利用图像运动进行 3D 重建以预测矮番茄植株总叶积

准确估计总叶积（TLA）对于评估植物生长、光合作用活性和蒸腾作用至关重要，但对于复杂树冠的矮番茄等灌木类植物仍具有挑战性。传统方法往往工作量大、对植物造成损伤，或在捕捉树冠复杂性方面受限。本研究评估了将序列 RGB 图像的 3D 重建与机器学习相结合，用于估计三个矮番茄品种（Mohamed、Hahms Gelbe Topftomate 和 Red Robin）的 TLA，这些植物在受控温室条件下生长。两个实验（春夏和秋冬）包括 73 株植物，产生 418 项 TLA 测量，通过“洋葱”方法获得。记录高分辨率视频，每株植物使用 500 帧进行 3D 重建。对点云使用四种算法（Alpha Shape、Marching Cubes、Poisson's、Ball Pivoting）进行处理，并使用七种回归模型评估网格：多变量线性回归、Lasso 回归、Ridge 回归、弹性网回归、随机森林、极端梯度提升和多层感知机。Alpha Shape 重建（α=3）配合极端梯度提升实现了最佳性能（R²=0.80，MAE=489 cm²）。跨实验验证显示结果稳健（R²=0.56，MAE=579 cm²）。特征重要性分析识别出高度、宽度和表面积为关键预测因子。这一可扩展、自动化的 TLA 估计方法适用于城市农业和精准农业，具有用于自动修剪、资源效率和可持续食品生产的应用前景。该方法在可变环境条件和树冠结构方面表现出稳健性。