近日，工程学院徐兴副教授（国家香蕉产业技术体系机械化研究室）在国际期刊Plant Phenomics（中科院一区Top期刊，影响因子8.495）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，为香蕉等大叶热带果树的低成本、高精度数字化表型获取提供了新的技术路径。
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课题。香蕉植株叶片宽大、边缘易撕裂、叶面纹理弱、植株自遮挡严重，加之田间手持采集难以避免的轻微抖动，传统摄影测量方法常出现特征匹配失败、模型破碎、尺度失真等问题，难以满足高精度表型分析的需求。
针对上述瓶颈，徐兴副教授提出了BN-NeRF框架，面向普通手持设备采集场景，实现了香蕉植株的快速三维重建与自动表型提取。该框架以Instant-NGP为基线，围绕香蕉植株田间成像特点，创新性地设计了三项核心算法：（1）帧级几何校正策略，有效修正手持拍摄引入的位姿扰动；（2）稀疏几何锚定策略，将SfM稀疏点云转化为尺度约束，显著提升弱纹理区域的几何稳定性；（3）薄叶先验约束，抑制叶缘漂浮伪影与厚度膨胀，增强香蕉叶片等薄层结构的连续性与可测量性。在此基础上，研究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技术链条，实现了假茎与叶片参数的自动化提取。
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33s，而传统SfM-MVS达到1h20min，体现出较好的快速处理能力。
图3 BN-NeRF 表型参数提取精度定量验证结果
该研究进一步开发了"手机采集—云端重建—结果回传"的移动端协同原型系统。用户通过手机完成视频采集与任务提交后，即可在云端完成三维重建与表型计算，并接收结构化结果进行查看。这标志着面向香蕉等大叶片作物的低成本三维感知与表型分析，正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。
工程学院徐兴副教授为该文第一作者和通讯作者，毕业硕士研究生陈尚存，以及段洁利教授，杨洲教授、付函副教授和金莫辉老师共同参与本研究。论文研究得到国家自然科学基金、国家香蕉产业技术体系、广东省现代农业产业技术体系、广州市重点研发计划等项目的资助。
相关论文链接：https://spj.science.org/journal/plantphenomics
论文开源代码github链接：https://github.com/wbxbky/BN-NeRF-Inference
手机app操作实现视频链接：https://b23.tv/jLa61EQ
文图/工程学院
