农田作物的冠层应力自动分类传统上依赖于单视角二维(two-dimensional，2D)照片，通常通过使用无人机(unmanned aerial vehicles，UAVs)的俯视图成像获得。然而，这种方法可能无法捕捉到植物胁迫症状的全部范围，这些症状可以在整个冠层中表现出来。激光雷达技术的最新进展使获取整个树冠的高分辨率3D点云数据成为可能，为更准确的植物胁迫识别和评级提供了新的可能性。本研究探讨了利用3D点云数据改进植物胁迫评估的潜力。利用了700株大豆植物的RGB 3D点云数据集，这些植物来自于一个暴露于缺铁性黄绿病(iron deficiency chlorosis，IDC)胁迫下的多样性研究。从这700个不同程度IDC的树冠中，提取了几种表征，包括(a)手工制作的IDC症状特异性特征，(b)树冠指纹，以及(c)基于潜在特征的特征。随后，训练了几个分类模型来使用这些表征来预测植物的胁迫严重程度。详尽地研究了三维数据的几种胁迫表示和模型组合。还将这些分类模型的性能与仅使用每个植物的相关俯视图2D RGB图像进行训练的类似模型进行了比较。在测试的特征模型组合中，使用支持向量机训练的3D树冠指纹特征表现最佳，其分类精度高于使用卷积神经网络构建的基于2D数据的最佳模型。研究结果证明了彩色冠层指纹识别的实用性，并强调了在农业应用中考虑3D数据来评估植物胁迫的重要性。

图1  (A)扫描和地块提取过程：该图显示了带有扫描位置的地块图像，覆盖了五个不同的位置，包括地块的四面和靠近中心的位置。在捕获点云数据后，使用Faro SCENE 2021®软件对其进行清洗、处理和注册。随后，利用内部Python脚本从注册的点云数据中提取单个地块并移除地面。(B)评级：移除地面部分后，使用CloudCompare 2.11.3®对所有地块进行可视化，并由专家对每个地块的IDC胁迫进行1至5级的评估。(C)可视化：每个IDC应力等级的代表性树冠。

图2  一组图片展示了数据管理过程中不同阶段的3D点云：(A)原始注册的RGB点云。(B)裁剪后的点云聚焦于场地。(C)在三个不同时间点拍摄的除去地面的所有样地点云;请注意，由于阴天条件、不完整或噪声，一些地块被排除在外。(D)样本三维点云及其对应的二维俯视图投影。

图3  特征生成与分类：图提取完成后，进行特征生成与分类。为了展示数据集中树冠颜色和大小的多样性，增加了四个提取地块的点密度。对于每个图，从三维点云中提取手工制作的颜色和树冠指纹特征。从2D俯视图投影图像中提取手工制作的颜色特征，并使用神经网络生成潜在特征。这些特征与IDC评级相结合，用于训练各种分类算法，包括支持向量机(SVM)、k近邻(KNN)、随机森林(RF)和卷积神经网络(CNN)，以预测IDC类别标签。

图4  从2D图像生成手工特征的概述。使用类似的工作流从3D点云手工特征生成。

图5  比较(A) 2D和(B) 3D手工制作特征：分级特定分布。图上的每个点都代表了IDC胁迫下大豆树冠的手工颜色特征。请注意，与2D功能相比，3D手工制作的功能具有更好的类分离。

图6 比较不同模型在二维数据上的分类精度：评估的模型包括二维手工颜色特征和二维CNN潜在特征。x轴表示各种模型(DT、KNN、RF、SVM和CNN)，柱状图表示每个模型达到的5倍精度。

图7  比较不同模型在3D数据上的分类精度：评估的模型包括3D手工颜色特征和3D指纹。x轴表示各种模型(DT、KNN、RF和SVM)，条形图表示每个模型实现的5倍精度。

图8  比较不同模型在2D和3D数据上的错误分类成本：评估的模型包括2D不平衡特征、2D手工颜色特征、2D CNN、3D手工颜色特征和3D指纹。x轴表示各种模型(DT、KNN、RF、SVM和CNN)，柱状图表示每个模型产生的误分类代价。

图9 比较使用2D和3D特征的前两个执行模型的混淆矩阵。