示

doi：10.15889/j.issn.1002-1302.2024.20.009

摘要：作物表型高效數字化保存和多維度展示，可為后續深入細致的表型研究提供高通量、高精度的表型數據和高保真、全方位的展現形式。以油菜（Brassica napus L.）為主要研究對象，通過多角度對比圖像、點云、3D模型和機理模型等多種表型數字化保存形式，選擇以多視角RGB圖像重建三維點云的方式數字化保存表型信息；在此基礎上，通過實施油菜桶栽試驗，利用自主研發的多視角表型采集裝置，獲取了不同生育期、不同角度的植株圖像數據，實現作物二維表型的快速保存；通過從運動恢復結構（SFM）算法重建三維點云，實現油菜三維表型的數字化保存。在此基礎上，利用計算機三維建模技術，構建3D模型，進而利用虛擬現實技術，構建表型展示環境，并通過集成MR展示柜，實現虛實結合的表型3D展示。結果表明，不同生育時期下的油菜表型均可通過二維圖像和三維點云實現數字化保存，通過MR技術實現虛實結合的數字化展示。研究結果可為表型差異展示提供直觀方案，為作物種質資源挖掘和創新利用、作物系統模擬和智慧育種提供數據支撐。

關鍵詞：作物表型；數字化保存；數字化展示；三維點云；MR技術；可視化

中圖分類號：S126" 文獻標志碼：A

文章編號：1002-1302（2024）20-0062-12

收稿日期：2024-07-15

基金項目：國家自然科學基金（編號：32201664、31871522、31601223）；江蘇省自然科學基金（編號：BK20200277）；江蘇省農業科技自主創新資金［編號：CX（21）2042］。

作者簡介：楊文依（1999—），女，河北唐山人，碩士研究生，主要從事作物表型數字化保存與展示研究。E-mail：1985096088@qq.com。

通信作者：陳青春，博士，副教授，從事作物精確栽培管理與資源高效利用研究，E-mail：124147519@qq.com；張文宇，博士，研究員，從事智慧農業關鍵技術研究，E-mail：research@wwery.cn。

近年來，隨著信息技術與現代農業的深度融合，智慧農業飛速發展，植物表型研究邁入組學時代［1］，依靠人工測量、紙筆記錄和手繪展示的傳統表型獲取、保存及呈現方式，效率低、誤差大、保存信息有限、展示不夠直觀，已經無法滿足當前智慧育種和智慧農作技術對作物表型信息無損、高效獲取、快速、準確、完整保存和實時、全方位展示的要求［2-4］。因此，作為表型研究的前提，利用信息化手段進行作物表型高效數字化保存和多維度展示，可為后續深入細致的表型研究提供高通量、高精度的表型數據和高保真、全方位的展現形式，對促進表型性狀參數快速獲取、作物育種智能化和作物栽培智慧無人化，以及農業科普教育等均具有重要意義［5-10］。

將表型或表型參數保存起來是作物表型研究的基礎，也是關鍵技術手段。傳統表型保存通常采用文字描述或手繪圖像的方式進行，計算機技術與農業的有機結合使作物表型研究跨入到數字化、可視化的階段［11］，通過三維數字化、光譜分析等技術，輔以智能算法分析圖像、聲波、反射率或點云等多種信息處理技術，對作物表型信息進行高通量、精準地獲取，大大提高了作物表型研究效率和準確性，為作物表型全方位展示和后續挖掘利用奠定了數據基礎［12-16］。相對于形態結構表型，理化和生理生態過程參數表型指標繁多，且非肉眼可見，往往需要通過光譜反演的方式間接獲得，目前難以全面、無損、準確地獲取。因此，本研究重點關注作物形態結構表型，目前可見光［17-19］、激光［20-22］、微波、電磁波等［23-24］數字化手段已在生產和科研上廣泛應用。

通過二維屏幕展示植物圖片是作物表型最直觀也是最原始的數字化展示形式。隨著虛擬植物、VR、MR、AR等技術的不斷發展，作物表型展示方式也從二維屏幕展示3D植物，發展到利用設備觀看3D圖像，再到目前的通過裸眼方式直接在3D空間展示表型信息，甚至可以通過操作界面和交互設備，基于肢體動作和眼神實現人機交互［25］，使用戶能夠身臨其境地感受展示內容，愈趨人性化、科技化、低成本化，互動性和沉浸體驗也逐步增強。

本研究基于團隊自主研發的多視角自動成像系統，以多角度高清作物圖像的方式快速保存作物二維表型數據，并利用SFM算法生成作物3D點云，實現作物三維表型的數字化保存。在此基礎上，采用三維模型構建引擎將點云數據逆向成三維模型，并開發3D展示軟件，結合MR展示柜，實現在虛擬場景下作物表型的保存和展示，為進一步研究作物表型參數智能化提取方法提供數據支撐和展示手段。

1" 作物表型數字化方法比較

目前，從存儲形式來分，作物表型數字化保存主要有基于圖像、點云、3D模型和機理模型等方法。

1.1" 基于圖像的方法

基于圖像的作物表型保存方法是一種利用RGB圖像記錄和保存作物表型特征的方法。該方法通常在不同的生育時期從不同的角度獲取作物的圖像，保存的圖像包含株高、葉面積、葉片形狀、葉色等各種表型特征，可通過后續提取表型特征參數加以分析和利用。

通過手機或相機即可完成作物的圖像采集，例如手機軟件RealityScan，在進行作物拍攝之后，可對圖像進行高效管理、儲存。另外，通過特定設備，以固定軌跡拍攝，圖像采集位置標準統一，往往效果更好。例如采用多視角自動成像裝備（圖1）［26］，可利用裝備多臺相機的機械臂，以360°進行全方位拍攝植株。

基于圖像數字化保存表型的成本主要包括購入多視角成像裝備、圖像處理軟件等。一般而言，成像裝備包含相機越多、相機成像質量越高、拍攝角度越密集，保存的表型信息就越完整，其成本也越高。對于不同的作物或同一作物不同生育時期，因冠層負責程度不同，可清晰成像所需的最低要求不同，針對復雜的植株場景，常選擇增加相機和拍攝角度的方法，與此同時也會相應增加設備復雜程度。

總體而言，基于圖像的作物表型保存方法相對簡單易行，甚至單人持手機即可實現，但受限于圖像的非穿透特性，僅適用于結構簡單、冠層內遮擋較少的作物。對于冠層內器官遮擋嚴重，且無法通過

不同角度觀測到的植物，也可保存外觀數據，但往往不足以支撐后續詳細表型參數提取和分析。雖然有這樣的限制，但由于其成本相對低廉，還是在水稻、小麥、油菜等作物表型數字化保存上得到了實際應用，經濟性表現良好［19］。

1.2" 基于點云的方法

不同于二維圖像，點云是空間中點的坐標集合，可保存植物器官和植株的三維表型信息，基于點云的作物表型數字化方法已成為一種重要的支撐表型量化分析和品種改良的技術手段。點云數據的獲取主要有間接和直接2種方式，間接的點云獲取常用多視角圖像三維重建技術，而直接的點云獲取通常基于三維掃描技術。多視角圖像三維重建技術通過SFM算法將多個視角的圖像序列融合成三維點云，理論上只需要有覆蓋作物表面的圖像即可完成重建。高精度的三維掃描技術，包括激光掃描、CT掃描等，這些技術均依賴于專門的設備。

雖然技術方案不同，但影響基于點云的作物表型數字化保存效率的因素比較類似，主要包括植株冠層的復雜程度、點云密度以及具體技術方案的選擇。其中技術選擇是最大的影響因素。圖像重建過程快慢取決于算法優化程度、設備算力和精度要求；激光掃描提供了快速且精確的點云數據采集，掃描時間取決于設備性能；CT掃描提供了最高級別的細節、精度和穿透性，可以輕松獲取植株內部結構信息，通常低通量掃描和醫學CT時長相當，但高通量掃描也需要較長的時間以獲取高精度數據。

從成本角度看，通過圖像重建點云的方式成本來源于圖像獲取設備、重建算法和計算資源，相對而言成本最低，一般以萬元或者十幾萬元計；激光掃描設備的價格通常遠遠高于普通相機，不論是激光雷達還是激光掃描儀，隨著精度、有效距離的提升和誤差的降低，價格上升較快，一般能用于作物表型保存的設備往往要幾十萬元起步；CT是目前以點云方式保存表型所需設備中成本最高的，往往以百萬元計。

總體而言，較之基于圖像的方式，點云因其可以保存三維表型，保存信息和應用場景更豐富，但成本也更高。相對而言，基于多視角圖像序列重建點云的方式對設備的要求最低，可以通過獲取更多角度的更高清晰度的照片來提升表型保存精度，且同時保存了原始圖片數據，是室內盆栽作物表型數字化保存較優的選擇；激光掃描方式因激光方向性好、亮度高的特性，在大范圍快速掃描時具有較高的精度，適用于室外大尺度表型獲取；CT掃描的穿透性，使其成為作物內部表型獲取的不二選擇，但其超高的價格和安全性限制了大范圍應用推廣。

1.3" 基于3D模型的方法

相比離散的點云，3D模型更方便后續的表型參數提取，也可以通過貼圖和材質等后期加工，實現逼真的展示效果。除根據實物或影像手工三維建模外，通常用點云逆向建模或三維掃描技術實現作物3D建模。

以高精度的3D點云為基礎，通過逆向工程擬合三維模型，是激光掃描儀、激光雷達等設備生產三維實體的常用方式。不論是通過圖像三維重建還是儀器設備直接獲取的三維點云（圖2），一般都需要通過初始網格重建、網格優化、紋理貼圖等技術將點云融合成三維模型，從而完成三維模型的重建。通過不斷迭代升級，此技術構建作物三維模型的效果很好，不同的點云密度和三維結構復雜程度所需的重建時常差異較大，通常單株油菜的重建時長在30～60 min以內。

基于多視角立體視覺的三維重建技術在軟件操作流程上有著多元化的選擇。而基于激光雷達或激光掃描儀獲取點云進而重建3D模型的方式所用軟件一般由設備兼容的導出格式決定。因此，基于點云重建3D模型保存植物表型方法的成本相對較高，主要由于所需的高級成像設備和軟件的成本，這些軟件往往是比較昂貴的商業軟件。

目前，不少儀器設備，特別是采用結構光掃描技術的設備，可以直接輸出3D模型，Go！Scan就是其中的典型代表，它是一種高效的三維掃描設備，

專門設計用于快速而準確地捕獲物體的三維數據，并將這些數據轉換成三維模型。使用Go！Scan進行農作物表型數字化包含幾個關鍵步驟，從準備工作到數據采集，再到后期處理和分析，每個步驟都對整體周期產生影響。

在成本方面，高精度的三維掃描儀和相關的計算設備通常不僅需要較高的硬件投資，還涉及到軟件和數據處理工具的成本，這些工具往往需要專業人員來操作和維護。此外，這種方法涉及大量的數據收集和處理，因此數據存儲和管理也可能帶來額外的成本。盡管初期投資較高，但基于三維建模的方法能夠提供非常詳細和準確的作物生長數據，這對于深入理解作物的生長特性和優化育種策略非常有價值。

總體而言，基于點云逆向三維建模的作物表型保存方法的實用性、效率和成本，除了與建模軟件相關，最根本的還是和獲取三維信息的方式有關。基于圖像重建點云逆向為三維模型，仍然具有快速低成本的特性；基于激光獲取點云再構建三維模型，依然可適用于大范圍場景的快速獲取；基于CT獲取點云逆向成三維模型，依然保留了可穿透性強的特點。而三維掃描直接生成三維模型的方式，不適用于大范圍掃描，且形態相近的物體掃描時往往需要標記點輔助，成本相對較高。因此，單純從表型保存角度而言，三維模型的方式并沒有增加額外的表型信息，卻增加了成本和時間。當然，三維模型通過渲染可極大的提高真實感，有利于表型展示。

1.4" 基于機理模型的方法

基于機理模型的作物表型保存方法是一種將作物生長與發育過程公式化的方法。這種方法根據植物生長發育規律，利用具有生物學意義的數學公式來模擬作物在不同環境條件下的生長表現，從而從作物生長內在機制的角度保存作物表型。

在耗時方面，基于機理模型的方法耗時主要取決于作物生長周期和形態變化的復雜程度。模型的建立需要收集大量關于作物本身及其生境和栽培管理措施數據，包括氣象數據、土壤參數、作物生育期、生理生化指標、栽培措施、水肥條件等。隨后，這些數據被用于開發和校驗模型，確保模型能準確反映作物的生長發育。模型校驗是一個迭代過程，可能需要多次調整和優化模型參數，以達到理想的精度和可靠性。通常需要至少1份全生育期的數據用于建模，另一份獨立的試驗資料用于驗證，因此一般都需要2個完整生育期甚至更長的時間。在模型被驗證有效后，它可以用于長期的作物生長預測和分析。

在使用成本上，基于機理模型的作物表型保存方法的成本主要體現在試驗實施、模型開發和驗證等方面。一些理化測定不僅需要專業儀器設備支撐，還需要投入大量的人力和時間來收集數據、開發模型和進行計算分析。專業軟件可能被用于模型的構建和運行，這些軟件的購買和維護也會產生一定成本。此外，為了保證模型準確性和普適性，多生態點的數據收集和分析是必不可少的，這在長期內會帶來較多的投入。然而，與其他表型保存方法相比，機理模型方法具有良好的可擴展性和適應性。

在復雜度方面，基于機理模型涉及到對作物生長發育、形態建成等過程的深入分析，需要準確描述其背后的原理、知識及方法，這一過程相對復雜，需要大量涉及多學科的專業知識和多種專用設備配合；構建模型后，需要結合目標作物及其生境調整參數、開展敏感性、適應性分析等工作。這個過程可能涉及到大量的數據處理和統計分析，以確保模型的準確性和可靠性。由于需要處理復雜的數學關系和大量的數據，基于機理模型的作物表型數字化保存方法對計算資源的需求也相對較高。

基于機理模型的作物表型生成方法適用的作物種類廣泛，尤其是對環境變化敏感或有復雜生長過程的作物，機理模型能夠有效地模擬其生長過程，并預測在不同環境條件下的表現。此外，機理模型還可以用于模擬作物對病蟲害和逆境（如干旱、鹽堿化）的反應，對改善作物的抗逆性育種具有重要價值。由于機理模型能夠整合多種環境和生物因素，因此對于那些在多變環境中生長或需要精準管理的作物來說，這種方法尤為有用。

總體而言，基于機理模型的作物表型數字化保存方法是一種以數據和知識為基礎的方法。它通過模擬和預測作物在各種環境條件下的表現，為作物研究和育種提供了一種有效的工具。盡管這種方法在開發和應用上要求較高的專業知識，但其具有很強的適應性和靈活性。

1.5" 總結

12種表型數字化保存方法的比較見表1。本研究綜合圖像和點云在保存速度和完整性方面各自優勢，采用先獲取多視角圖像數據，以平面的方式快速保存作物二維表型，再基于圖像進行三維重建，以點云的形式保存作物三維表型。這樣的方式不僅保存成本低、效率高，而且精度可以根據所獲取圖像的分辨率、視角多少而調節，具有較高的可行性。

2" 材料與方法

2.1" 技術路線

本研究方法總體框架如圖3所示。

為連續觀測油菜全生育期表型動態變化，本試驗地點選在江蘇省農業科學院本部試驗農場（32.04°N，118.89°E），試驗類型為桶栽試驗。 油菜于2022年11月15日播種，培育環境采用高30 cm，外徑33 cm的帶孔圓桶，每桶裝干黏壤土15 kg。施純氮180 kg/hm2、P2O5 90 kg/hm2、K2O 90 kg/hm2，按面積折算后施用，其中磷鉀肥作為基肥一次性施入，氮肥按基肥 ∶臘肥 ∶薹肥=5 ∶3 ∶2分配。其他栽培措施同高產大田管理（表2）。

2.2" 多視角圖像獲取

通過自研多視角自動成像設備［19，26］，定株連續觀測油菜不同生育時期的多視角圖像。設備主體

部分由1個可旋轉平臺、1個成像臂、1個基座和1塊黑色背景板組成（圖4）。成像臂由長0.5 m的垂直臂和半徑1.5 m、覆蓋垂直方向上90°范圍的弧形臂組成。成像臂上至多可安裝12臺RGB相機（本研究按作物類型和生育時期不同，實際采用6-12臺不等的SONY Alpha 6000微單相機），相機鏡頭指向擺放作物的位置。相機的位置和角度可根據不同植物種類、不同生育時期植株大小調節和移動。成像臂安裝在底座的一端，底座的另一側安裝黑色背景板。

2.3" 表型數字化保存

本研究結合RGB圖像和三維點云在保存作物表型方面的優勢，采用先獲得不同視角的RGB圖像，進而基于圖像高精度重建3D點云的方式，相對

低廉且高精度地保存作物表型。本研究采用RGB圖像和三維點云2種方式實現作物表型數字化保存。

基于圖像的表型數字化保存方式：利用自主研發的多視角自動成像設備獲取不同品種、不同生育時期、不同方位（水平方向每隔15°、垂直方向每隔10°）的RGB圖像。這種方式主要用于保存植株和器官精細的二維形態表型。

基于點云的表型數字化保存方式：在采集到的多視角圖像序列基礎上，采用SFM算法重建植株三維點云的方式保存植株三維結構表型信息。通常，SFM算法包含特征提取與匹配、幾何驗證、三角化、捆綁調整這幾個重要步驟。在特征提取與匹配部分，通常采用尺度不變特征轉換（scale-invariant feature transform，SIFT）算法，它可以在不同尺度和旋轉下提取出圖像的關鍵點，并生成獨特的描述符，加快特征提取速度。幾何驗證通過極幾何約束計算基礎矩陣和本質矩陣，從而得到相機位置信息。之后，進行三角化算法，利用幾何驗證中得到的相機位姿計算出三維點云信息。最后，通過捆綁調整（bundle adjustment，BA）進行誤差優化，得到三維點云（圖5）。

2.4" 表型數字化展示

本研究采取的數字化展示方法主要包括3D模型構建、展示軟件開發和展示設備集成3個步驟：首先，將表型數字化保存這一步中獲得的三維點云轉換成網格數據，從而生成三維模型。接著進行紋理映射：將紋理貼圖映射到生成的3D模型上，以提高模型的真實感和細節表現。在完成三維模型構建之后，將其導入到Unity軟件中，進行程序開發。最后，將開發好的Unity程序打包，放在MR展示柜系統中，從而實現展示設備集成。

3" 基于多視角圖像重建點云的油菜表型數字化保存

本研究通過獲取油菜不同生育時期多視角RGB圖像實現油菜二維表型數字化保存，進而重建成三維點云的方式實現油菜三維表型數字化保存。

3.1" 基于圖像的油菜作物二維表型數字化保存

利用上一節提到的自研多視角自動成像設備，對苗期、蕾薹期、開花期、綠熟期油菜進行全生育期圖像采集，從而完成二維表型數字化保存（圖6至圖9）。

3.2" 基于點云的油菜三維表型數字化保存

本研究基于Metashape軟件開展基于圖像的點云三維重建，這一過程一般包含點云重建、數據預處理以及點云對齊3個步驟。

首先，通過點擊Metashape中的Add Folder導入文件。然后通過Align Photos對齊照片，最后利用Build Mesh功能建立網格，構建點云如圖10。

接著，進行數據預處理。原始點云數據通常包含噪聲和外點，需要進行去噪、濾波等預處理操作。這一步驟對于后續的模型構建至關重要，因為它有助于簡化點云數據并保持其幾何特征。同時，需要將不同角度掃描的點云統一到同一坐標系下。

最后，將點云對齊，由于物體通常需要從多個角度進行掃描，因此需要將不同視角下的點云數據對齊到統一的坐標系統中，以便形成一個連續的表面。

將同一油菜植株在不同時期的點云，如苗期、蕾薹期、開花期和角果成熟期，構建完畢并保存（圖11）。

4" 油菜表型數字化展示

4.1" 油菜3D模型構建

在前文以點云形式保存油菜三維表型基礎上，將構建完成的油菜三維點云轉換為三維模型，從而實現表型數字化展示。通常，點云轉換為模型主要有曲面重建和模型優化2個步驟。首先，對油菜進行曲面重建。通過點云數據，使用特定的算法如泊松表面重建方法來構建油菜的表面模型（圖12）。

然后，對其進行模型優化。在構建了初步的三維

模型后，可能需要進行一些優化處理，比如平滑處理、細節增強等，以提高模型的質量和真實感（圖13）。

將同一油菜植株在不同時期的三維模型構建完畢并保存（圖14）。

4.2" 三維模型修補

將“4.1”節用到的三維模型輸入到3ds Max軟件中進行模型修補（圖15），優化模型質量。通過深入研究實際作物的外觀和結構，著重于細致地建立真實的作物模型。3ds Max的建模工具提供了豐富的創作功能，確保模型在細節和比例上與實際作物完美契合，從而完成模型修補。

4.3" MR展示柜集成

MR展示柜是一種用于將虛擬對象放置在實際環境中的設備。它包括透明顯示屏， 通過將虛擬對

象投影在屏幕上，使其看起來好像存在于現實世界中。在作物表型數字化研究中，MR展示柜用于將虛擬作物放置在實際農田或實驗室環境中，以實現更逼真的展示效果。本研究在制作MR展示柜過程中，將Unity用于虛擬環境的搭建和交互設計，而3ds Max則被用于作物模型的修補和細節設計。這2款軟件的協同工作實現了展示柜的集成。

4.3.1" 程序基本功能

MR展示柜程序主要包含三大功能，分別為作物品種選擇功能、作物生育期選擇功能、模型視角選擇功能。

作物品種選擇功能：包含已經保存在程序中的作物品種，用戶可以自由選擇想要查看的作物品種如油菜、水稻、小麥等。使用人員也可以對其進行添加、修改、刪除等操作。

作物生育期選擇功能：供用戶對當前作物品種進行不同生育期選擇，例如油菜植株，包含苗期、蕾薹期、開花期和綠熟期。使用人員可以對其進行增刪改查。

模型視角選擇功能：提供上視角、水平視角、下視角，以及旋轉、縮放功能，用戶可自由查看任意視角的三維模型。

4.3.2" 程序設計與實現

程序搭建在Windows平臺（圖16），使用C#語言編寫。

4.3.3" 展示效果

在程序界面，點擊品種，如油菜，可查看油菜植株模型（圖17）。

點擊左側不同生育期選項，選擇想要查看的生育期，這里依次展示油菜的不同生育期三維模型。在界面下方還有不同視角選項供用戶選擇（圖18至圖20）。

本研究設計的MR展示柜采用32英寸透明液晶觸摸顯示屏，1 920×1 080全高清分辨率，長 808 mm、寬320 mm、高552 mm。柜身設置1個HDMI和2個USB接口，可拓展顯示輸入。柜體內含84 dm3空間，可放置實物。需要說明的是，雖然尚不能實現通過語音、眼神追蹤等方式的虛實交互，但其內部空間可盛放展示實物，外側透明觸摸顯示屏可呈現虛擬實體，以初步具有虛實結合的MR特性。實物圖如圖21所示。

5" 結論與展望

5.1" 結論

本研究比較了不同作物表型數字化保存技術的優缺點及適用場景，選定了通過獲取多視角圖像和基于圖像三維重建點云的方法，快速、低成本保存作物表型。在此基礎上，利用透明顯示屏可透過屏幕觀察其后物體的特性，在得到不同生育時期、不同角度油菜植株RGB圖像，進而重建出油菜三維點云的基礎上，將點云數據通過計算機3D建模構建油菜3D模型，并在此基礎上開發展示軟件，通過MR展示柜，實現虛實結合的油菜表型數據保存與展

示。雖然目前的MR展示柜還不能體現肢體動作、眼神等現實世界動作表情對虛擬世界的控制，但已經初步具有了虛實結合的特性，是生動展示作物表型的有效手段，可為進一步高效挖掘和利用作物表型數據提供數據積累和直觀展示方案，可為作物病蟲害、氣象災害脅迫響應表現的數字化保存與重現，以及精準植保提供技術支撐，對作物品種高效改良、農業生產智能決策等均具有重要意義。

5.2" 展望

雖然本研究對作物表型數字化保存與展示做了大量基礎性工作，但是還存在一些問題有待于改進。今后的研究工作或可著眼于以下3個方面：

（1）在設備改進方面，現有多視角自動成像裝備采用單反相機，價格昂貴，可通過降低成本采用微型攝像頭進行拍攝，此方法同時可以減輕機械臂重量，輕量化整體硬件結構。從而在保證圖像采集質量的前提下，縮減設備成本，實現輕量化圖像采集。

（2）本研究通過圖像和基于圖像重建的三維點云實現作物表型數字化保存工作，然而除了價格昂貴且適用范圍較窄的CT技術外，絕大多數其他手段獲取的圖像和點云均不具有穿透性，即只能獲取

肉眼可見部分的表型信息，對器官間遮擋重疊部分無能為力。隨著深度學習技術的不斷發展，基于深度學習的點云三維重建技術也受到越來越多的關注，因此，探索如何使用深度學習的方法來提高點云重建精度，消除或減緩器官間相互遮擋對表型保存的影響，從而加快作物表型數字化保存完整性和效率，使作物表型數字化展示更充分地還原植株原貌，是一項很有研究意義的工作。

（3）在作物表型數字化展示研究工作中，本研究主要通過MR技術對單株作物進行展示，然而更自然的情況是，作物在大田中以群體的形式存在，群體作物的表型展示更能代表其整體生長狀況。因此，如何完善現有技術，提高表型數字化展示的普適性，實現群體作物的表型數字化保存和展示，是未來研究方向之一。

參考文獻：

［1］王曉鳴，邱麗娟，景蕊蓮，等. 作物種質資源表型性狀鑒定評價：現狀與趨勢［J］. 植物遺傳資源學報，2022，23（1）：12-20.

［2］李" 偉. 高通量作物表型檢測關鍵技術研究與應用［D］. 合肥：中國科學技術大學，2018.

［3］郭慶華，楊維才，吳芳芳，等. 高通量作物表型監測：育種和精準農業發展的加速器［J］. 中國科學院院刊，2018，33（9）：940-946.

［4］方" 慧，胡令潮，何任濤，等. 植物三維信息采集方法研究［J］. 農業工程學報，2012，28（3）：142-147.

［5］金秀良，聶臣巍，石" 磊. 作物表型性狀鑒定技術促進智慧農業發展［C］. 第十九屆中國作物學會學術年會論文摘要集，2020：77.

［6］朱榮勝，李" 帥，孫永哲，等. 作物三維重構技術研究現狀及前景展望［J］. 智慧農業（中英文），2021，3（3）：94-115.

［7］郭新宇，溫維亮，杜建軍，等. 數字植物技術及在作物表型組學研究中應用［C］. 第十九屆中國作物學會學術年會論文摘要集，2020：76.

［8］周" 濟，Francois T，Tony P，等. 植物表型組學：發展、現狀與挑戰［J］. 南京農業大學學報，2018，41（4）：580-588.

［9］朱光福，伊廷雙，劉" 杰. 數字植物標本在科學研究中的應用：進展及挑戰［J］. 廣西植物，2022，42（增刊1）：127-141.

［10］梁麗秀，杜傳紅，劉立才. 植物表型組學在現代農業中的應用［J］. 科技創新與應用，2019（22）：169-171，174.

［11］張" 建，李宗南，張" 楠，等. 基于實測數據的作物三維信息獲取與重建方法研究進展［J］. 華中農業大學學報，2013，32（4）：126-134.

［12］史維杰，郝雅潔，趙明霞，等. 基于三維重建技術的植物表型分析［J］. 物聯網技術，2019，9（9）：84-86.

［13］周風燃. 基于SfM的玉米植株三維重建和特征提取方法研究［D］. 武漢：華中農業大學，2020.

［14］鄭晨曦，溫維亮，盧憲菊，等. 基于三維數字化的小麥植株表型參數提取方法［J］. 智慧農業（中英文），2022，4（2）：150-162.

［15］周" 磊. 基于光譜和圖像的小麥表型信息感知方法研究［D］. 杭州：浙江大學，2023.

［16］Xiang L，Bao Y，Tang L，et al. Automated morphological traits extraction for sorghum plants via 3D point cloud data analysis［J］. Computers and Electronics in Agriculture，2019，162：951-961.

［17］Jay S，Rabatel G，Hadoux X，et al. In-field crop row phenotyping from 3D modeling performed using Structure from Motion［J］. Computers and Electronics in Agriculture，2015，110：70-77.

［18］周靜靜. 基于多視角圖像的玉米植株三維重建技術研究［D］. 上海：上海海洋大學，2019.

［19］李百明，吳" 茜，吳" 劼，等. 基于多視角自動成像系統的作物三維點云重建策略優化［J］." 農業工程學報，2023，39（9）：161-171.

［20］焦啟明，蘇中濱，鄭" 萍，等. 基于三維數字化技術構建大豆豆莢形態模型的方法研究［C］. 黑龍江省計算機學會2007年學術交流年會論文集，2007：36-38.

［21］田" 甜，吳靈通，金宗來，等. 利用激光掃描儀獲得油菜植株三維點云圖像和植株生長信息的提取［C］. 2009年中國作物學會學術論文摘要集，2009：50.

［22］孫" 娜. 農田玉米高通量表型信息采集系統研究［D］. 保定：河北農業大學，2019.

［23］Chaudhury A，Ward C，Talasaz A，et al. Machine Vision System for 3D Plant Phenotyping［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics，2019，16（6）：2009-2022.

［24］郭樹濤. 基于機器視覺的農作物植株器官分離方法［J］. 智慧農業導刊，2021，1（9）：39-43.

［25］李" 稙，蔡東娜. 數字花卉植物的全息可視化與交互實現［J］. 圖學學報，2019，40（6）：1017-1023.

［26］Wu Q，Wu J，Hu P，et al. Quantification of the Three-dimensional root system architecture using an automated rotating imaging system［J］. Plant Methods，2023，19（1）：11.