Balancing accuracy, completeness, and efficiency for rice 3D reconstruction through CBAM-UNet-based multi-view segmentation and camera configuration optimization

方法

Metatlas V1多视角平台、COLMAP+OpenMVS、CBAM-UNe

发现

最优6相机配置将最近邻距离降至0.037–0.066 cm，保留73–76%点云，重建耗时减少约70

机会点

可将相机配置优化策略迁移到其他旋转多视角平台，并探索自适应配置与分割模型联合优化。

多视角三维重建已广泛应用于植物表型分析，但水稻复杂的冠层结构对重建精度、完整性和效率构成了重大挑战。本研究利用自主研发的Metatlas V1多视角成像平台，结合COLMAP + OpenMVS流程，开发了一套优化的水稻三维重建工作流。采用基于CBAM-UNet的图像分割模型从复杂背景中提取植株区域，其性能优于阈值分割、U-Net和U-Net++，并增加了重建点数量。通过系统组合等距策略和贪心策略进行相机配置优化，得到了最优的六相机方案（#2、#3、#4、#6、#7和#8，分别对应相对于水平视角的−30°、−15°、0°、+30°、+45°和+60°），该方案提供了冠层内部结构和茎基部的互补视角。与完整的11相机方案相比，该配置将不同品种和生育期的平均最近邻距离降至0.037–0.066 cm，保留了73–76%的点云，并将重建时间缩短了约70–80%。点云提取的株高和冠幅与人工测量结果高度一致（R²分别为0.989和0.946），验证了点云表型测量的准确性。总体而言，将图像分割与相机配置优化相结合，为利用Metatlas V1进行水稻高通量三维表型分析提供了一种准确高效的解决方案，在重建精度、点云完整性和计算效率之间取得了平衡，并可为其他旋转式多视角表型平台的相机配置设计提供方法学参考。