推算机天生的3D植物模型被火急必要用来支持表型和基于仿照的钻研，如光合作用建模
。精确的3D植物模型的构建拥有挑战性，由于植物是拥有复杂叶片结构的复杂物体，通常由状态和大幼分歧的薄且高反射的表表组成，且拥有密集，复杂，拥挤的特点
。在基于图像的步骤中，作者选取一种自动视觉步骤来解决这些问题，该步骤通过钻研场景来智能地进行图像采集
。此步骤不是为所有植物使用一样的摄像机地位，而是获取沉建指标植物所需的图像，调整摄像机地位以匹配植物的个别结构
。此步骤结合了基于体积和表表的沉建步骤，并在分析体素簇的基础上确定了必要的图像
。作者描述了一种全自动植物建模/表型分析单元，蕴含六轴机械人和高精度转台
。通过使用尺度彩色相机，克服了与基于激光的植物沉建步骤有关的难题
。将天生的3D模型与从固定相机获得的3D模型进行比力，并与分歧植物结构的X射线微推算机断层扫描数据进行了比力
。了局批注，该步骤能有效地提高各类植物类型数据的正确性和质量
。

AVC组成

作者提出了一种在受控环境下自动捕获植物彩色图像的AVC步骤，并将其用于多视图的3D模型沉建
。在分歧的植物结构上对此步骤进行了评估，并将其与使用肆意摄像机地位和静态摄像机的传统步骤进行了比力，得到的点的数量和这些点相对于到地面实况的欧氏距离的正确性
。

左：指标植物原始图像，中：10张图像后的初始暗示，右：获取其他视点后显示更多对象特点的最终体素模型

在所有的尝试中，AVC天生的数据精度更高，图像集更幼
。更多的点有助于确保植物被充分扫描，并且未知对象数据量最幼
。更精确的点保障了三维模型可能以更高的保真度沉建，这对于正确的植物表型是至关沉要的
。AVC对每幅图像获取更多的点，注明所捕获的图像对沉构拥有更大的价值
。固然静态相机的搁置是有效的，但使用自动视觉能够获得显著的数据收益
。

分歧植物的数据对比图，第一列是使用CT扫描仪获得的X射线数据，别离蕴含侧视图和俯视图，第二列为本文提出的AVC获得的点集

起源：Plant Physiol.Plant Phenotyping: An Active Vision Cell for Three-Dimensional Plant Shoot Reconstruction.Jonathon A. Gibbs, Michael Pound, Andrew P. French, Darren M. Wells, Erik Murchie, Tony Pridmore.