本研究由Gang Zhang、Yu Wang、Yang Yang等作者团队合作完成，研究机构包括安徽科技学院机械工程学院（School of Mechanical Engineering, Anhui Science and Technology University）和安徽农业大学工程学院（School of Engineering, Anhui Agricultural University）等。该研究发表于期刊《Computers and Electronics in Agriculture》2026年第240卷，标题为《High-throughput extraction of individual plant height in rapeseed based on LiDAR-camera data fusion》。
该研究属于农业表型组学（Phenomics）与智能农业交叉领域，聚焦油菜（rapeseed）株高（plant height, PH）的高通量精准提取。作为全球第二大油料作物，油菜株高是反映其产量、抗倒伏性和非生物胁迫耐受性的关键表型指标，尤其在幼苗期株高直接影响抗寒性和最终产量。传统测量方法难以实现大田条件下单株水平的高精度、低延迟测量，而现有遥感技术（如多光谱成像、超声波传感器）存在植被指数饱和、点云密度不足等问题。因此，本研究旨在开发一种基于LiDAR-相机多传感器数据融合的技术，实现油菜全生长周期（从两叶期到开花期）的单株株高自动化提取，为育种工作提供高效表型分析工具。
研究分为四个核心步骤：
1. 多传感器数据采集与空间同步
- 研究平台：采用自主研发的桁架式表型平台（field truss-type phenotyping platform），配备Livox HAP LiDAR（水平视场角120°×25°，点云分辨率45万点/秒）和MV-CE060-10UM工业相机（分辨率2400×1600像素）。
- 样本设计：在中国安徽省庐江县实验站种植120个基因型油菜（编号001-120），每个基因型种植面积为1.4×1 m²，覆盖6个生长阶段（两叶期至开花期）。
- 数据同步：通过棋盘格标定法获取相机内参矩阵（Zhang’s calibration method）和LiDAR-相机外参矩阵（旋转矩阵R与平移矩阵T），实现空间配准，平均重投影误差为1.17像素。
2. 基于改进Faster R-CNN的单株检测
- 算法改进：针对油菜生长周期中植株尺寸变化（20-300像素），采用K-means聚类优化锚框尺寸为[4,6,8,12]，并选用ResNet-50作为骨干网络。
- 性能验证：在205张测试图像中，改进后模型的平均精度（mAP@0.5 IoU）达0.902，召回率（recall）为0.897，显著提升幼苗期小目标检测能力。
3. 点云-图像数据融合与地面拟合
- 融合策略：首次融合通过投影变换赋予点云RGB信息，区分植株与地面点云；二次融合将图像检测框映射至点云，实现单株分割。
- 地面拟合创新：采用布料模拟滤波算法（Cloth Simulation Filter, CSF）拟合被冠层遮挡的地面点，通过粒子重力模拟（公式2-4）重建缺失地形。实验表明，即使在开花期（株高>100 cm），地面拟合最大误差<4.4 cm。
4. 株高提取与验证
- 测量方法：以单株点云最高点与CSF模拟根部位点的垂直距离作为株高。
- 验证实验：
- 实验1：对077号基因型油菜手动测量验证，全周期R²=0.997，RMSE=1.156 cm（相对误差5.48%）；幼苗期（株高<20 cm）R²=0.980，RMSE=0.651 cm。
- 实验2：120个基因型株高分布分析显示，越冬期冷胁迫（-7°C）导致的株高变化（δPH）与开花期株高显著正相关（r=0.590, p<0.01）。
科学价值：
1. 提出首个结合LiDAR-相机数据融合与改进深度学习的大田单株株高通量提取框架，突破了传统方法在幼苗期和密植期的测量瓶颈。
2. 揭示冷胁迫与株高的表型关联，为抗寒育种提供量化依据。
应用价值：
- 桁架式平台与算法可扩展至小麦、玉米等作物表型分析，适配精准育种需求。
- 开源代码与数据集（需申请获取）推动农业人工智能工具开发。
（注：全文共计约1500字，严格遵循学术报告格式，未包含任何框架性说明文字。）