利用激光雷达数据精确检测大豆分枝和计算分枝角度的SCAG算法

一个研究小组开发了SCAG算法，用于使用激光雷达数据对大豆植株进行精确的枝条检测和角度计算。SCAG在分支检测（F-score=0.77）和角度计算（r=0.84）方面实现了高精度，优于传统方法

该算法确定了用于评估大豆耐密度的新的可遗传性状，如平均角高比（AHR）和角茎长比（ALR）。开源SCAG可以应用于其他作物，增强植物结构特征，并有助于理想的品种选择，以改善农业成果

大豆是植物油和蛋白质的主要来源，对满足日益增长的全球人口的需求至关重要。提高大豆产量是一个长期的育种目标，但有限的耕地和各种胁迫，特别是营养胁迫，带来了挑战。传统的压力监测方法劳动密集且效率低下，而遥感技术有其自身的局限性

当前的研究强调了深度学习的潜力，特别是Transformer架构，以增强高光谱成像分析。然而，将深度学习与高光谱成像相结合来识别大豆营养胁迫的研究仍然不足，这需要进一步的研究

2024年5月19日发表在《植物表型》杂志上的一项研究介绍了SCAG算法，该算法使用激光雷达数据在大豆中进行精确的分枝检测和角度计算

当对152个不同的大豆品种进行评估时，这种创新方法在分支检测（F-得分=0.77）和角度计算（r=0.84）方面表现出很高的准确性，显著优于SVM（F-得分=0.053）和基于密度的方法（F-得分0.55）。SCAG的稳健性通过参数敏感性分析得到了证实，显示出对参数N和D的不敏感性，对参数H的敏感性较小，应将参数H设置为分支直径的大约两倍以获得最佳结果

SCAG的适用性在Pheno4D数据集的玉米和番茄点云上进行了测试，证明了叶/枝角计算的高精度（玉米为0.95，番茄为0.94），显示了其对不同作物类型的潜力。该算法还确定了用于评估大豆耐密度的新性状，如平均角高（AHR）和平均角茎长比（ALR），与冠层宽高比（CHR）等传统性状相比，这些性状表现出更好的遗传力和可重复性

尽管SCAG取得了成功，但它面临着复杂的3D结构、稀疏的点云和小目标的挑战。未来的研究应侧重于提高数据质量，解决缺失的数据问题，并集成先进的深度学习方法来提高检测精度

根据该研究的首席研究员金世超的说法，“我们的工作证明了3D表型和植物结构筛选方面的重大进展。该算法可以应用于其他作物，如玉米和番茄。我们的数据集、脚本和软件是公开的，通过增强植物结构特征和促进理想的品种选择，可以进一步有利于植物科学共同体。”

总之，开源SCAG算法在提高作物发展和农业生产力方面具有巨大潜力。未来的研究将侧重于提高数据质量和集成先进方法，以进一步扩大其适用性 More information: Shichao Jin et al, SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0190