Automated extraction of architectural traits from apple tree branches via 3D instance segmentation and skeletonisation

准确高效地提取苹果树枝条的三维表型性状对于苹果树育种和生长监测至关重要。然而，现有方法严重依赖人工测量，耗时、成本高且难以规模化。此外，基于深度学习和骨架提取的现有方法在处理高密度、大规模点云数据时仍面临关键挑战，包括枝条分割精度不足、骨架提取质量欠佳以及缺乏类别特定的细粒度表型量化能力。为克服这些局限，本文提出了一种用于自动化表型性状提取的专用框架。该方法包括三个关键步骤：（1）利用Relation3D模型从三维数据中对枝条进行实例分割，以区分单个枝条；（2）基于几何特征和L1中位数算法对每个分割后的枝条进行骨架化，以获得细粒度骨架结构；（3）定量性状提取，自动计算主干高度、按类别统计的枝条数量和枝条长度。实验结果表明，Relation3D实现了高精度的实例分割，且本文的骨架化方法能够可靠地恢复枝条几何形态。因此，该框架能够准确提取关键表型性状，包括枝条数量和长度。本研究为枝条级表型分析提供了一种高效且准确的解决方案，在提升苹果树育种和精准园艺方面具有显著潜力。