大豆分枝夹角是决定其冠层结构的主要因素。准确、高效地测量大豆分枝夹角对鉴定和利用耐密植株型大豆品种至关重要。传统的测量方法主要依靠人工操作，不仅耗时耗力，还存在一定的主观性，难以准确量化不同材料之间的细微差异。激光雷达技术在作物三维表型研究领域已取得了显著成果，具有对光照不敏感等优势。但是，大豆株型结构复杂，当前的三维表型提取方法难以满足其复杂分枝结构参数提取的要求。本研究围绕大豆耐密植株型鉴定需求，聚焦分枝夹角表型提取的挑战，进行了系统的算法开发和应用研究。

2024年5月，Plant Phenomics 在线发表了南京农业大学前沿交叉研究院AiPhenomics课题组题为SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation的研究文章。

一、研究贡献

1. 构建了一个高精度、多品种的大豆植株点云开放数据集Soybean3D

针对适用于田间大豆植株结构参数提取数据集匮乏的问题，本研究基于地基LiDAR采集两年大豆植株骨架结构三维点云数据，选择单年的152株不同品种大豆材料样本构建Soybean3D数据集，并根据样本点云质量和植株三维结构复杂程度分成了简单、中等、复杂三个数据组，分别包含50、51和51个大豆品种。该数据集分辨率高、材料之间结构差异明显，遗传多样性丰富，有望推动大豆植株结构参数高通量表型算法的开发。目前该数据集已公开发布于AiPhenomics的GitHub网站 https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor，可免费获取应用于非商业用途。

表1 Soybean3D数据集概况

2. 开发了一个准确、稳健和可迁移的分枝夹角提取方法SCAG

受大豆主茎生长与分枝形成的生物学过程启发，提出了一种基于点云分层、聚类和生长的大豆分枝夹角检测和提取算法（SCAG），在分枝检测和角度计算方面取得了显著成效。

图1 SCAG算法流程

通过对比SCAG算法与支持向量机（Support vector machine, SVM）和点密度阈值（Density-based, DB）方法，证明SCAG算法的分枝检测效果最佳（召回率、精确率和F-score分别为0.81、0.73和0.77），其F-score比另外两种方法平均提高了42.67%。同时，基于SCAG提取的分枝角度与手动测量值之间的相关系数r=0.84。此外，SCAG算法还能有效应用于玉米（r=0.95）和蕃茄（r=0.94）等作物的分枝角度提取。

表2 SCAG与其他算法比较结果

图3 SCAG算法在其他作物上有较好的迁移性

3. 发掘了潜在的耐密株型鉴定新指标AHR和ALR

利用SCAG算法对3218株大豆单株点云数据进行分枝夹角等三维表型性状的精准计算。基于数据质量控制，筛选出55个品种，用于进一步挖掘耐密植株型的新鉴定指标。通过组合分析，本实验构建了11个潜在指标，并依据其遗传力和重复性，最终确定了角高比（AHR）和角长比（ALR）两个性状。这两个新性状在评估大豆耐密植潜力上展现出一定潜力，为大豆种植和育种提供了新的思路。

图4 AHR和ALR在遗传力以及重复性上均优于CHR

4. 开发了一个植株分枝夹角分析软件

本实验已经将SCAG算法封装成软件，并与源代码一起上传到了GitHub账号（https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor）。我们相信开源代码将有助于算法的不断迭代升级。此外，我们还开发了一个用户友好的软件，也可以下载、安装和使用，只需将自己的作物点云文件上传到软件中并点击计算夹角按钮，就可以得到点云分枝夹角数据，具体操作请参考上述 GitHub存储库中的说明。该软件支持单株和多株样本同时进行分枝夹角提取，以及自定义参数设置，具体教程如下：

以下视频来源于植物表型前沿

视频1 SCAG.exe软件教程

二、研究总结

分枝检测和角度计算是精确和选择理想株型的关键，对于推动大豆绿色革命至关重要。本研究提出了一种新颖的SCAG算法，该算法在分枝检测和角度计算方面均取得了优异的结果，显著提高了分枝夹角计算的准确性和效率。此外，SCAG算法已验证适用于玉米和番茄等不同作物，展现了良好的泛化能力。最后，我们提出了分枝角度的耐密植株型鉴定新指标，为大豆耐密植品种选育提供了新的智能决策依据。同时，我们期望通过共享数据集和算法，推动相关研究的发展。

加入作者交流群