CN119399384B 基于三维重建无损表型参数提取的香菇产量估测方法 （吉林农业大学）

(12)发明专利(10)授权公告号CN119399384B(65)同一申请的已公布的文献号号(72)发明人徐兴梅李佳源李佳周晶于合龙石磊杨大伟(74)专利代理机构哈尔滨市阳光惠远知识产权代理有限公司23211(56)对比文件(54)发明名称基于三维重建无损表型参数提取的香菇产量估测方法基于三维重建无损表型参数提取的香菇产量估测方法，属于农业信息化与智能化技术领域，解决香菇产量估测准确度低的问题。本发明的方法包括：利用感兴趣区域，对香菇进行点云三维重建，生成稠密点云数据；对稠密点云数据进行预处理；基于改进的CP-PointNet++模型和聚类算法，分割香菇点云，提取菌盖直径、厚度、菌柄高度多维度关键表型参数，覆盖香菇表型信息的主要特征；改进的PointNet++网络包括：在PointNet++网络的MLP层加入CBAM模块，采用部分卷积PConv替换普通卷积；将香菇的表型参数表型参数作为神经网络模型的输入变量，预测香21.一种基于三维重建无损表型参数提取的香菇产量估测方法，其特征在于，所述方法步骤1:获取若干张覆盖香菇所有角度的图像；对图像进行分割并分类为感兴趣区域与无关区域；利用感兴趣区域，对香菇进行点云三维重建，生成稠密点云数据；步骤2:对步骤1中的稠密点云数据进行预处理，所述预处理包括下采样、尺度恢复、点云滤波和坐标矫正；步骤3:对步骤2中预处理后的稠密点云数据进行分割，具体包括：步骤3.1:利用改进的PointNet++网络对步骤2中预处理后的稠密点云数据进行分割，MLP层加入CBAM模块，并采用部分卷积PConv替换普通卷积；步骤3.2:采用区域增长算法进行菌盖个体的分割；采用快速欧式聚类算法分割菌柄集步骤4:对香菇的表型参数进行提取，所述表型参数包括：菌盖横直径、菌盖纵直径、菌步骤5:将步骤4中的表型参数作为神经网络模型的输入变量，预测香菇产量。2.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，利用相机对香菇菌棒进行多视角交叉环绕拍摄，获取多张覆盖香菇所有角度的图像；相机光圈为f1.5,曝光速度为10ms,分辨率为3024*4032;将相机固定于三脚架上，距离菌棒与标志物30cm-50cm;标志物长宽高分别为30cm、10cm、5cm;相机与菌棒相同高度平视拍照3.根据权利要求2所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，其特征在于，步骤1中，所述对图像进行分割并分类为感兴趣区域与无关区域，具体包括：采像素赋值为255,标记为白色。4.根据权利要求3所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，利用三维重建COLMAP软件，对输入的感兴趣区域图像采用SIFT算法提取关键点并为关键点生成特征描述符；将不同视角下的图像关键点进行配对，找到图像之间的对应关系；采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置和姿态，在此基础上生成稀疏的三维点云，描述场景的初步几何形状；在稀疏的三维点云基础上，采用多视图立体匹配算法生成稠密的三维点云。5.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，步骤2.1:对步骤1中的稠密点云数据进行体素下采样；步骤2.2:以标志物为基准计算出比例后，将点云坐标恢复成真实尺寸，计算公式如下：3其中，1rea1Wrea₁hrea₁分别为标志物的真实长宽高，1reco)Wreco、rec分别为标建三维点云中的长宽高，(x,y,z)为原始坐标，(x,y,z)为转换后的坐标值；步骤2.3:求出点云的质心，将所有点平移，使质心移动到原点(0,0,0)的位置；采用统计滤波器去除重建后点云数据的离群噪声点；步骤2.4:采用随机采样一致性算法计算白板法向量m,由m与z轴法向量n生成旋转轴和旋转角；采用直通滤波移除已经旋正的点云下方的标志物与白板，得预处理后的菌棒点云。6.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，算最远的两个点之间的欧氏距离作为横直径，垂直于横直径且最长的直径为纵直径；菌盖厚度为菌盖中z轴最大值与最小值差值的绝对值；对菌柄应用PCA算法旋转后，取主方向上25%,50%,75%位置，平行YOZ厚度为菌柄高度10%的三个切片；对三个切片的点分别应用最小二乘法进行圆拟合求直径，三个直径均值作为菌柄直径；菌柄x轴最大值与最小值差值的绝对值作为菌柄的高度。7.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，其特征在于，步骤5中的神经网络模型为广义回归神经网络模型。8.一种基于三维重建无损表型参数提取的香菇产量估测系统，其特征在于，所述系统包括：点云数据生成模块，用于获取若干张覆盖香菇所有角度的图像；对图像进行分割并分类为感兴趣区域与无关区域；利用感兴趣区域，对香菇进行点云三维重建，生成稠密点云数据；点云数据预处理模块，用于对点云数据生成模块中的稠密点云数据进行预处理，所述分割模块，用于对点云数据预处理模块中预处理后的稠密点云数据进行分割，具体包利用改进的PointNet++网络对预处理后的稠密点云数据进行分割，分割出菌盖、菌柄和菌棒三类点云，所述改进的PointNet+采用区域增长算法进行菌盖个体的分割；采用快速欧式聚类算法分割菌柄集合；表型参数提取模块，用于对香菇的表型参数进行提取，所述表型参数包括：菌盖横直香菇产量预测模块，用于将表型参数提取模块中的表型参数作为神经网络模型的输入9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至7中任一项所述的4方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1至7中任一项所述的方法。5技术领域[0001]本申请涉及农业信息化与智能化技术领域，尤其涉及香菇三维重建与表型参数提取。背景技术[0002]蘑菇作为自然界中常见的一种真菌，同时是全世界范围内广泛食用、药用的重要根据ExpertMarketResearch的报告，2023年全球蘑菇市场规模约为680.3亿美元，预计在2024至2032年间将以7.18%的复合年增长率持续增长。香菇(Lentinulaedodes)作为中国特有的食药两用农作物，已成为国内外市场上极具竞争力的农产品之一。中国农业农村部数据显示，2022年中国香菇产量达到1295.48万吨，占全球总产量的98.3%。[0003]香菇的表型参数特征对于优质菌种选择、产品分级及科学研究具有重要意义。然而，现阶段的表型提取技术存在显著局限，严重制约了香菇基因型与表型关系的研究，进而为食用菌研究领域的重要任务。[0004]目前，表型参数获取方法主要包括人工测量、二维图像测量和三维点云提取等方[0006]2.二维图像测量：仅能获取与二维相关的菌盖直径等参数，无法提取如厚度、方向等空间性状。[0007]3.三维点云提取：基于激光测量、深度相机及多视角三维重建技术。其中，激光测云质量较低且易受环境影响。相比之下，多视角三维重建技术具有成本低、点云密度高、不易受环境影响的优势，是表型提取的重要研究方向。[0008]基于多视角三维重建的研究已在部分作物中取得进展。然而，这些研究多针对大[0009]1.背景影响：多视角采集过程中，背景区域占用大量计算资源，降低了三维重建的效率。传统分割算法(如阈值分割、分水岭算法)对复杂场景的鲁棒性较差，无法准确提取目标边缘和背景阴影。[0010]2.点云分割自动化不足：现有点云分割方法大多需要人工干预，无法满足高通量分析需求。[0011]3.表型参数提取不全面：部分研究仅提取单一或少数表型参数，无法满足全面性分析需求。发明内容[0012]本发明目的是为了解决上述问题导致香菇产量估测准确度低的问题，提供了基于6三维重建无损表型参数提取的香菇产量估测方法。[0013]本发明是通过以下技术方案实现的，本发明一方面，提供一种基于三维重建无损表型参数提取的香菇产量估测方法，所述方法包括：[0014]步骤1:获取若干张覆盖香菇所有角度的图像；对图像进行分割并分类为感兴趣区域与无关区域；[0016]步骤2:对步骤1中的稠密点云数据进行预处理，所述预处理包括下采样、尺度恢[0017]步骤3:对步骤2中预处理后的稠密点云数据进行分割，具体包括：[0018]步骤3.1:利用改进的PointNet++网络对步骤2中预处理后的稠密点云数据进行分[0019]步骤3.2:采用区域增长算法进行菌盖个体的分割；采用快速欧式聚类算法分割菌柄集合；[0020]步骤4:对香菇的表型参数进行提取，所述表型参数包括：菌盖横直径、菌盖纵直[0021]步骤5:将步骤4中的表型参数作为神经网络模型的输入变量，预测香菇产量。[0023]利用相机对香菇菌棒进行多视角交叉环绕拍摄，获取多张覆盖香菇所有角度的图像；相机光圈为f1.5,曝光速度为10ms,分辨率为3024*4032;将相机固定于三脚架上，距离菌棒与标志物30cm-50cm;标志物长宽高分别为30cm、10cm、5cm;相机与菌棒相同高度平视[0024]进一步地，步骤1中，所述对图像进行分割并分类为感兴趣区域与无关区域，具体[0025]进一步地，步骤1中，所述对香菇进行点云三维重建，生成稠密点云数据，具体包[0026]利用三维重建COLMAP软件，对输入的感兴趣区域图像采用SIFT算法提取关键点并为关键点生成特征描述符；[0027]将不同视角下的图像关键点进行配对，找到图像之间的对应关系；[0028]采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置和姿态，在此基础上生成稀疏的三维点云，描述场景的初步几何形状；[0029]在稀疏的三维点云基础上，采用多视图立体匹配算法生成稠密的三维点云。[0031]步骤2.1:对步骤1中的稠密点云数据进行体素下采样；[0032]步骤2.2:以标志物为基准计算出比例后，将点云坐标恢复成真实尺寸，计算公式7在重建三维点云中的长宽高，(x,y,z)为原始坐标，(x`,y`,z)为转换后的坐标值；[0035]步骤2.3:求出点云的质心，将所有点平移，使质心移动到原点(0,0,0)的位置；采用统计滤波器去除重建后点云数据的离群噪声点；[0036]步骤2.4:采用随机采样一致性算法计算白板法向量m,由m与z轴法向量n生成旋转轴和旋转角；[0037]采用直通滤波移除已经旋正的点云下方的标志物与白板，得预处理后的菌棒点[0039]对菌盖应用PCA算法，确定点云的主要方向进行旋转；转换后的菌盖投影到XOY平面，计算最远的两个点之间的欧氏距离作为横直径，垂直于横直径且最长的直径为纵直径；菌盖厚度为菌盖中z轴最大值与最小值差值的绝对值；[0040]对菌柄应用PCA算法旋转后，取主方向上25%,50%,度10%的三个切片；对三个切片的点分别应用最小二乘法进行圆拟合求直径，三个直径均值作为菌柄直径；菌柄x轴最大值与最小值差值的绝对值作为菌柄的高度。[0041]进一步地，步骤5中的神经网络模型为广义回归神经网络模型。[0042]第二方面，本发明提供一种基于三维重建无损表型参数提取的香菇产量估测系[0043]点云数据生成模块，用于获取若干张覆盖香菇所有角度的图像；对图像进行分割并分类为感兴趣区域与无关区域；[0044]利用感兴趣区域，对香菇进行点云三维重建，生成稠密点云数据；[0045]点云数据预处理模块，用于对点云数据生成模块中的稠密点云数据进行预处理，所述预处理包括下采样、尺度恢复、点云滤波[0046]分割模块，用于对点云数据预处理模块中预处理后的稠密点云数据进行分割，具体包括：[0047]利用改进的PointNet++网络对预处理后的稠密点云数据进行分割，分割出菌盖、菌柄和菌棒三类点云，所述改进的PointNet++网络包括：在PointNet++网络的MLP层加入[0048]采用区域增长算法进行菌盖个体的分割；采用快速欧式聚类算法分割菌柄集合；[0049]表型参数提取模块，用于对香菇的表型参数进行提取，所述表型参数包括：菌盖横[0050]香菇产量预测模块，用于将表型参数提取模块中的表型参数作为神经网络模型的[0051]第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的步骤。8[0052]第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法。[0053]本发明的有益效果：[0054]本发明提出的基于SfM-MVS三维重建和改进CP-PointNet++模型的香菇表型参数[0055]1.高通量与高效率：本发明实现了自动化的点云分割和表型参数提取，能够快速处理大量香菇样本，大幅度提高了表型数据获取的效率，适用于高通量农业研究与生产实践。[0056]2.高精度与全面性：基于改进的CP-PointNet++模型和聚类算法，精准分割香菇点云，避免传统方法中背景干扰和复杂形状误判的问题，提取了菌盖直径、厚度、菌柄高度等多维度关键表型参数，覆盖了香菇表型信息的主要特征。[0057]3.非破坏性与可重复性：采用三维重建技术和点云分析，无需对香菇样本进行破坏性操作，保留了样本的完整性，同时提高了测量数据的可重复性和稳定性。[0058]4.低成本与普适性：SfM-MVS技术依赖普通摄像设备即可完成三维重建，显著降低了硬件成本，具有较强的普适性和推广性。[0059]本发明的方法鲁棒性强，对环境光照变化、样本摆放方式等具有较强的适应性，确保了三维重建和表型提取过程的稳定性和可靠性。产量估算的准确性高，使用GRNN模型结合多表型参数，充分利用数据间的非线性关联，显著提高了香菇产量估算的精度，为香菇栽培管理和产量优化提供科学依据。本发明可以助力菌物育种与管理，提供了无损、快速、准确的香菇表型数据获取和产量预测手段，为优质菌种筛选、精准农业管理、产品分级和市场定价等提供了技术支持，对促进菌类育种和产业化发展具有重要意义。[0060]综上所述，本发明的技术方案在效率、成本、精度和应用范围上均具备显著优势，突破了现有技术的瓶颈，具有广泛的应用价值和发展前景。本发明通过高通量、无损、快速的点云数据处理与表型提取技术，为食用菌的生长特性研究、遗传改良及品种选育提供科学支持和技术工具。[0061]本发明适用于香菇等食用菌的表型性状分析与育种研究。附图说明[0062]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0063]图1为多视角图像采集方式示意图和采集图像实例；[0064]图2为三维重建流程示意图；[0065]图3为预处理后的点云图；[0066]图4为表型参数计算示意图；[0067]图5为CP-PointNet++网络结构；[0069]图7为部分卷积模块结构；9[0070]图8为香菇点云的分割结果；[0071]图9为表型参数计算结果。具体实施方式[0072]下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。[0073]实施方式一、一种基于三维重建无损表型参数提取的香菇产量估测方法，所述方法包括：[0074]步骤1:获取若干张覆盖香菇所有角度的图像；对图像进行分割并分类为感兴趣区域与无关区域；[0075]利用感兴趣区域，对香菇进行点云三维重建，生成稠密[0076]步骤2:对步骤1中的稠密点云数据进行预处理，所述预处理包括下采样、尺度恢[0077]步骤3:对步骤2中预处理后的稠密点云数据进行分割，具体包括：[0078]步骤3.1:利用改进的PointNet++网络对步骤2中预处理后的稠密点云数据进行分[0079]步骤3.2:采用区域增长算法进行菌盖个体的分割；采用快速欧式聚类算法分割菌柄集合；[0080]步骤4:对香菇的表型参数进行提取，所述表型参数包括：菌盖横直径、菌盖纵直[0081]步骤5:将步骤4中的表型参数作为神经网络模型的输入变量，预测香菇产量。[0082]本实施方式实现了自动化的点云分割和表型参数提取，能够快速处理大量香菇样本，大幅度提高了表型数据获取的效率，适用于高通量智慧农业研究与生产实践。[0083]基于改进的CP-PointNet++模型和聚类算法，精准分割香菇点云，避免传统方法中背景干扰和复杂形状误判的问题，提取了菌盖直径、厚度、菌柄高度等多维度关键表型参数，覆盖了香菇表型信息的主要特征。[0084]采用三维重建技术和点云分析，无需对香菇样本进行破坏性操作，保留了样本的完整性，同时提高了测量数据的可重复性和稳定性。[0085]实施方式二，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤1中，所述获取若干张覆盖香菇[0086]步骤1中，所述获取若干张覆盖香菇所有角度的图像，具体包括：[0087]利用相机对香菇菌棒进行多视角交叉环绕拍摄，获取多张覆盖香菇所有角度的图像；相机光圈为f1.5,曝光速度为10ms,分辨率为3024*4032;将相机固定于三脚架上，距离菌棒与标志物30cm-50cm;标志物长宽高分别为30cm、10cm、5cm;相机与菌棒相同高度平视[0088]实施方式三，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤1中，所述对图像进行分割并分类为感兴趣区域与无关区域，做了进一步限定，具体[0089]步骤1中，所述对图像进行分割并分类为感兴趣区域与无关区域，具体包括：采用素赋值为255,标记为白色。[0090]本实施方式中，在数据获取中，采集到的多视角RGB图像包含了大量的背景信息，端的网络架构，在语义分割领域展现了优秀的性能，适合在复杂环境下区分语义细微差别。[0091]实施方式四，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤1中，所述对香菇进行点云三维[0093]利用三维重建COLMAP软件，对输入的感兴趣区域图像采用SIFT算法提取关键点并为关键点生成特征描述符；[0094]将不同视角下的图像关键点进行配对，找到图像之间的对应关系；[0095]采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置和姿态，在此基础上生成稀疏的三维点云，描述场景的初步几何形状；[0096]在稀疏的三维点云基础上，采用多视图立体匹配算法生成稠密的三维点云。[0097]本实施方式中，相比激光扫描和深度相机等设备，采用的SfM-MVS技术仅仅依赖普通摄像设备即可完成三维重建，显著降低了硬件成本，对采集环境容忍度高，具有较强的普适性和推广性。[0098]实施方式五，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤2,做了进一步限定，具体包括：[0100]步骤2.1:对步骤1中的稠密点云数据进行体素下采样；[0101]步骤2.2:以标志物为基准计算出比例后，将点云坐标恢复成真实尺寸，计算公式在重建三维点云中的长宽高，(x,y,z)为原始坐标，(x`,y`,z)为转换后的坐标值；[0104]步骤2.3:求出点云的质心，将所有点平移，使质心移动到原点(0,0,0)的位置；采用统计滤波器去除重建后点云数据的离群噪声点；[0105]步骤2.4:采用随机采样一致性算法计算白板法向量m,由m与z轴法向量n生成旋转轴和旋转角；[0106]采用直通滤波移除已经旋正的点云下方的标志物与白板，得预处理后的菌棒点[0107]本实施方式中，因为采用SfM-MVS方式重建出的稠密点云数据量过大，为了节约后11续算法处理数据的时间，所以采用体素下采样的方法来精简点云数据。[0108]SfM算法通常选择第一张图像的相机拍摄位置坐标作为点云的坐标原点，对于多份数据，坐标系混乱不便于点云后续处理。因此需要进行点云去质心操作。[0109]基于YOLOv8分割后的多视角图像重建的三维点云数据少部分离群噪声点，但是硬件设备、人为操作等的干扰，重建的点云仍存在一些离群噪声点，所以需要采用统计滤波器(SOR)对其进行去除。[0110]实施方式六，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤4,做了进一步限定，具体包[0112]对菌盖应用PCA算法，确定点云的主要方向进行旋转；转换后的菌盖投影到XOY平面，计算最远的两个点之间的欧氏距离作为横直径，垂直于横直径且最长的直径为纵直径；菌盖厚度为菌盖中z轴最大值与最小值差值的绝对值；[0113]对菌柄应用PCA算法旋转后，取主方向上25%,50%,75%位置，平行YOZ厚度为菌柄高度10%的三个切片；对三个切片的点分别应用最小二乘法进行圆拟合求直径，三个直径均值作为菌柄直径；菌柄x轴最大值与最小值差值的绝对值作为菌柄的高度。[0114]本实施方式提供了一种自动化表型参数提取方法，覆盖了香菇表型信息的主要特征，能够快速处理大量香菇样本，大幅度提高了表型数据获取的效率。[0115]实施方式七，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的进一步限定，本实施方式中，对步骤5中的神经网络模型，做了进一[0116]步骤5中的神经网络模型为广义回归神经网络模型。[0117]本实施方式通过广义回归神经网络(GRNN)模型实现香菇产量的高精度估算，利用提取的表型参数作为输入变量，结合历史样本数据进行模型训练和预测。[0118]本实施方式是针对步骤4中提取的多表型参数的特性结合广义回归神经网络菇产量间复杂的非线性关系，预测精度优于传统线性回归模型。[0121]综上，本实施方式通过结合多个关键表型参数，显著提升了产量预测的可靠性和全面性；并充分利用数据间的非线性关联，显著提高了香菇产量估算的精度，为香菇栽培管理和产量优化提供科学依据。[0122]实施方式八，本实施方式是对如上文所述的一种基于三维重建无损表型参数提取的香菇产量估测方法的实施例，具体包括：[0124]1.利用智能手机对香菇菌棒进行多视角交叉环绕拍摄，获取多张覆盖香菇所有角度的图像。相机光圈为f1.5,曝光速度为10ms,分辨率为3024*4032。将设备固定于三脚棒相同高度平视拍照一次，俯视拍照两次。俯视时相机分别高于菌棒25cm和50cm,俯角分在语义分割领域展现了优秀的性能，适合在复杂环境下区分语义细微差别。在此采用[0128]三维重建选择COLMAP(Ver.3.9.1,https://colmap.github.io/),首先对输入的同视角下的图像关键点进行配对，找到图像之间的对应关系。进一步采用运动恢复结构为操作等的干扰，重建的点云仍存在一些离群噪声点。采用统计滤波器(SOR)对其进行去[0137]采用随机采样一致性算法(RANSAC)计算白板法向量m。由m与z轴法向量n生成旋转轴和旋转角。[0138]采用直通滤波移除已经旋正的点云下方的标志物与白板，得到下图预处理后的菌[0139]3.CP-PointNet++网络与聚类方法自动化分割流程[0140]采用基于PointNet++(Qietal.,2017)改进的CP-PointNet++模型进行点云分割。PointNet++引入了层次化的特征提取方法，通过在不同尺度上对点云数据进行采样和分组来增强模型对局部结构的理解能力。通过逐层的特征变换和池化，能够在不丧失全局结构信息的情况下，提取出丰富的局部特征表示。PointNet++分割网络采用了多层次架构，GroupingLayer、MLPLayer三个层。PointNet++分割网络模型采用Interpolate和unitPointNet组成。Interpolate获取SA模块下采样过程中忽视部分的特行改进，提出了新颖的CP-PointNet++模型，在原始的PointNet++网络的MLP层加入CBAM模块提高模型特征提取能力。采用部分卷积(PartialConvolution,PConv)替换普通卷积以降低模型训练时内存占用。[0142]CP-PointNet++分割出了菌盖、菌柄和菌棒三类点云。进一步需继续对菌盖、菌柄集合进行分割。菌盖通常呈现出类似弧形或圆形，表面平滑、曲率特性明显，且相邻点的法线方向呈现相对一致的变化趋势，采用区域增长算法进行菌盖个体的分割。[0143]菌柄具有空间分离性，在数据采集时遮挡导致三维重建汇总生成的点云密度不同。快速欧式聚类是基于距离度量的聚类算法，它假设同一类的点在空间上距离较近，算法高效且计算简单。基于菌柄集合的点云特性采用快速欧式聚类算法来分割菌柄集合。[0145]对于香菇而言，如图4所示，图4中，(a)为菌盖横纵直径测量原理，(b)为菌盖厚度测量原理，(c)菌柄直径测量原理，(d)菌柄高(OBB)体积(菌盖包围盒体积与菌柄包围盒体积之和)。[0146]对菌盖应用PCA算法，确定点云的主要方向进行旋转。转换后的菌盖投影到XOY平面，计算最远的两个点之间的欧氏距离作为横直径，垂直于横直径且最长的直径为纵直径；菌盖厚度为菌盖中z轴最大值与最小值差值的绝对值。[0147]对菌柄应用PCA算法旋转后，取主方向上25%,50%,75%位置，平行YOZ厚度为菌柄高度10%的三个切片。对三个切片的点分别应用最小二乘法进行圆拟合求直径，三个直径均值作为菌柄直径。菌柄x轴最大值与最小值差值的绝对值作为菌柄的高度。[0149]通过广义回归神经网络(GRNN)模型实现香菇产量的高精度估算，利用提取的表型参数作为输入变量，结合历史样本数据进行模型训练和预测。具体过程如下：[0150]提取的六个表型参数作为模型输入：菌盖横直径(Pileustransversediameter)、菌盖纵直径(Pileuslongitudinal性。结构如图6和图7所示。表第i类的假阴性。[0164]选择平均绝对百分比误差(MAPE)、均方根误差(RMSE)、归一化的均方根误差指标。[0171]表1对比了本发明提出的CP-PointNet++和原始PointNet++(BASE)网络性能。原始PointNet++分割精度较低(OA=89.86%,mIoU=75.14%