使用 3D 植物模型的干旱胁迫分类

植物生理变化的量化能够捕捉不同的干旱机制，并以高通量的方式辅助耐旱品种的筛选。在此背景下，与使用 2D 图像相比，植物冠层的精确 3D 模型为干旱胁迫表征提供了可靠的表示。在本文中，我们提出了一种新颖的端到端流水线，包括 3D 重建、分割和特征提取，在各个阶段利用深度神经网络进行干旱胁迫研究。为了克服植物冠层中高度的自相似性和自遮挡，利用基于深度孪生网络特征的叶片形状先验知识，通过运动恢复结构在小麦植物上构建精确的 3D 模型。干旱胁迫通过基于深度网络的特征聚合来表征。我们在几种描述子上比较了所提出的方法，并表明该网络优于传统方法。