在智慧農業的發展浪潮中，準確、高效地獲取植物表型信息是理解作物生長、優化管理決策的關鍵。傳統的植物表型分析，如株高、葉面積等參數的測量，主要依賴人工操作，不僅耗時費力、規模有限，而且誤差較大，難以適應高通量、精準化的現代農業需求。近年來，計算機視覺與三維傳感技術（如激光雷達、多視角立體視覺）的進步，使得通過三維點云數據來解析植物復雜形態成為可能。然而，如何從這些密集、無序且常伴有遮擋和噪聲的點云中，精確地分割出植物的不同器官（如莖和葉），并進一步提取精準的表型參數，仍是一個巨大的技術挑戰。現有的點云分割方法，如經典的KPConv網絡，雖然因其幾何適應性在一般點云分割中表現出色，但在面對植物葉片薄層結構、莖葉連接處細節、以及葉片間嚴重遮擋等復雜場景時，往往力不從心，存在多尺度特征融合不足、缺乏動態注意力機制、解碼階段上下文信息利用不充分等問題，導致精細分割效果難以滿足實際應用需求。正因如此，一項旨在攻克這些難題、實現植物點云自動化精細分割與表型提取的研究應運而生，并發表在國際期刊《Smart Agricultural Technology》上。

為開展此項研究，研究人員整合了無人機遙感、計算機視覺和深度學習技術，構建了一套完整的技術流程。首先，利用大疆無人機搭載RGB相機，在煙草技術成熟期，于云南玉溪的試驗田，以不同飛行高度（6米和8米）和傾角（45°和65°）環拍采集了多視角煙草圖像。接著，使用ContextCapture軟件結合運動恢復結構（SfM）和多視角立體視覺（MVS）算法，從圖像序列中重建出煙草田的整體三維點云。然后，基于生成的數字正射影像圖（DOM），應用目標檢測算法YOLOv11n自動識別單株煙草，并將其二維邊界框投影至三維空間，從而裁剪出獨立的單株煙草高精度點云。在數據預處理階段，采用了超綠（ExG）特征算法移除土壤背景，并結合半徑濾波與統計濾波去除噪聲點，最后通過均勻下采樣將每株點云數量控制在約45,000個點以平衡細節與計算效率。在此基礎上，研究團隊構建了一個包含40個完整煙草點云及對應標注文件的數據集，為模型訓練與評估奠定了基礎。

本研究提出了名為PE-KPConv的增強型點云分割網絡，其核心在于對KPConv框架進行了三方面關鍵改進，以應對植物器官分割的特殊挑戰。編碼階段的增強：PCCPAFE模塊。在網絡的編碼器中，研究團隊設計了點云通道先驗注意力特征提取模塊（PCCPAFE）。該模塊首先通過通道注意力機制校準特征，增強對關鍵器官（如莖干）的特征通道響應；隨后，采用多尺度空間聚合策略，在預設的不同尺度（如鄰域點數5, 7, 11, 21）上分別聚合局部幾何信息，從而同時捕獲葉片紋理（小尺度）和莖干拓撲（大尺度）等差異顯著的幾何特征，顯著提升了特征判別力。解碼階段的優化：EAM模塊。在解碼器的每個上采樣層之后，引入了基于改進CBAM的增強注意力模塊（EAM）。與原始CBAM使用全連接層不同，EAM采用一維卷積來生成通道注意力，這更適用于點云數據且計算更高效。該模塊通過綜合運用空間注意力和通道注意力，擴大了特征提取的感受野，有助于緩解因葉片遮擋導致的特征混淆問題。細節保留機制：多尺度側向輸出結構。為了最大限度地保留在深層網絡中易丟失的葉緣等幾何細節，研究構建了一個多尺度側向輸出結構。該結構在解碼器的不同層級進行8倍、4倍和2倍的上采樣操作，并將這些不同尺度的上采樣特征與最終層特征進行拼接融合，實現了多層次特征的有效復用。

實驗結果表明，PE-KPConv網絡在自建的煙草點云數據集上表現卓越。分割性能評估：PE-KPConv在煙草莖葉分割任務中取得了優異的分割性能，其平均交并比（mIoU）、平均準確率（mACC）和F1分數分別達到了92.35%、93.36%和97.40%，顯著優于標準的KPConv及其它對比網絡。關鍵模塊消融實驗：通過對PCCPAFE、EAM及多尺度側向輸出結構進行消融研究，證實了每個改進模塊對于提升分割精度、特別是改善莖葉連接處和葉片邊緣分割效果都貢獻顯著，共同構成了網絡高性能的基礎。表型參數提取與驗證：基于PE-KPConv的分割結果，研究進一步采用優化的基于密度的噪聲應用空間聚類（DBSCAN）方法對葉點云進行實例分割，進而自動提取了株高、葉長、葉寬和葉面積四個關鍵表型參數。將提取的數值與田間實地測量值進行對比分析，結果顯示兩者具有高度的一致性，決定系數（R²）均在0.96以上，證明了該方法的準確性與可靠性。泛化能力測試：為了驗證模型的普適性，研究還將PE-KPConv應用于其他三種植物（番茄、高粱、黃瓜幼苗）的點云數據進行測試。結果表明，該網絡在不同物種的數據上依然保持了良好的分割性能，展現了其優秀的跨物種泛化能力和魯棒性。

綜合研究結果，本項工作的核心結論在于成功開發并驗證了一套從無人機圖像采集到植物表型參數自動化提取的完整技術方案。該方法的核心創新點在于提出的PE-KPConv點云分割網絡，它通過引入PCCPAFE模塊實現了多尺度幾何特征的有效融合與增強，通過EAM模塊改善了復雜遮擋下的特征判別能力，并通過多尺度側向輸出結構精細保留了器官邊緣細節，從而系統性解決了現有KPConv網絡在植物點云精細分割中面臨的三大挑戰。基于高精度分割結果，結合優化的DBSCAN聚類算法，實現了對植物株高、葉長、葉寬和葉面積等關鍵生長性狀的快速、無損、自動化測量，其測量精度可與人工實地測量相媲美。這項研究的意義深遠，它不僅為煙草這一重要經濟作物的精準表型研究提供了強有力的技術工具，其提出的網絡架構與處理方法也展現出良好的泛化潛力，可為其他作物的三維表型分析提供參考。最終，該研究推動了從原始三維點云數據到可用農學知識的自動化轉化進程，為智慧農業中的作物育種、生長監測與精準管理提供了可靠的技術支撐。