一种基于三维点云的植物耐盐性等级评估方法

本发明涉及植物筛选，尤其是涉及一种基于三维点云的植物耐盐性等级评估方法。

背景技术：

1、现有的植物耐盐性评估方法主要依赖于实验室环境下的生理指标测量和主观判断。然而，这些方法存在明显的局限性：首先，手工测量效率低，数据量小，难以全面反映植物的耐盐性；其次，主观判断受人为因素影响，缺乏客观性和准确性。因此，如何实现更加高效、准确且客观的耐盐性评估成为亟待解决的问题。

2、目前，市场上已有一些基于二维图像分析和机器学习技术的植物耐盐性评估工具。例如，使用rgb相机采集的植物叶片二维图像，通过分析颜色、纹理和形态特征来推测其耐盐性。虽然这些方法在提高评估效率方面有所进展，并且操作简便、成本较低，适用于实验室环境，但存在明显的局限性。二维图像无法全面反映大白菜的三维结构信息，尤其在涉及叶片厚度、空间形态和卷曲度等复杂特征时，评估结果的准确性和全面性受到限制。

3、此外，荧光成像和高光谱成像等技术虽然在植物生理状态评估中得到了一定应用，但它们同样依赖于二维图像数据。荧光成像通过光合作用相关指标进行评估，难以捕捉大白菜的三维形态特征，且对环境条件较为敏感。高光谱成像虽然可以分析植物的化学成分，但其处理复杂且对形态特征的关注不足。两者都无法有效表征大白菜的三维结构，特别是在评估叶片卷曲程度等空间特征时显得力不从心。此外，现有技术通常只关注叶绿素含量等少数生理参数，忽略了叶片的三维形态特征在耐盐性评估中的重要作用，这导致评估结果不够全面和精确。

4、在植物耐盐性评估中，以大白菜为例，盐胁迫对其三维形态的影响十分显著，尤其表现为叶片的卷曲度增加。其他植物如生菜和水果的叶片在盐胁迫下同样表现出卷曲特性，这种变化不仅影响光合作用效率，还与植物的耐盐性密切相关。因此，研究这些植物在盐胁迫下的三维形态变化，可以为耐盐性评估提供更加全面、准确的信息。

5、为了克服现有方法的局限性，开发基于三维点云的自动化耐盐性评估方法显得尤为重要。通过获取大白菜的三维点云，能够全面反映其空间形态、叶片厚度和卷曲程度等特征，从而提高耐盐性评估的准确性和全面性。此外，结合深度学习技术，可以有效实现对植物耐盐性的精准评估，这一方法为植物耐盐性研究提供了新的技术路径和思路。

技术实现思路

1、本发明的目的是提供一种基于三维点云的植物耐盐性等级评估方法，克服现有植物耐盐性评估方法的局限。该方法通过可见光相机获取不同品种的植物的三维点云数据，结合深度学习技术对每株植物叶片进行实例分割与参数计算。在此基础上，利用试验组与对照组的比较，提取相对特征参数，进行耐盐性关键特征的分析。利用主成分分析提取耐盐性关键特征建立耐盐性评价隶属函数，最终实现植物耐盐性定量以及等级自动划分，为耐盐品种的筛选提供科学依据。

2、为实现上述目的，本发明提供了一种基于三维点云的植物耐盐性等级评估方法，包括如下步骤：

3、s1、获取待测植物的三维点云数据，每个品种的待测植物分为对照组和试验组；

4、s2、对待测植物的三维点云数据进行处理，用于去除待测植物的三维点云数据中的噪声和异常点；

5、s3、将去除待测植物的噪声和异常点的三维点云数据输入到训练好的深度学习模型中，得到待测植物的每个叶片的三维点云数据；

6、s4、将每一叶片的三维点云数据输入到点云补全模型，对具有缺失信息的叶片点云进行补全；

7、s5、获取每个叶片三维点云数据的耐盐系数，对每株待测植物的所有叶片耐盐系数求平均值，试验组耐盐系数求均值，与对照组的耐盐系数进行对比，得到该植株的耐盐系数；

8、s6、耐盐性评估与等级划分，以试验最后一天测量的生理指标作为耐盐等级划分的确立标准，通过与每一天测量的耐盐系数进行关联性分析，确立某一特定天数作为判断植物是否耐盐的依据；

9、s7、在测量最后一天，分别测量每一植株的鲜重并利用现有的光合表型成像系统测量其光合表型参数，最终通过差异性分析筛选出hue、鲜重、近红外、远红外、绿光、红光的差异性结果；

10、s8、验证与优化，通过实际数据验证耐盐性等级划分的准确性，并对筛选方法进行优化，确保筛选方法具有较高的泛化能力和实用价值。

11、优选的，步骤s2中，对待测植物的三维点云数据进行处理的过程包括：尺度匹配，对不同品种的植物三维点云数据进行尺度匹配，确保不同品种数据在同一尺度下进行比较，将每个品种的植株设置为不交叉状态，以制作符合实例分割数据集格式的数据结构。

12、优选的，步骤s3中，训练好的深度学习模型包括：预处理模块，特征提取模块，点云分割模块。

13、优选的，步骤s4中，使用pf-net进行点云补全是一个有效的方法，因为该模型能够学习数据的分布并生成具有高质量的补全结果。确保补全后的点云能够反映真实的叶片形状，提升后续分析的准确性。

14、优选的，预处理模块包括对三维点云数据归一化，将输入的三维点云数据归一化到标准的坐标范围内，还包括数据增强，通过旋转、平移、缩放和噪声注入的方法，增加训练数据的多样性，提高模型的泛化能力。

15、优选的，特征提取模块是以oneformer3d作为核心特征提取网络对三维点云数据进行分割，该网络通过transformer自注意力机制，能够捕捉三维点云数据的长距离依赖性和全局上下文信息，提升模型对复杂植物结构的理解能力。

16、优选的，点云分割模块是对植物的三维点云数据进行实例分割，将每一个叶片从整体中分割出来，生成每个叶片的单独三维点云数据；实例分割包括对分割精度的评估和误差分析，每次训练后，通过标准评估指标对分割结果进行评估，并对分割的结果进行可视化，同时识别漏分和误分问题，基于误差分析结果，调整模型参数，以增强模型的鲁棒性，同时模型的训练中采用早停法避免过拟合，并利用交叉验证确保模型的泛化能力。

17、优选的，步骤s5中，获取每个叶片三维点云数据的耐盐系数的过程：对叶片三维点云数据进行多项参数计算，基于所获取的参数计算耐盐等级的隶属度：从原始对照组中分别提取每个叶片的相同特征参数，并计算每个参数的平均值，将实验组每个植株的特征参数与对照组的平均值进行比值计算，得到相对特征参数，进而对不同参数的量纲进行归一化处理，通过主成分分析方法提取5个主成分，对应贡献率和归一化后的主成分，计算每一片叶片的综合耐盐系数，得到每一个品种每一个试验组植株的耐盐系数。

18、优选的，步骤s6中，耐盐性评估与等级划分具体为：对步骤s1的试验组耐盐系数求均值，与对照组的耐盐系数进行对比，得到该品种植株的耐盐系数，以试验最后一天测量的生理指标作为耐盐等级划分的确立标准，通过与每一天测量的耐盐系数进行关联性分析，确立某一特定天数作为判断植株是否耐盐的依据；利用原始的相对特征参数与耐盐系数建立多元逐步回归模型，最终筛选出决定植株耐盐卷曲度的特征参数，进而按照计算得到的耐盐系数进行聚类分析，建立了基于相对特征参数的卷积神经网络分类模型，该模型融合了lstm可以更好的解决不同植株耐盐性的准确划分。

19、优选的，步骤s8中，优化过程包括调整模型参数、完善数据处理流程，并基于反馈机制不断提高评估方法的可靠性。

20、本发明所述的一种基于三维点云的植物耐盐性等级评估方法的优点和积极效果是：

21、1、本发明自动化的三维点云数据采集与深度学习实例分割技术显著提升了植物耐盐性评估的速度，与传统的手工测量方法相比，自动化技术能够快速处理大量数据，减少了繁琐的人工操作和时间成本。

22、2、引入深度学习技术能够对植物的形态特征进行精准分析，通过基于多维相对特征参数进行耐盐性等级的划分，可以有效避免人为主观判断的误差，从而提高评估结果的准确性和可靠性。

23、3、对不同品种的植物的点云数据进行尺度匹配与归一化处理，确保了不同数据间的可比性，这种标准化处理方式提高了耐盐性评估的可靠性，使得不同品种的数据能够在统一尺度下进行公平比较。

24、4、本发明技术方案具有较强的普适性，可以扩展应用于多种作物的耐盐性评估或其他农艺性状的分类与评估，这种技术的扩展性为农业研究提供了广泛的应用前景和研究价值。

25、5、本发明提供了通过反馈机制优化模型的能力，确保耐盐性评估方法具有高效的泛化能力和实用价值。

26、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。