近日，国家香蕉产业技术体系果园生产机械化岗位团队在期刊Plant Phenomics（中科院一区TOP期刊）发表了题为“BN-NeRF: A Fast 3D Reconstruction and Phenotyping Framework for Banana Plants Using Handheld Devices”的学术论文。
在智慧农业快速发展的背景下，如何以低成本、非接触、高效率的方式获取作物三维结构与关键表型参数，已成为田间数字化监测的重要问题。对于香蕉植株而言，叶片面积大、边缘易撕裂、叶面纹理弱、植株遮挡严重，再加上田间手持采集不可避免的轻微抖动，使传统摄影测量方法常出现匹配失败、模型破碎、尺度不准等问题，难以支撑高精度表型分析。
针对这一难题，机械化研究室徐兴副教授提出了 BN-NeRF 框架，面向普通手持设备采集场景，实现香蕉植株的快速三维重建与自动表型提取。该方法以 Instant-NGP 为基础，围绕香蕉植株田间成像特点，设计了三项关键算法：一是帧级几何校正策略，用于修正手持拍摄带来的位姿扰动；二是稀疏几何锚定策略，将 SfM 稀疏点转化为尺度约束，提升弱纹理区域的几何稳定性；三是薄叶先验约束，抑制叶缘漂浮伪影和厚度膨胀，增强香蕉叶片这类薄层结构的连续性与可测量性。在此基础上，研究进一步建立了从隐式辐射场到显式度量几何、再到自动表型分析的完整流程，实现假茎与叶片参数的自动提取。（图1，图2）
图1 BN-NeRF 手持式香蕉植株三维重建与自动表型分析技术框架
图2 iPhone端三维重建演示
研究在真实香蕉园 90 株植株数据集上开展验证，图像由 iPhone 手机 采集。结果表明，BN-NeRF 在重建质量上取得了 PSNR 32.4 dB、SSIM 0.951、LPIPS 0.152 的表现，整体优于多种主流 NeRF 方法与传统 SfM-MVS 方法。在表型测量方面，叶长提取的决定系数 R² 达 0.9647、MAPE 为 3.6%，叶宽 R² 为 0.9470、MAPE 为 4.8%，叶面积 R² 为 0.8962、MAPE 为 5.8%，显示出较强的田间应用潜力。与此同时，研究还比较了不同采集轨迹的效果，发现 45° 螺旋拍摄能够在不同株型条件下取得更均衡的视角覆盖。效率方面，在 2048×2048 分辨率下，BN-NeRF 的重建核心计算时间为 33 s，而传统 SfM-MVS 达到 1 h 20 min，体现出较好的快速处理能力。（图3）
图3 BN-NeRF 表型参数提取精度定量验证结果
该研究实现了“手机采集—云端重建—结果回传”的移动端协同原型系统。用户可通过手机完成视频采集与任务提交，在云端完成三维重建和表型计算后，再返回结构化结果进行查看。这表明，面向香蕉等大叶片作物的低成本三维感知与表型分析，正在从实验室研究逐步走向可落地的应用形态。
研究为热带果树数字化表型获取提供了一条兼顾成本、精度与效率的新路径，也为未来面向果园尺度监测、动态生长分析与智能装备联动提供了重要技术基础。论文github链接 https://github.com/wbxbky/BN-NeRF-Inference，手机app操作实现视频 https://b23.tv/jLa61EQ
内容编辑：
地址:海南省海口市城西学院路4号（571101）
电话：0898-66986419 传真：0898-66986419 
E-mail：china_banana2008@vip.163.com