Pocket Phenomics: A Smartphone-based Framework for Quantifying Maize Architectural Traits in Field

方法

iPhone dToF LiDAR与ARKit采集RGB-D，YOLOv8增强检

发现

穗位高MAE 5.07cm（r=0.96），叶角MAE 3.54°，独立验证可复现。

机会点

消费级手机LiDAR表型可延伸至多作物多性状、时序追踪及与育种决策系统耦合。

准确量化玉米株型性状（如穗位高和叶角）对于选育适应密度的理想株型至关重要，但高通量且可追溯的田间表型采集仍然困难。现有三维表型平台受冠层遮挡、操作复杂性或高成本制约，而人工测量费时费力且可追溯性差。为弥补这一差距，本研究开发了Pocket Phenomics，这是一个基于智能手机的框架，将智能手机RGB-D采集、dToF误差表征、器官关键点自动检测和三维几何性状计算集成到统一的田间表型采集工作流程中，用于田间量化玉米株型性状。其采集模块（田间表型采集系统，PP-FPCS）利用iPhone直接飞行时间LiDAR传感器和ARKit获取对齐的RGB-D数据，用于测量穗位高和叶角。为提高田间条件下深度数据的可靠性，量化了采集距离和相机姿态的影响，并建立了稳健的操作规程（距离≤1.5 m，俯仰/偏航在±30°以内），使平面参考目标上重建三维距离的相对误差控制在10%以下。性状提取流程进一步结合了经Gather-and-Distribute模块增强的YOLOv8模型（用于遮挡和杂乱条件下的稳健多尺度检测）与基于深度的背景去除策略，以抑制复杂的田间背景。田间验证表明，智能手机测量值与人工测量值具有良好一致性，穗位高的平均绝对误差为5.07 cm（r = 0.96；平均偏差-4.58 cm），叶角为3.54°（r = 0.79）。2025年开展的时间独立田间验证重现了这一性能（穗位高：r = 0.98，MAE = 4.23 cm；穗上叶角：r = 0.89，MAE = 2.47°）。总体而言，本研究为田间玉米株型表型采集提供了一个便携、低成本且可重复的框架，更重要的是，证明了消费级智能手机LiDAR可作为高通量表型采集的实用传感工具，在育种和精准作物管理中具有应用潜力。