lab相关文献阅读

阅读方法: image.png

笔记归档 image.png

文献一: 人工智能驱动的作物表型解析: 进展与挑战

这是一篇综述文章，本身不提出新算法，而是系统梳理了AI在六个表型维度上的已有技术方案和应用进展： image.png

关键结论: 低通量,二维 -> 高通量,三维 技术成熟度不同 多模态融合成为趋势: 单一传感器信息有限,RGB+光谱+三维点云+环境数据的融合建模

涉及的技术栈:

三维重建:

MVS（多视图立体） SfM（运动恢复结构） LIDAR SLAM

机器学习:

传统机器学习：随机森林、支持向量机(SVM)、岭回归(BLUP) 深度学习：基于多层神经网络的端到端学习方法

深度学习:

卷积神经网络 (CNN)：ResNet、U-Net、YOLO系列、Mask R-CNN 循环神经网络 (RNN)：LSTM、GRU Transformer：ViT (Vision Transformer)、Cropformer 点云神经网络：PointNet++ 时序卷积网络：TCN

计算机视觉

目标检测与实例分割: YOLO系列,Mask R-CNN

语义分割: U-Net,DeepLabV3+

实例分割：Mask R-CNN

图像分类与特征提取: ResNet,ViT (Vision Transformer)

密度估计: 密度回归网络

时序建模:

LSTM GRU TCN (时间卷积网络)

多模态融合:

多任务学习 跨模态注意力机制 数据融合 / 特征融合 / 结果融合

前沿AI：

视觉-语言大模型(VLM) 自监督学习 迁移学习 边缘计算

文献二:MobilePheno3D | 小魔环重建植物点云世界坐标，从"无根之木"到"有据可依"

单目3D重建（如SfM, MVS）-> 尺度缺失 MobilePheno3D系统: 只需要一部普通智能手机,环绕植物拍摄一段视频,即可全自动完成从"原始视频" 到带"物理尺度,标准坐标系的三维点云"的转化

文献三: 三维作物重建: 高光谱和多光谱方法综述

高光谱成像(HSI) 将HSI与诸如光探测和测距,红色,绿色,蓝色和深度相机等深度传感模式以及诸如摄影测量等计算重建技术相结合

文献四: 以物体为中心的三维高斯溅射法在草莓植株重建和表型分析中的应用

2026-02-03 三维高斯溅射法 PCA主成分分析法 DBSCAN聚类

文献五: 基于无人机的单目3D全景制图在果园果形完善中的应用

2026-02-05 GroundedSAM 2用于多目标跟踪和分割（multi-object tracking and segmentation，MOTS） 摄影测量结构从运动用于3D场景重建 DeepSDF，一种隐式神经表示，为了用神经网络完成遮挡水果的几何形状

文献六: 基于三维点云获取和分析茉莉花植株表型

Kinect v2相机

ICP点云配准算法 & 随机抽样一致性粗配准算法（RANSAC）

文献七: 基于多视角的水稻密植秧苗三维重建

2025-11-14

多视图图像的重建方法依赖于图像配准和特征匹配,容易受到纹理相似和角度 异等问题的影响，导致匹配误差和关键结构信息的丢失。这可能导致局部缺陷和重建模型的精度降低

本研究采用基于深度学习的特征提取和匹配方法，利用SuperPoint网络提高特征点检测和描述过程的鲁棒性，并引入LightGlue算法提高匹配的准确性和稳定性

多视图图像采集 三维重建(含前端与后端处理) 方向与尺度校准 + 表型分析

前端(特征提取与匹配): SuperPoint：提取图像特征点 LightGlue：特征匹配 估计基础矩阵（Fundamental Matrix） 构建图像连接图（哪些图像之间有匹配）

后端(增量式重建): 选择最佳匹配图像对 三角化生成三维点 光束法平差（Bundle Adjustment）优化 逐步添加新图像，估计其相机位姿 离群点过滤

最终输出: 稀疏重建点云 + 相机位姿

文献八: 基于三维点云获取和分析茉莉花植株表型

2025-10-12 Kinect v2

增强的随机抽样一致性粗配准算法(RANSAC) 和 一种基于目标对称的ICP精配算法

文献九: 基于三维点云的油茶幼苗表型自动无损分型

2025-10-5 实现了循环分割策略，将幼苗点云分割成多个区域。在每次迭代中，都会对特定区域进行独立的形态分析和重新分类，从而增强传统聚类算法对局部形态特征变化的敏感性。通过在每次迭代中仅提取主茎或特定分支，保持了整体分割结果的完整性，从而实现从冠层分割到茎叶精确分割的过渡。

文献十: 使用无人机系统的激光雷达点云和RGB图像检测开放棉铃

2025-9-6 RGB传感器 LiDAR传感器

通过测量重叠图像的多个点,使用摄影测量将RGB图像转换为点云

文献十一: 基于PointNeXt和Quickshift++的三维植物器官实例自动分割方法

2025-8-17

目前大多数点云分割方法通常是针对特定作物设计,很难同时适用于显著结构差异的单子叶和双子叶作物

点云分割

本研究提出了一种基于PointNeXt和Quickshift++的具有更高泛化能力的两阶段单株植物器官实例分割方法。

该数据集包括122个自采甘蔗、49个开放访问的玉米和77个开放访问的番茄的点云。对改进的PointNeXt模型进行训练，实现了茎和叶的语义分割。

文献十二: 一种用于三维点云木质-叶片分离的无监督语义分割网络

2025-8-12

传统方法: 大量标注点云数据来训练有监督的语义分割网络 -> 无监督语义分割网络,能够直接从三维点云中提取木质与叶片组分

双节点注意力模块 点云特征卷积积分器

文献十三: 3D植物分割：2D-to-3D分割方法

2025-7-1 2D-to-3D的重新投影方法，并与三种最先进的3D分割算法（Swin3D-s、Point Transformer v3和MinkUNet34C）进行了比较。2D到3D方法使用Mask2Former分割图像，将预测重新投影到点云，并使用多数投票算法合并多个预测

文献十四: 基于点云多重聚类的玉米幼苗重建及空间分布分析

2025-6-18 一种基于地基激光三维点云扫描技术的玉米幼苗重建和空间分布分析方法 用高精度地面激光扫描(TLS)，从多个玉米幼苗地块收集3D点云数据 然后使用Trimble Realworks进行详细的预处理和分析 提出了基于玉米幼苗生长特性的回归经验公式。该公式有效地缓解了密集种植条件下叶片遮挡的挑战 本研究结合了DBSCAN和K-means聚类算法，有效地克服了点云数据中植物密集分布、叶片遮挡和噪声带来的挑战，可以准确识别植物的位置和分布，优化行和列间距计算，并实现植物缺失检测功能

文献十五: 无人机高光谱-热-激光雷达融合在表型分析中的应用

2025-6-7 无人机高光谱-热-激光雷达融合检测和分类 随机森林