.png){kind=icon}
返回
SPINet: structure-enhanced point cloud instance segmentation network for multi-plant rice phenotyping
.png){kind=icon}
OA
AI
DOI：10.3389/fpls.2026.1872119.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多植物场景下对水稻进行精确的3D表型分析对于评估产量相关性状和支持高通量育种具有重要意义。特别是，从点云中进行谷粒级别的实例分割为量化稻穗结构和谷粒数量提供了直接依据。然而，这项任务仍然具有挑战性，因为密集生长的水稻植株通常表现出严重的植株间遮挡、器官粘连以及高度相似的结构，使得同时捕捉全局植株组织和精细的谷粒几何形状变得困难。为解决这些挑战，我们提出了SPINet，一种用于多植物水稻场景中3D表型提取的结构增强点云实例分割网络。所提出的框架引入了RiceMamba2编码器，该编码器结合了Mamba2的长距离依赖建模能力和并行卷积分支以增强序列-邻域关系，从而能够有效表示全局空间上下文和局部器官级细节。此外，开发了一种基于中心先验引导的解码器，为实例查询提供明确的空锚点，从而改善了密集场景中相邻和粘连水稻器官的分离。为进一步增强训练稳定性和收敛性，将DINO基的去噪策略纳入优化过程。在受控室内分组水稻数据集（GRD）上的实验结果表明，SPINet的平均精度（AP）达到65.73%，比OneFormer3D高出31.38个百分点。此外，基于预测实例的谷粒计数获得的决定系数（R²）为0.8532，展示了SPINet在下游产量相关表型性状提取中的潜力。这些结果表明，SPINet为复杂多植物场景下的自动化3D水稻表型分析提供了一个有前景的框架。
Keyword:
point cloud,3D instance segmentation,grain counting,Mamba2,multi-plant scene,rice phenotyping,spatial feature learning
期刊
IF:
4.8
论文数:
3.5W
被引数:
14.7W
机构
引用论文
A Novel LiDAR-Based Instrument for High-Throughput, 3D Measurement of Morphological Traits in Maize and Sorghum.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Automated 3D Segmentation of Plant Organs via the Plant-MAE: A Self-Supervised Learning Framework通过Plant-MAE的自监督学习框架实现植物器官的自动化3D分割
PREAI
分享收藏Mamba3D:
Enhancing Local Features for 3D Point Cloud Analysis via State Space ModelMamba3D:
通过状态空间模型增强局部特征，以改进3D点云分析
PREAI
分享收藏Eff-3DPSeg: 3D Organ-Level Plant Shoot Segmentation Using Annotation-Efficient Deep LearningPLANT PHENOMICSOAAI
PLANT PHENOMICSIF6.4
OAAI分享收藏Panicle-3D: Efficient Phenotyping Tool for Precise Semantic Segmentation of Rice Panicle Point CloudPLANT PHENOMICSOAAI
PLANT PHENOMICSIF6.4
OAAI分享收藏PlantSegNet: 3D point cloud instance segmentation of nearby plant organs with identical semanticsPlantSegNet: 具有相同语义的附近植物器官的3D点云实例分割
PREAI
分享收藏PST: Plant segmentation transformer for 3D point clouds of rapeseed plants at the podding stagePST: 植物分割变压器，用于在podding阶段的油菜籽植物的3D点云OAAI
OAAI分享收藏
查看更多内容