（图文|The Crop Journal 编辑|辛西 审核|李伟夫）植物表型特征的精准获取是作物遗传改良与精细管理的关键所在。然而，传统人工表型分析不仅劳动密集、耗时费力，且易受主观因素干扰，难以满足规模化育种的实际需求。基于RGB图像的二维方法虽成本较低，却只能提供有限结构信息，对叶倾角、穗长等复杂构型性状的表征精度明显不足。三维重建技术能够有效恢复植株立体结构，实现高度、叶角、穗长等关键表型性状的定量测量，但传统手段如CT、结构光和激光雷达受制于设备成本、便携性与可扩展性，难以在大田场景中广泛应用。神经辐射场（NeRF）与三维高斯泼溅（3DGS）等新兴方法虽展现出良好前景，却仍面临计算效率瓶颈，且现有采集模式下相机绕植物旋转受限于硬件配置与空间条件，难以与高通量表型分析的实际需求相适配。因此构建一种高效准确且与实际采集模式相匹配的新型三维重建框架，是突破当前植物表型分析瓶颈的重要途径。

近日，华中农大李林教授、李伟夫副教授团队联合湖北省农科院粮食作物研究所以及湖北汇楚智生物科技有限公司，在The Crop Journal在线发表题为“Lightweight contour-aware 2D Gaussian splatting under Plant-to-Camera”研究论文。该研究提出轻量级轮廓感知的二维高斯泼溅重建策略，结合Plant-to-Camera转台采集模式与语义分割、深度估计的先验引导，成功实现高精度、高效率的植物三维表面重建与器官级语义获取，建立了一套适配多种作物表型分析需求的新型三维重建框架。

研究团队设计了一套简单高效的采集系统，相机固定于三脚架，植物置于转台上匀速旋转360°，同步录制视频用于后续三维重建（图1A）。在采集系统基础上，为确保重建管道聚焦于植物结构并有效抑制旋转过程中背景干扰，团队采用SAM2进行前景-背景语义分割与器官级掩模提取，凭借其强大的零样本泛化能力，实现了不同物种与生长阶段下的精准分割（图1B）。同时引入Depth Pro进行单目深度估计，为重建提供轮廓清晰的几何先验，有效保留植物边界处的深度不连续性（图1B）。针对植物场景纹理重复、特征稀疏的特点，团队设计了基于RoMa无检测器特征匹配框架的姿态估计管道，替代传统依赖标记点的匹配方法，在Plant-to-Camera设置下实现了稳健的相机姿态初始化与点云恢复（图1C）。在重建算法设计上，团队对原始二维高斯泼溅进行了轻量化改进，将各向异性尺度压缩为各向同性单一标量，并将视角依赖的球谐颜色替换为固定RGB颜色，大幅减少参数总量并提升优化稳定性。针对边界模糊问题，团队引入轮廓感知深度正则化，融合语义边缘与深度几何边缘构建复合边界掩膜，并在轮廓区域内施加深度平滑约束，有效保持了植物边界处的深度锐利与结构清晰（图1C）。在此基础上，团队在玉米与小麦的多生长阶段上系统评估了该方法在姿态估计、重建质量与表型性状提取方面的综合性能。

在Plant-to-Camera采集模式下，植物表面纹理均一且重复结构密集，现有SfM方法普遍因特征匹配不可靠而导致相机轨迹碎片化、难以形成完整 360° 闭环。本文方法借助 RoMa 无检测器匹配框架，在不同植物及生长阶段均能建立稳健一致的特征对应，实现平滑连续且几何一致的闭环位姿估计，显著优于现有基线。

在自采集小麦与玉米数据集上，本文方法与代表性基线方法进行了几何重建质量的定性比较（图3）。结果表明，基线方法重建的点云普遍存在轮廓模糊、结构松散等问题，难以准确还原植株的真实形态。消融实验进一步验证了轻量化设计与轮廓感知深度正则化的有效性。此外，团队在公开小麦数据集上开展了定量评估，所提出模型在PSNR、SSIM和LPIPS等指标上均显著优于3DGS、2DGS、LightGaussian和AbsGS等主流方法，充分证明了该方法在重建精度与结构保真度上的综合优势。为进一步验证重建结果的几何准确性，团队将自动提取的表型参数与同一组标本的手动测量值进行了对比分析。结果表明，在不同生长阶段与性状指标上，预测值与实测值之间具有较好的一致性，证实了该方法在表型特征提取方面的有效性与可靠性（图4）。

华中农大博士研究生赵亮，省农科院粮食作物研究所副研究员佟汉文，华中农大硕士研究生刘航宇为该文共同第一作者。华中农大李林教授和李伟夫副教授，湖北省农科院吴波为共同通信作者，湖北汇楚智生物科技有限公司相关人员参与研究。该研究得到国家重点研发计划、湖北省技术创新计划和国家自然科学基金资助。