CAU未来农业实验室硕士生在计算机与农林科学领域国际权威期刊发表玉米植株点云茎叶分割和表型参数测量研究成果

       全球人口预计2050年达90 亿，粮食安全挑战严峻；玉米作为三大粮食作物，其叶片表型参数（叶片数、叶长、叶宽、叶倾角、叶面积）直接反映光合作用与生长状态，是优质育种的关键指标。传统表型测量方法耗时耗力，现有点云茎叶分割存在茎叶交界处误分割、未展开叶难分离等问题，且表型参数测量的数量与精度不足。为解决上述问题，本文开发了自适应的区域生长分割和表型测量算法，实现了玉米茎叶高精度分割与多表型参数测量，为高通量植物表型分析提供了可靠的技术支持。

1. 主要工作

图1 系统架构图

       在点云数据处理部分，首先进行数据预处理，从群体点云中提取单株点云；其次，使用两种区域生长算法，分割提取展开叶和未展开叶；然后，通过圆柱带状分割划叶片为小片段，取质心作叶脉点；最后，采取相应的空间几何方法提取多种叶片表型。整体点云数据处理框图如图2所示。

图2 点云处理整体流程图

1. 数据预处理

图3 点云预处理

1. 基于区域生长的两类叶片点云分割

• 预分割：

  通过中心 - 边缘分割（半径滤波 + 直通滤波）提取中心点云与边缘点云；

• 核心分割算法之一——切边区域生长：

  设置 0.008m 切片高度，对中心点云进行 Z 轴直通滤波与欧氏聚类，筛选切片点云。

         计算初始生长点云质心，将切片点云按距离质心最近且 Z 坐标更小的原则合并，得到完整未展开叶云。

• 核心分割算法之二——自适应长方体区域生长：

  计算中心云 X/Y 轴极值，设置 2 轮直通滤波阈值，得到初始生长向量（叶片向量的一半）；

  迭代计算下一生长点，定义长方体边界，通过判断点（Z 轴上方）的点云数量筛选有效生长，更新生长向量与中心云，直至生长结束。

• 分割优化

  用欧氏聚类合并离散叶点，滤波去除离散点，得到最终茎叶分割结果。

   分割算法示意图如图4所示：

图4 区域生长分割

1. 玉米叶片叶脉提取和叶片表型测量

通过渐阔半径的圆柱进行带状分割叶片成小段叶片，如图5所示。

首先，读取茎叶分割后的叶片与茎秆点云，通过最小乘法平滑叶片点云，剔除噪声干扰。

其次，根据叶片类型计算圆柱轴点，展开叶取茎秆三维中心，未展开叶调整 z 坐标为茎秆最大 z 值减 0.05。计算叶片点云 XOY 平面对角线距离（Dxoy）与 Z 轴距离（Dz），Dxoy>Dz 时以 Z 轴为轴向量，否则以 Y 轴为轴向量。

然后，进行迭代分割，展开叶按 0.01×j（j=1,2,...）迭代增大半径，未展开叶固定半径 0.01，逐步提取圆柱内点云作为连续叶环（PCcj）。

最后，完成叶脉点提取，计算每个叶环的质心坐标，连续叶环质心即为叶脉点，直接支撑后续表型参数计算。

图5 圆柱分割提取叶脉点

 得到叶脉点后，分别使用不同方法计算叶片表型参数，如图6所示。

图6 叶片表型测量示意图

1. 结果与讨论

V5 和 V6 期典型玉米植株的分割实例如图7所示，其中 V5 期 12 号植株（P=93.02%）、10 号植株（P=99.31%），V6 期 22 号植株（P=96.08%）、4 号植株（P=99.13%）均呈现出清晰的茎叶分离效果，无明显误分割现象。定量结果显示，V5 期所有植株的分割 Precision（P）、Recall（R）、F₁-Score 均超 92%，均值达 96.87%、97.08%、96.97%；V6 期均超 95%，均值达 97.73%、97.01%、97.67%，证明方法对不同生长阶段玉米的适配性。

图7 典型分割效果

叶片表型测量结果如图8所示，叶片数测量在 V5 期完全准确，V6 期因老叶卷曲误判为噪声导致 PE=0.93%；叶长（V5 期 R²=0.9749、精度 93.82%；V6 期 R²=0.9866、精度 95.57%）、叶宽（V5 期 R²=0.9222、精度 92.88%；V6 期 R²=0.9685、精度 96.04%）、叶面积（V5 期 R²=0.9843、精度 89.53%；V6 期 R²=0.9955、精度 95.42%）的测量精度均满足育种需求；叶倾角测量精度相对较低（V5 期 82.09%、V6 期 88.02%），主要因单一段叶脉向量向整体角度的映射偏差所致。

图8 表型测量结果散点图

与深度学习点云分割模型的对比实验效果如图9所示，相较于 PointNet++ 和 PointTransformer，本文方法的分割结果中茎叶边界更明确，未出现叶片遗漏或茎点误判为叶点的情况。定量对比显示，本文方法 V5 期 F₁（96.97%）远高于 PointNet++（88.03%）和 PointTransformer（90.89%），且模型大小仅 0.713 MB，远小于后两者（11.2 MB、112 MB），更适配田间边缘计算场景。

图9 与深度学习分割模型对比

6.研究总结

结论：

• 提出的分割方法解决了茎叶交界误分割、未展开叶难分离的痛点，精度优于现有方法；

• 实现 5 类表型参数同时测量，精度满足育种需求；

• 开源点云数据与代码（https://github.com/lmj-cau/stem-leaf-segmentation.git），为高通量表型分析提供基准。

局限性：

完成单位：中国农业大学

通讯作者：信电学院 张漫 教授

主要参与：刘梦杰、苗艳龙讲师、李易达、盛文溢副教授、仇瑞承副教授、王敏娟副教授、李寒副教授

资助项目：国家自然科学基金(32371994)；中国农业大学2115人才发展计划

引文信息：Liu, M., Miao, Y., Li, Y., Sheng, W., Qiu, R., Wang, M., Li, H., Zhang, M. (2026). A stem-leaf segmentation method of maize plant point cloud based on region growing and leaf phenotypic parameters measurement. Comput. Electron. Agric. 244, 111474.

https://doi.org/10.1016/j.compag.2026.111474