CN120220141A 基于ai驱动的高通量桑椹果实形态表型采集方法及装置

(19)国家知识产权局(10)申请公布号CN120220141A(21)申请号202510687732.0(22)申请日2025.05.27(71)申请人广东省农业科学院蚕业与农产品加工研究所地址510000广东省广州市天河区东莞庄一横路133号吴剑安李智毅王圆郭武燕GO6VGO6N(74)专利代理机构佛山粤进知识产权代理事务所(普通合伙)44463专利代理师张自海GO6V20/68(2022.0(54)发明名称基于AI驱动的高通量桑椹果实形态表型采集方法及装置(57)摘要本发明公开了一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置。该方法包括以下步骤：首先，获取目标桑椹生长区域的初始多光谱图像数据；根据所述多光谱图像数据，确定用于桑椹果实形态表型采集的多光谱图像采集参数；随后，基于采集参数获取新的多光谱图像数据，并对桑椹果实的交叠情况进行自动判别；针对存在交叠的桑椹果实，通过AI算法进行表型重建，生成表型补偿图像数据；最后，依据表型补偿图像数据对桑椹果实的形态表型特征进行识别与采集，从而获得目标生长区域内完整准确的获取目标桑椹生长区域的初始多光谐图像数据，根据所述多光根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得21.一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，包括以下步骤：获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。2.根据权利要求1所述的一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，所述获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数，具体为：基于多光谱图像采集设备获取目标桑椹生长区域的初始光谱图像数据，基于边缘检测算子提取所述初始光谱图像数据中的桑椹果实轮廓特征，基于所述轮廓特征构建二维轮廓采用主成分分析法对所述二维轮廓点集进行降维处理，获取表征桑椹果实形态的主成分方向向量，根据所述主成分方向向量建立三维空间坐标系，通过深度卷积神经网络预测轮廓点集在三维空间中的深度信息；根据所述深度信息与二维轮廓点集构建桑椹果实的三维点云模型，根据所述三维点云模型确定在目标桑椹生长区域中桑椹果实的预计空间分布，构建预计空间分布图；获取桑椹果实形态表型采集精度信息，根据所述采集精度确定图像采集清晰度，根据所述采集清晰度确定所述初始光谱图像数据的有效范围，将所述有效范围与所述预计空间分布图进行对比，判断初始光谱图像数据对预测空间分布图的覆盖范围；根据所述覆盖范围确定目标桑椹生长区域的光谱图像数据的采集缺失范围，根据所述采集缺失范围确定多光谱图像采集设备对目标桑椹生长区域光谱图像数据的采集补偿角度，得到多光谱图像采集参数。3.根据权利要求1所述的一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，所述对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判根据所述多光谱图像采集参数获取目标桑椹生长区域的多角度多光谱图像数据，将所述多角度多光谱图像数据进行数据融合，得到三维融合图像数据；对所述三维融合图像数据中每个桑椹果实的三维体素簇进行交叠区域检测，提取相邻体素簇之间的接触面曲率特征与光谱反射率梯度，当所述接触面曲率特征值超过预设交叠判定阈值且光谱反射率梯度低于同类别果实差异范围时，判定为桑椹果实间发生物理性交若存在桑椹果实交叠，利用预训练的生成器网络对交叠区域进行轮廓解缠学习，结合判别器网络对生成的虚拟分离轮廓与真实单果实形态特征进行对抗性验证，生成符合桑椹生物形态学规律的虚拟分离轮廓掩膜；将所述虚拟分离轮廓掩膜与交叠区域的三维体素簇进行空间映射，当检测到掩膜边界与交叠果实实际边缘的像素偏移量超过形态容差阈值时，基于形态学膨胀核沿虚拟轮廓法线方向进行迭代补偿；3将补偿后的分离轮廓与三维融合图像中的非交叠区域进行几何拓扑匹配，重建交叠果实在三维空间中的独立表型模型，并基于相邻果实的光谱反射率差异对重建模型进行表型纹理修复，生成表型补偿图像数据。4.根据权利要求3所述的一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，所述将所述多角度多光谱图像数据进行数据融合，得到三维融合图像数据，具体提取所述多角度多光谱图像数据中各光谱通道的特征匹配点，所述特征匹配点包括桑椹果实表面的曲率极值点、多光谱图像间的SIFT/SURF特征匹配点、不同波段的反射率突变点，计算相邻光谱通道间特征匹配点的空间匹配度，当所述空间匹配度低于预设匹配度阈值时，基于特征匹配点所在区域的光谱反射率梯度构建补偿向量；根据所述补偿向量对低匹配度特征点的空间坐标进行位移补偿，获取补偿后的多光谱特征点集，将补偿后的多光谱特征点集输入三维点云生成网络进行几何拓扑重建；当重建过程中检测到不同光谱通道的局部几何结构差异超过差异容限阈值时，采用高光谱分辨率通道的数据替换低分辨率通道的对应区域，生成几何一致性约束下的三维融合图像数据。5.根据权利要求4所述的一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，所述将补偿后的多光谱特征点集输入三维点云生成网络进行几何拓扑重建，具体构建三维点云生成网络，将所述多光谱特征点集输入三维点云生成网络，实时获取输入过程中三维点云生成网络对多光谱特征点集的数据处理反应速度信息和数据接收延迟根据所述数据处理反应速度信息和数据接收延迟信息，当数据接收延迟大于数据处理反应速度时，将多光谱特征点集输入至缓存队列中，并对三维点云生成网络生成暂停工作指令，直至缓存队列完整接收多光谱特征点集；将完整接收的多光谱特征点集重新导入所述三维点云生成网络中进行几何拓扑重建；当数据接收延迟不大于数据处理反应速度时，则根据三维点云生成网络接收的多光谱特征点集进行实时几何拓扑重建。6.根据权利要求1所述的一种基于AI驱动的高通量桑椹果实形态表型采集方法，其特征在于，所述根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据，具体为：根据所述表型补偿图像数据构建桑椹果实的三维形态特征矩阵，基于深度卷积神经网络对所述三维形态特征矩阵进行卷积核特征提取，生成包含果实表面曲率分布与光谱反射率梯度的融合特征图；将所述融合特征图输入预训练的形态参数回归模型，通过全连接层映射所述融合特征图与果实纵径、横径的空间几何关系，计算获得桑椹果实纵径预测值和横径预测值；根据所述纵径预测值和横径预测值构建果形指数计算函数，结合三维形态特征矩阵中果实对称面曲率积分进行形态校正，输出校正后的果形指数值；基于所述表型补偿图像数据中不同光谱通道的反射强度分布，采用光谱反射率加权法计算果实表面各像素点的色度坐标，通过色度坐标聚类分析确定果实色泽主色域及其分布4均匀度，根据所述果实色泽主色域及其分布均匀度确定果实色泽度；根据所述三维形态特征矩阵的空间体素密度分布，采用蒙特卡洛积分算法对果实体积进行概率估计，确定桑椹果实的预计体积，根据所述预计体积预测果实单果重；单果重数据按预设表型数据结构进行归一化封装，生成目标桑椹生长区域的桑椹果实形态表型数据集。7.一种基于AI驱动的高通量桑椹果实形态表型采集装置，其特征在于，所述基于AI驱动的高通量桑椹果实形态表型采集装置包括储存器以及处理器，所述储存器包括基于AI驱动的高通量桑椹果实形态表型采集方法程序，所述基于AI驱动的高通量桑椹果实形态表型采集方法程序被所述处理器执行时，实现如下步骤：获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。5技术领域[0001]本发明涉及植物性状采集技术领域，特别涉及一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置。背景技术[0002]随着精准农业与植物表型组学的发展，作物果实形态表型的高效采集需求不断增长。桑椹果实作为重要的经济作物，其形态特征直接关系到品种选育和品质评价。然而，目前桑椹果实的表型采集主要依赖人工测量和目视评估，存在效率低、准确性差、主观误差大等问题，难以满足高通量育种和精细管理的需要。[0003]多光谱成像与深度学习技术为表型采集带来了新机遇，但在实际应用中仍存在不足。一方面，桑椹果实易发生交叠，现有方法在果实交叠时容易出现识别混淆、表型重建不完整的问题；另一方面，现有采集系统普遍缺乏针对果实空间分布变化的自适应采集补偿，导致表型数据覆盖不全。此外，多角度多光谱图像融合过程中，不同通道间的空间错位未能充分校正，影响了三维重建的一致性和精度。[0004]因此，亟需一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置，能够实现果实交叠情况下的表型重建、图像采集自适应补偿、多光谱数据精确融合与完整表型信息提取，以满足大规模育种与智能农业的应用需求。发明内容[0005]为了解决上述至少一个技术问题，本发明提出了一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置。[0006]本发明第一方面提供了一种基于AI驱动的高通量桑椹果实形态表型采集方法，包获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。[0007]本方案中，所述获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数，具体为：基于多光谱图像采集设备获取目标桑椹生长区域的初始光谱图像数据，基于边缘检测算子提取所述初始光谱图像数据中的桑椹果实轮廓特征，基于所述轮廓特征构建二维轮廓点集；采用主成分分析法对所述二维轮廓点集进行降维处理，获取表征桑椹果实形态的主成分方向向量，根据所述主成分方向向量建立三维空间坐标系，通过深度卷积神经网络6预测轮廓点集在三维空间中的深度信息；根据所述深度信息与二维轮廓点集构建桑椹果实的三维点云模型，根据所述三维点云模型确定在目标桑椹生长区域中桑椹果实的预计空间分布，构建预计空间分布图；获取桑椹果实形态表型采集精度信息，根据所述采集精度确定图像采集清晰度，根据所述采集清晰度确定所述初始光谱图像数据的有效范围，将所述有效范围与所述预计空间分布图进行对比，判断初始光谱图像数据对预测空间分布图的覆盖范围；根据所述覆盖范围确定目标桑椹生长区域的光谱图像数据的采集缺失范围，根据所述采集缺失范围确定多光谱图像采集设备对目标桑椹生长区域光谱图像数据的采集补[0008]本方案中，所述对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据，具体为：根据所述多光谱图像采集参数获取目标桑椹生长区域的多角度多光谱图像数据，将所述多角度多光谱图像数据进行数据融合，得到三维融合图像数据；对所述三维融合图像数据中每个桑椹果实的三维体素簇进行交叠区域检测，提取相邻体素簇之间的接触面曲率特征与光谱反射率梯度，当所述接触面曲率特征值超过预设交叠判定阈值且光谱反射率梯度低于同类别果实差异范围时，判定为桑椹果实间发生物理若存在桑椹果实交叠，利用预训练的生成器网络对交叠区域进行轮廓解缠学习，结合判别器网络对生成的虚拟分离轮廓与真实单果实形态特征进行对抗性验证，生成符合桑椹生物形态学规律的虚拟分离轮廓掩膜；将所述虚拟分离轮廓掩膜与交叠区域的三维体素簇进行空间映射，当检测到掩膜边界与交叠果实实际边缘的像素偏移量超过形态容差阈值时，基于形态学膨胀核沿虚拟轮廓法线方向进行迭代补偿；将补偿后的分离轮廓与三维融合图像中的非交叠区域进行几何拓扑匹配，重建交叠果实在三维空间中的独立表型模型，并基于相邻果实的光谱反射率差异对重建模型进行表型纹理修复，生成表型补偿图像数据。[0009]本方案中，所述将所述多角度多光谱图像数据进行数据融合，得到三维融合图像提取所述多角度多光谱图像数据中各光谱通道的特征匹配点，所述特征匹配点包括桑椹果实表面的曲率极值点、多光谱图像间的SIFT/SURF特征匹配点、不同波段的反射率突变点，计算相邻光谱通道间特征匹配点的空间匹配度，当所述空间匹配度低于预设匹配度阈值时，基于特征匹配点所在区域的光谱反射率梯度构建补偿向量；根据所述补偿向量对低匹配度特征点的空间坐标进行位移补偿，获取补偿后的多光谱特征点集，将补偿后的多光谱特征点集输入三维点云生成网络进行几何拓扑重建；当重建过程中检测到不同光谱通道的局部几何结构差异超过差异容限阈值时，采用高光谱分辨率通道的数据替换低分辨率通道的对应区域，生成几何一致性约束下的三维融合图像数据。[0010]本方案中，所述将补偿后的多光谱特征点集输入三维点云生成网络进行几何拓扑7构建三维点云生成网络，将所述多光谱特征点集输入三维点云生成网络，实时获取输入过程中三维点云生成网络对多光谱特征点集的数据处理反应速度信息和数据接收延迟信息；根据所述数据处理反应速度信息和数据接收延迟信息，当数据接收延迟大于数据处理反应速度时，将多光谱特征点集输入至缓存队列中，并对三维点云生成网络生成暂停工作指令，直至缓存队列完整接收多光谱特征点集；将完整接收的多光谱特征点集重新导入所述三维点云生成网络中进行几何拓扑当数据接收延迟不大于数据处理反应速度时，则根据三维点云生成网络接收的多光谱特征点集进行实时几何拓扑重建。[0011]本方案中，所述根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据，具体为：根据所述表型补偿图像数据构建桑椹果实的三维形态特征矩阵，基于深度卷积神经网络对所述三维形态特征矩阵进行卷积核特征提取，生成包含果实表面曲率分布与光谱反射率梯度的融合特征图；将所述融合特征图输入预训练的形态参数回归模型，通过全连接层映射所述融合特征图与果实纵径、横径的空间几何关系，计算获得桑椹果实纵径预测值和横径预测值；根据所述纵径预测值和横径预测值构建果形指数计算函数，结合三维形态特征矩阵中果实对称面曲率积分进行形态校正，输出校正后的果形指数值；基于所述表型补偿图像数据中不同光谱通道的反射强度分布，采用光谱反射率加权法计算果实表面各像素点的色度坐标，通过色度坐标聚类分析确定果实色泽主色域及其分布均匀度，根据所述果实色泽主色域及其分布均匀度确定果实色泽度；根据所述三维形态特征矩阵的空间体素密度分布，采用蒙特卡洛积分算法对果实体积进行概率估计，确定桑椹果实的预计体积，根据所述预计体积预测果实单果重；果实单果重数据按预设表型数据结构进行归一化封装，生成目标桑椹生长区域的桑椹果实形态表型数据集。[0012]本发明第二方面还提供了一种基于AI驱动的高通量桑椹果实形态表型采集装置，该装置包括：存储器、处理器，所述存储器中包括基于AI驱动的高通量桑椹果实形态表型采集方法程序，所述基于AI驱动的高通量桑椹果实形态表型采集方法程序被所述处理器执行获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。[0013]本发明公开了一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置。该方法包括以下步骤：首先，获取目标桑椹生长区域的初始多光谱图像数据；根据所述多光谱图8像数据，确定用于桑椹果实形态表型采集的多光谱图像采集参数；随后，基于采集参数获取新的多光谱图像数据，并对桑椹果实的交叠情况进行自动判别；针对存在交叠的桑椹果实，通过AI算法进行表型重建，生成表型补偿图像数据；最后，依据表型补偿图像数据对桑椹果实的形态表型特征进行识别与采集，从而获得目标生长区域内完整准确的桑椹果实形态表附图说明[0014]图1示出了本发明基于AI驱动的高通量桑椹果实形态表型采集方法的流程图；图2示出了本发明得到三维融合图像数据的流程图；图3示出了本发明进行几何拓扑重建的流程图；图4示出了本发明基于AI驱动的高通量桑椹果实形态表型采集装置的框图。具体实施方式[0015]为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。[0016]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。[0017]图1示出了本发明基于AI驱动的高通量桑椹果实形态表型采集方法的流程图。[0018]如图1所示，本发明第一方面提供了一种基于AI驱动的高通量桑椹果实形态表型S102,获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；S104,对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；S106,根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。[0019]需要说明的是，通过获取目标桑椹生长区域的初始多光谱图像数据，对多光谱图像数据进行分析，确定针对桑椹果实形态表型采集的多光谱图像采集参数，能够实现采集角度、分辨率与成像范围的动态优化，有效提升图像数据覆盖度和清晰度；通过基于采集参数的新图像数据进行桑椹果实交叠情况判断，能够准确识别果实在自然生长状态下发生交叠的位置及范围，提高交叠检测的敏感性和准确性；针对交叠区域，通过AI表型重建方法进行果实分离与形态复原，生成表型补偿图像数据，能够有效避免交叠导致的果实轮廓模糊、特征混淆问题，确保后续形态识别的独立性与准确性；最后，依据表型补偿图像数据对桑椹果实形态表型进行识别和采集，不仅能够高效提取果实的纵径、横径、果形指数、色泽度及体积等关键表型参数，大大提高桑椹果实的品种选育、品质评估和生长监测质量。[0020]根据本发明实施例，所述获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数，具体为：9基于多光谱图像采集设备获取目标桑椹生长区域的初始光谱图像数据，基于边缘检测算子提取所述初始光谱图像数据中的桑椹果实轮廓特征，基于所述轮廓特征构建二维轮廓点集；采用主成分分析法对所述二维轮廓点集进行降维处理，获取表征桑椹果实形态的主成分方向向量，根据所述主成分方向向量建立三维空间坐标系，通过深度卷积神经网络预测轮廓点集在三维空间中的深度信息；根据所述深度信息与二维轮廓点集构建桑椹果实的三维点云模型，根据所述三维点云模型确定在目标桑椹生长区域中桑椹果实的预计空间分布，构建预计空间分布图；获取桑椹果实形态表型采集精度信息，根据所述采集精度确定图像采集清晰度，根据所述采集清晰度确定所述初始光谱图像数据的有效范围，将所述有效范围与所述预计空间分布图进行对比，判断初始光谱图像数据对预测空间分布图的覆盖范围；根据所述覆盖范围确定目标桑椹生长区域的光谱图像数据的采集缺失范围，根据所述采集缺失范围确定多光谱图像采集设备对目标桑椹生长区域光谱图像数据的采集补偿角度，得到多光谱图像采集参数。[0021]需要说明的是，在现有桑椹果实形态表型采集过程中，通常仅基于单张初始多光谱图像进行数据获取，容易出现成像角度受限、局部区域遮挡、果实交叠等问题，导致目标种植区域内桑椹果实表型信息采集不全、覆盖率不足，进而影响表型数据的完整性和准确性。因此通过获取目标桑椹生长区域的初始多光谱图像数据，利用边缘检测算子提取果实轮廓特征并构建二维轮廓点集，能够实现初步轮廓定位与特征提取；采用主成分分析法对二维轮廓点集进行降维，提取果实形态主成分方向向量，并建立对应的三维空间坐标系，通过深度卷积神经网络预测各轮廓点在三维空间的深度信息，从而实现由二维图像到三维结构的准确建模；基于预测得到的深度信息与轮廓点集，构建桑椹果实的三维点云模型，并推测果实在种植区域内的空间分布情况，形成预计空间分布图，有效评估初始图像采集的覆盖范围；结合表型采集所需的精度标准，确定合理的图像采集清晰度，进一步明确初始光谱图像数据的有效范围；通过将有效范围与预计空间分布图进行对比分析，识别图像采集中存在的缺失区域；最后，根据缺失区域的分布特征，智能计算多光谱图像采集设备的采集补偿角度，动态调整补采方案，最终生成完善的多光谱图像采集参数，确保后续桑椹果实形态表型数据采集的全面性；所述深度信息指的是桑椹果实表面各轮廓点相对于成像设备的空间距离或高度，用于将二维图像中的轮廓特征准确还原到三维空间坐标中。[0022]根据本发明实施例，所述对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据，具体为：根据所述多光谱图像采集参数获取目标桑椹生长区域的多角度多光谱图像数据，将所述多角度多光谱图像数据进行数据融合，得到三维融合图像数据；对所述三维融合图像数据中每个桑椹果实的三维体素簇进行交叠区域检测，提取相邻体素簇之间的接触面曲率特征与光谱反射率梯度，当所述接触面曲率特征值超过预设交叠判定阈值且光谱反射率梯度低于同类别果实差异范围时，判定为桑椹果实间发生物理性交叠；若存在桑椹果实交叠，利用预训练的生成器网络对交叠区域进行轮廓解缠学习，结合判别器网络对生成的虚拟分离轮廓与真实单果实形态特征进行对抗性验证，生成符合桑椹生物形态学规律的虚拟分离轮廓掩膜；将所述虚拟分离轮廓掩膜与交叠区域的三维体素簇进行空间映射，当检测到掩膜边界与交叠果实实际边缘的像素偏移量超过形态容差阈值时，基于形态学膨胀核沿虚拟轮廓法线方向进行迭代补偿；将补偿后的分离轮廓与三维融合图像中的非交叠区域进行几何拓扑匹配，重建交叠果实在三维空间中的独立表型模型，并基于相邻果实的光谱反射率差异对重建模型进行[0023]需要说明的是，在桑椹规模化种植与表型研究中，果实因密集生长常发生物理交叠，导致传统图像分割算法难以准确区分相邻果实轮廓，尤其在多光谱成像中，交叠区域的光谱反射信号相互干扰，造成果实边缘模糊、形态特征混淆等问题。通过引入生成对抗网络架构，构建生成器与判别器的协同优化机制，实现了交叠果实的精准分离与形态复原。具体而言，生成器网络基于交叠体素簇的几何拓扑关系与光谱梯度特征，自主学习果实分离的潜在规律，生成符合生物形态学的虚拟分离轮廓；判别器网络则通过对抗性训练，将虚拟轮廓与真实单果实形态数据库进行特征匹配验证，动态修正生成器输出的拓扑误差。这种对抗性分割机制有效克服了传统方法对预设规则的依赖，能够在复杂交叠场景下恢复果实的真实三维形态。通过迭代补偿掩膜边界与真实边缘的像素偏移，并结合相邻果实的光谱反射率差异进行纹理修复，最终生成具有独立形态特征与准确光谱属性的表型补偿图像数据。结合多角度图像融合与光谱纹理修复技术，有效抑制相邻果实的光谱信号干扰，提升三维表型模型重建的完整性与细节还原能力。通过动态优化图像采集参数与智能补偿机制，大幅扩展图像采集覆盖范围，增强复杂生长场景下的数据捕获能力，同时保证高通量处理效率；所述迭代补偿能够消除因轮廓预测误差导致的局部凹陷或断裂。[0024]图2示出了本发明得到三维融合图像数据的流程图。[0025]根据本发明实施例，所述将所述多角度多光谱图像数据进行数据融合，得到三维S202,提取所述多角度多光谱图像数据中各光谱通道的特征匹配点，所述特征匹配点包括桑椹果实表面的曲率极值点、多光谱图像间的SIFT/SURF特征匹配点、不同波段的反射率突变点，计算相邻光谱通道间特征匹配点的空间匹配度，当所述空间匹配度低于预设匹配度阈值时，基于特征匹配点所在区域的光谱反射率梯度构建补偿向量；S204,根据所述补偿向量对低匹配度特征点的空间坐标进行位移补偿，获取补偿后的多光谱特征点集，将补偿后的多光谱特征点集输入三维点云生成网络进行几何拓扑重S206,当重建过程中检测到不同光谱通道的局部几何结构差异超过差异容限阈值时，采用高光谱分辨率通道的数据替换低分辨率通道的对应区域，生成几何一致性约束下的三维融合图像数据。[0026]需要说明的是，在高通量桑椹果实形态表型采集中，由于多光谱图像数据的复杂性和不同光谱通道之间的局部几何差异，单一的图像数据源可能无法完整准确地反映果实的三维结构信息，尤其是当不同角度和光谱通道的数据存在空间匹配误差时，可能导致重建出的三维模型存在几何不一致性或图像质量下降。因此通过提取光谱通道的特征匹配11点，能够精确定位不同光谱通道之间的对应关系，确保在多光谱图像数据中准确识别出桑椹果实的表面特征，如曲率极值点和反射率突变点。这一过程能够有效减少由于图像畸变或噪声引起的匹配误差，为后续的数据融合提供可靠的基础。其次，当空间匹配度低于预设阈值时，采用补偿向量进行位移补偿，精确调整低匹配度特征点的位置，从而确保每个特征点的空间坐标更符合实际结构，减少几何误差的影响。然后，将补偿后的多光谱特征点集输入三维点云生成网络，通过几何拓扑重建实现高精度的三维模型生成，确保融合图像在空间上的一致性。最后，当不同光谱通道的几何结构差异超过容差阈值时，利用高光谱分辨率通道的数据进行替换，从而提升图像的细节和清晰度。所述补偿向量包括用于修正特征点坐标的三维位移向量(△x,△y,△z)、沿桑椹果实表面法线方向的法向偏移量、消除多光谱通道间反射率差异的波段间反射率校正系数、根据光谱反射率梯度动态调整补偿强度的梯度衰减因子、与特征点空间匹配度成反比的匹配置信度权重。所述位移补偿是指当相邻光谱通道间特征点的空间匹配度低于预设阈值时，基于特征点所在区域的光谱反射率梯度动态生成三维补偿向量(△x,△y,△z),通过将该向量与原始特征点坐标进行线性叠加运算，使多角度采集的特征点在三维空间中实现几何对齐的数据校正过程。所述多光谱特征点集即特征匹配点的集合；所述几何一致性约束为在三维图像重建过程中，确保不同光谱通道的数据在空间结构上保持一致，避免因几何误差导致的模型不准确或畸变。[0027]图3示出了本发明进行几何拓扑重建的流程图。[0028]根据本发明实施例，所述将补偿后的多光谱特征点集输入三维点云生成网络进行S302,构建三维点云生成网络，将所述多光谱特征点集输入三维点云生成网络，实时获取输入过程中三维点云生成网络对多光谱特征点集的数据处理反应速度信息和数据接收延迟信息；S304,根据所述数据处理反应速度信息和数据接收延迟信息，当数据接收延迟大于数据处理反应速度时，将多光谱特征点集输入至缓存队列中，并对三维点云生成网络生成暂停工作指令，直至缓存队列完整接收多光谱特征点集；S306,将完整接收的多光谱特征点集重新导入所述三维点云生成网络中进行几何拓扑重建；S308,当数据接收延迟不大于数据处理反应速度时，则根据三维点云生成网络接收的多光谱特征点集进行实时几何拓扑重建。[0029]需要说明的是，在动态高通量表型采集中，由于多光谱特征点集的数据传输速率与三维点云生成网络的处理能力不匹配，常出现数据接收延迟高于网络实时处理速度的情况。例如，当多角度采集设备持续输入补偿后的特征点集时，若网络因计算负载过高无法同步接收数据，部分特征点会在传输过程中被截断或丢失，点云生成网络将基于不完整数据集进行重建，使得交叠果实的接触面几何结构出现异常扭曲。要求通过实时监测数据流与网络处理状态的动态平衡，在延迟超限时启用缓存队列暂存数据并暂停网络处理，确保特征点集的完整性与时序一致性；通过数据完整导入后的批量重建机制，消除因数据碎片化导致的几何拓扑失真，显著提升复杂交叠场景下三维表型模型的重建精度与系统稳定性。所述三维点云生成网络包含多光谱特征匹配模块、跨通道坐标映射模块及几何拓扑优化模块，所述多光谱特征匹配模块通过计算不同光谱通道特征点间的空间相关性生成初始匹配矩阵，所述跨通道坐标映射模块根据所述初始匹配矩阵将各光谱通道的特征点映射至同一三维空间坐标系中，所述几何拓扑优化模块通过迭代优化特征点间的空间连接关系生成初始三维几何拓扑结构；将所述补偿后的多光谱特征点集输入所述三维点云生成网络后，所述多光谱特征匹配模块根据特征点间的反射率梯度与空间距离计算跨通道相似度，生成包含各通道特征点对应关系的优化匹配矩阵，所述跨通道坐标映射模块基于所述优化匹配矩阵对特征点的三维坐标进行加权融合，得到统一空间坐标下的融合特征点集；所述几何拓扑优化模块根据所述融合特征点集的分布密度与曲率变化构建几何连接权重，通过动态调整相邻特征点间的连接权重生成连续的三维几何拓扑结构。[0030]根据本发明实施例，所述根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据，具体为：根据所述表型补偿图像数据构建桑椹果实的三维形态特征矩阵，基于深度卷积神经网络对所述三维形态特征矩阵进行卷积核特征提取，生成包含果实表面曲率分布与光谱反射率梯度的融合特征图；将所述融合特征图输入预训练的形态参数回归模型，通过全连接层映射所述融合特征图与果实纵径、横径的空间几何关系，计算获得桑椹果实纵径预测值和横径预测值；根据所述纵径预测值和横径预测值构建果形指数计算函数，结合三维形态特征矩阵中果实对称面曲率积分进行形态校正，输出校正后的果形指数值；基于所述表型补偿图像数据中不同光谱通道的反射强度分布，采用光谱反射率加权法计算果实表面各像素点的色度坐标，通过色度坐标聚类分析确定果实色泽主色域及其分布均匀度，根据所述果实色泽主色域及其分布均匀度确定果实色泽度；根据所述三维形态特征矩阵的空间体素密度分布，采用蒙特卡洛积分算法对果实体积进行概率估计，确定桑椹果实的预计体积，根据所述预计体积预测果实单果重；果实单果重数据按预设表型数据结构进行归一化封装，生成目标桑椹生长区域的桑椹果实形态表型数据集。[0031]需要说明的是，基于融合特征图提取的表面曲率与光谱梯度信息，结合形态参数回归模型，能够准确映射果实纵径、横径的空间几何关系，克服传统单视角测量中因姿态偏转导致的尺寸误差；通过对称面曲率积分校正果形指数，增强了对非规则果实形态的适应性，避免人工测量中主观判断的偏差；利用光谱反射率加权与色度聚类分析，精确捕捉果实表面色泽的空间分布特征，解决传统颜色检测方法对局部反光或阴影区域的误判问题；蒙特卡洛积分算法结合三维体素密度分布的概率估计，显著提升果实体积计算的鲁棒性，尤其适用于表面凹陷或凸起复杂的果实形态；最终通过多参数归一化封装，形成结构化的表及生长模型构建提供多维度数据基础。所述三维形态特征矩阵包括桑椹果实在三维空间中的表面曲率分布、多光谱反射率梯度、几何拓扑结构坐标、局部对称面曲率积分值、以及各光谱通道下的反射强度分布数据，用于量化果实形态、色泽及体积的多维度表型特征。所述果形指数计算函数为纵径预测值(L)与横径预测值(D)的比值，校正后的果形指数值为积分乘以果形指数；所述单果重通过获取果实密度乘以预计体积得到。[0032]图4示出了本发明一种基于AI驱动的高通量桑椹果实形态表型采集装置的框图。[0033]本发明第二方面还提供了一种基于AI驱动的高通量桑椹果实形态表型采集装置4,该装置包括：存储器41、处理器42,所述存储器中包括基于AI驱动的高通量桑椹果实形态表型采集方法程序，所述基于AI驱动的高通量桑椹果实形态表型采集方法程序被所述处理获取目标桑椹生长区域的初始多光谱图像数据，根据所述多光谱图像数据确定对桑椹果实形态表型的多光谱图像采集参数；对所述多光谱图像采集参数获取的多光谱图像数据进行桑椹果实交叠情况判断，根据交叠情况对交叠桑椹进行表型重建，构建表型补偿图像数据；根据所述表型补偿图像数据对桑椹果实形态表型进行识别并采集，得到目标桑椹生长区域的桑椹果实形态表型数据。[0034]本发明公开了一种基于AI驱动的高通量桑椹果实形态表型采集方法及装置。该方法包括以下步骤：首先，获取目标桑椹生长区域的初始多光谱图像数据；根据所述多光谱图像数据，确定用于桑椹果实形态表型采集的多光谱图像采集参数；随后，基于采集参数获取新的多光谱图像数据，并对桑椹果实的交叠情况进行自动判别；针对存在交叠的桑椹果实，通过AI算法进行表型重建，生成表型补偿图像数据；最后，依据表型补偿图像数据对桑椹果实的形态表型特征进行识别与采集，从而获得目标生长区域内完整准确的桑椹果实形态表[0035]在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设