Plant Phenomics | 實地環境下的3D植物幾何重建：神經輻射場技術解析

隨著全球糧食生產面臨日益復雜的挑戰，深入了解植物結構已成為農業研究中不可或缺的一環。這不僅僅關乎表面上的視覺呈現，更重要的是，通過精準捕捉植物復雜的幾何細節。這些細節對于推動作物表型分析、改良品種和育種研究具有極其重要的意義。為了應對這一需求，越來越多的研究致力于開發精確的3D植物重建技術。然而，傳統的3D重建方法在捕捉植物復雜的幾何細節上往往力不從心，這些細節的準確重建對于更好地理解植物的發育過程和生態適應性至關重要。NeRF作為計算機視覺和圖形學中的前沿技術（特別是在植物科學研究中）能夠捕捉精細的結構細節，為深入了解植物結構提供了潛力，并有望成為植物表型分析和育種中的重要工具。

2024年9月，Plant Phenomics 在線發表了Iowa State University完成的題為Evaluating Neural Radiance Fields for 3D Plant Geometry Reconstruction in Field Conditions 的研究論文。該研究對NeRF方法進行了詳細評估，以評估其在高分辨率植物結構3D重建中的適用性和有效性，對不同NeRF實現方案的比較分析，以確定最適合特定植物建模需求的框架，并提出了一種早停算法，以在模型精度的改進不再能合理地平衡計算成本時提前終止訓練，從而顯著降低計算成本。針對不同場景的重建結果（如圖1所示）表明，NeRFacto在精度、召回率、F1 分數和圖像質量指標方面表現最為優越，非常適合需要高精度和完整性的3D建模應用（如圖2所示）。然而，其在較高迭代次數下的時間低效性可能限制其在時間敏感場景中的使用。Instant-NGP 在性能和效率之間表現出良好的平衡，使其成為適用于中等需求場景的可行選擇。

圖1 輸入到 NeRF的示例圖像，涵蓋三個不同場景。(A) 場景I：室內單一物體。(B) 場景II：室內多個物體。(C) 場景III：戶外場景。

圖2 不同 NeRF技術在不同場景下的 3D 重建精度和召回率。

本研究主要價值是討論了對不同NeRF模型進行3D植物重建的結果，探討其優越性的理論基礎。這有助于理解和改進NeRF模型在植物研究中的應用，從而為植物表型分析和育種研究提供更高質量的數據。

論文鏈接：
‍https://doi.org/10.34133/plantphenom‍ics.0‍235

——推薦閱讀——
Plant Phenomics | Eff-3DPSeg：使用高效標注的深度學習方法進行植物器官級分割
Plant Phenomics | 北京市農林科學院基于玉米3D葉形的特征提取與分析
Plant Phenomics | 利用Helios 3D植物和輻射傳輸建模框架模擬自動標注的可見光和多/高光譜圖像

加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2023影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯排版：王平、陳新月（浙江大學）
審核：尹歡、孔敏