Un método para la segmentación de órganos de sésamo (L.) y la extracción de parámetros fenotípicos basado en CAVF-PointNet++
Autores: Wei, Xinyuan; Wang, Qiang; Li, Kaixuan; Zhang, Wuping
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Extracción
Parámetros fenotípicos
Segmentación
CAVF-PointNet++
Agrupamiento
Hojas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
La extracción eficiente y no destructiva de parámetros fenotípicos a nivel de órgano de plantas de sésamo (L.) es un cuello de botella clave en la investigación actual sobre fenotipado de sésamo. Para abordar este problema, este estudio propone un método para la segmentación de órganos y la extracción de parámetros fenotípicos basado en CAVF-PointNet++ y agrupamiento geométrico. Primero, este método construye una nube de puntos 3D de alta precisión utilizando secuencias de imágenes RGB de múltiples vistas. Basado en el modelo PointNet++, se diseña un modelo CAVF-PointNet++ para realizar el aprendizaje de características en datos de nubes de puntos y lograr la segmentación automática de tallos, pecíolos y hojas. Mientras tanto, se segmentan diferentes hojas utilizando tecnología de agrupamiento por curvatura-densidad. Basado en los resultados de la segmentación, este estudio extrajo un total de seis parámetros fenotípicos a nivel de órgano, incluyendo altura de la planta, diámetro del tallo, longitud de la hoja, ancho de la hoja, ángulo de la hoja y área de la hoja. Los resultados experimentales muestran que en las tareas de segmentación de tallos, pecíolos y hojas, la precisión general de CAVF-PointNet++ alcanza el 96.93%, y la intersección media sobre la unión es del 82.56%, que son 1.72% y 3.64% más altos que los de PointNet++, demostrando un excelente rendimiento de segmentación. En comparación con los resultados de la segmentación manual de diferentes hojas, el método de agrupamiento propuesto logra altos niveles en términos de precisión, recuperación y puntuación F1, y los resultados de segmentación son altamente consistentes. En términos de medición de parámetros fenotípicos, los coeficientes de determinación entre los valores de medición manual y los valores de medición algorítmica son 0.984, 0.926, 0.962, 0.942, 0.914 y 0.984 en secuencia, con errores cuadráticos medios de 5.9 cm, 1.24 mm, 1.9 cm, 1.2 cm, 3.5 grados y 6.22 cm, respectivamente. Los resultados de medición del método propuesto muestran una fuerte correlación con los valores reales, proporcionando un sólido apoyo técnico para la investigación sobre fenotipado de sésamo y agricultura de precisión. Se espera que proporcione referencia y apoyo para el análisis fenotípico 3D automatizado de otros cultivos en el futuro.
Descripción
La extracción eficiente y no destructiva de parámetros fenotípicos a nivel de órgano de plantas de sésamo (L.) es un cuello de botella clave en la investigación actual sobre fenotipado de sésamo. Para abordar este problema, este estudio propone un método para la segmentación de órganos y la extracción de parámetros fenotípicos basado en CAVF-PointNet++ y agrupamiento geométrico. Primero, este método construye una nube de puntos 3D de alta precisión utilizando secuencias de imágenes RGB de múltiples vistas. Basado en el modelo PointNet++, se diseña un modelo CAVF-PointNet++ para realizar el aprendizaje de características en datos de nubes de puntos y lograr la segmentación automática de tallos, pecíolos y hojas. Mientras tanto, se segmentan diferentes hojas utilizando tecnología de agrupamiento por curvatura-densidad. Basado en los resultados de la segmentación, este estudio extrajo un total de seis parámetros fenotípicos a nivel de órgano, incluyendo altura de la planta, diámetro del tallo, longitud de la hoja, ancho de la hoja, ángulo de la hoja y área de la hoja. Los resultados experimentales muestran que en las tareas de segmentación de tallos, pecíolos y hojas, la precisión general de CAVF-PointNet++ alcanza el 96.93%, y la intersección media sobre la unión es del 82.56%, que son 1.72% y 3.64% más altos que los de PointNet++, demostrando un excelente rendimiento de segmentación. En comparación con los resultados de la segmentación manual de diferentes hojas, el método de agrupamiento propuesto logra altos niveles en términos de precisión, recuperación y puntuación F1, y los resultados de segmentación son altamente consistentes. En términos de medición de parámetros fenotípicos, los coeficientes de determinación entre los valores de medición manual y los valores de medición algorítmica son 0.984, 0.926, 0.962, 0.942, 0.914 y 0.984 en secuencia, con errores cuadráticos medios de 5.9 cm, 1.24 mm, 1.9 cm, 1.2 cm, 3.5 grados y 6.22 cm, respectivamente. Los resultados de medición del método propuesto muestran una fuerte correlación con los valores reales, proporcionando un sólido apoyo técnico para la investigación sobre fenotipado de sésamo y agricultura de precisión. Se espera que proporcione referencia y apoyo para el análisis fenotípico 3D automatizado de otros cultivos en el futuro.