基于配对注意力中心轴聚合网络的玉米群体点云分割与表型特征提取研究

　　针对密集玉米群体点云分割难题，沈阳农业大学团队提出PACANet框架，通过3D配对注意力(PANet)主干网络增强空间-通道特征交互，结合投影式中心轴聚合策略提升实例分割精度。实验表明该模型在模拟数据训练下平均精度达0.9246，为高通量表型分析提供新工具，相关成果发表于《Computers and Electronics in Agriculture》。

　　

在全球粮食安全面临挑战的背景下，玉米作为主要粮食作物，其精准育种和高效管理依赖于先进的表型分析技术。传统田间表型采集方法劳动强度大，而激光雷达(LiDAR)技术虽能获取高分辨率冠层点云，但在密集种植条件下，叶片重叠、茎秆交错导致的复杂空间结构使得单株分割成为技术瓶颈。现有两阶段分割方法依赖茎秆识别，忽视叶片形态特征，导致相邻植株叶片误分类；深度学习模型如PointNet系列虽取得进展，但对通道特征交互和密集群体适应性的处理仍不足。

沈阳农业大学研究团队在《Computers and Electronics in Agriculture》发表的研究提出PACANet框架，创新性地将配对注意力机制与中心轴投影策略结合。通过3D PANet主干网络同步学习空间自注意力(SA)和通道注意力(CA)特征，配合基于物理变形的点云生成方法增强数据多样性。实验显示该模型在四种种植密度(A¹
-A⁴
)场景下，仅用模拟数据训练即实现0.9246平均精度，成功提取株高、叶基角等表型参数，为智慧育种提供新工具。

关键技术包括：1) 3D配对注意力网络整合SA-CA模块；2) 中心轴聚合损失函数优化偏移向量；3) 物理变形与仿射变换结合的模拟点云生成；4) 基于RTX A6000 GPU的AdamW优化训练。

研究结果部分：
《Advancements in feature representation using the 3D PANet backbone》显示，SA模块通过查询-键值交互捕获叶片空间关系，CA模块通过通道权重分配增强形态特征区分度，在0.2m高密度种植区F1值提升12.6%。

《Conclusion》指出，PACANet通过轴引导聚类替代传统实例中心，使外围植株分割准确率提高23.4%，叶倾角测量误差<1.5°。表型分析揭示种植密度与叶基角呈显著负相关(r=-0.82)，验证了方法的生物学意义。

该研究突破性地将通道注意力引入点云Transformer架构，开发的模拟-真实数据迁移框架降低标注依赖，为作物群体三维表型分析建立新范式。未来可扩展至小麦、水稻等主粮作物，推动精准农业技术发展。源代码已开源于GitHub平台。