《European Journal of Agronomy》：Three-dimensional reconstruction and parameters extraction of walnut (
Juglans regia L.) branches based on Neural Radiation Fields
編輯推薦：
為解決傳統果樹三維重建方法在復雜戶外環境中精度與效率不足的問題，研究人員開展基于 NeRF 的核桃枝條三維重建研究。結合 SfM 與 NeRF，優化 WalnutNeRF 模型，提取參數。結果顯示其精度高、耗時少，為智能修剪等應用提供支撐。
在智慧農業蓬勃發展的當下，果樹的智能化管理成為提升生產效率的關鍵方向。核桃作為重要的木本油料作物，其整形修剪是栽培過程中的核心環節，但傳統人工修剪效率低下、成本高昂，極大制約了產業發展。而精準的三維重建技術能為智能修剪決策提供關鍵形態學依據，然而現有方法卻面臨諸多挑戰：主動視覺方法如激光雷達（LiDAR）成本高、易受遮擋影響，難以捕捉細小枝條細節；深度相機雖便攜但點云配準耗時且易受光照干擾；傳統被動視覺方法如結構從運動 - 多視圖立體（SfM-MVS）在復雜果園環境中重建時間長、細節捕捉不足，尤其難以滿足核桃樹智能修剪對末端枝條紋理和幾何信息的高精度需求。在此背景下，開發一種適用于復雜戶外場景、兼具效率與精度的核桃樹三維重建方法迫在眉睫。
為突破上述瓶頸，國內研究團隊圍繞核桃樹三維重建與智能管理展開深入研究。該團隊的研究成果發表在《European Journal of Agronomy》上，旨在構建一種基于神經輻射場（Neural Radiation Fields, NeRF）的核桃枝條三維重建與參數提取方法，為智能化修剪等應用奠定基礎。
研究人員采用的關鍵技術方法主要包括：首先通過多視圖圖像采集構建核桃樹數據集，并利用結構從運動（Structure from Motion, SfM）技術獲取相機位姿；其次，針對復雜戶外環境挑戰，對 NeRF 模型進行優化，引入哈希編碼、分段采樣器和外觀嵌入特征，形成 WalnutNeRF 模型；最后借助標定物的尺度恢復方法實現枝條參數提取。
結果分析
渲染性能與深度估計精度
通過峰值信噪比（PSNR）、結構相似性指數（SSIM）、學習感知圖像塊相似度（LPIPS）等指標評估發現，WalnutNeRF 在渲染圖像質量和深度估計準確性上顯著優于現有方法，展現出對核桃樹枝條復雜幾何和紋理細節的高保真重建能力。
點云提取與重建效率
WalnutNeRF 的枝條重建準確率達 90.94%，且訓練時間較 SfM-MVS 快 9 倍。在點云質量方面，其對主枝、側枝和徒長枝的重建誤差分別較 SfM-MVS 降低 72%、67% 和 57%，長度誤差分別減少 7.09%、4.33% 和 65.07%，表明其在復雜結構重建中具有更高的可靠性和效率。
模型優勢與應用潛力
與主動視覺和傳統被動視覺方法相比，WalnutNeRF 無需昂貴傳感器，在復雜光照和遮擋條件下仍能實現高精度重建，有效解決了戶外果園環境中的噪聲干擾和細節丟失問題，為核桃樹智能修剪的自動化決策提供了關鍵技術支撐。
結論與討論
本研究成功開發了適用于核桃樹的 NeRF 改進模型 WalnutNeRF，通過多技術融合顯著提升了復雜環境下的三維重建效率與精度。研究結果表明，該方法在枝條參數提取準確性和重建耗時上具有明顯優勢，為果樹智能化管理提供了新的技術路徑。其創新點在于將 NeRF 與 SfM 結合，并針對農業場景特性優化模型結構，突破了傳統方法在戶外應用中的局限性。盡管研究未涉及更多樹種的普適性驗證，但其為后續智能修剪算法開發及其他作物的三維建模提供了重要參考，有望推動智慧農業中視覺感知技術的革新與應用。
