绿萝是一种常见的观叶植物,有观赏价值与净化环境的作用。随着人们对于室内环境装饰与净化的需求增大,对于绿萝的产业化、标准化生产也提出了要求。绿萝叶片作为绿萝植株的主要生理生化活动场所,其外部表型参数能够极大地反映植株的生长状况,所以对叶片表型参数的获取与测量成为了观叶植物培育的研究热点。随着计算机技术的不断发展,机器视觉、三维建模技术使绿萝外形参数尤其是叶面积的自动化检测成为了可能,这些技术的发展为植物叶片外形检测提供了更加高效与智能的方法。以观叶植物绿萝的叶片为研究对象,基于单一角度局部点云重构与几何模型匹配两种方法研究对绿萝叶片外部表型参数的估测方法,为绿萝生长状况检测等提供了理论基础,具有实用意义。实验首先利用Kinect V2相机对绿萝植株进行垂直拍摄,获取不同高度与不同角度的植株点云数据;然后沿叶基剪下平铺贴于A4白纸上测量叶长与叶宽的实际值;在800mm高度下用Kinect相机垂直采集平铺叶片的RGB图像,通过图像处理的方式获取叶面积实际值。在对叶片造型可视化方法进行对比之后,通过曲面参数方程建立绿萝叶片的几何模型,用于后续估测过程。将绿萝叶片外形分为叶形、叶尖与叶基3部分,通过对曲面添加干扰函数形成。几何模型包括10个内部模型参数与4个外部表型参数,通过多次调参与畸形模型排除得到内部模型参数的取值范围与步长,采集15000组数据,通过多种机器学习方法进行训练,选择AE网络来通过已知外部表型参数反演内部模型参数,作为后续匹配算法的起点。基于点云重构的传统检测方法在直通滤波去除背景信息后,对多个角度采集的点云数据通过ICP算法进行匹配,通过K-means算法分割单片叶点云并采用包围盒精简法压缩点云数据,利用最近邻点插值法修补点云中的孔洞,对完整的单片叶点云生成OBB包围盒估测其叶长、叶宽;采用Delaunay三角网格化重新构建点云外表面,对网格面积求和来估测叶面积。对估测结果与真实值进行数学统计与线性回归分析,通过对估测结果的分析可知:在850mm相机高度下获取的点云数据估测效果最好,叶片叶长估测的R2为0.76,RMSE为0.88,平均误差为0.98cm,准确率为90%;叶宽估测的R2为0.90,RMSE为0.55,平均误差为0.67cm,准确率为89%;叶面积估测的R2为0.85,RMSE为0.70,平均误差为6.73cm2,准确率为84%。实验所提出的基于局部点云的绿萝叶片外部表型参数的检测方法使用单一角度下的点云数据,经过直通滤波去除背景冗余数据,利用K-means聚类算法分割单个叶片点云,采用包围盒精简法压缩数据,通过OBB包围盒得到局部点云的外形参数,输入训练好的AE网络分类预测得到内部模型参数,建立相应的叶片几何模型,利用PSO粒子群优化算法进行几何模型离散点云的空间变换,实现与局部点云的空间匹配,利用遗传算法进行最优匹配模型参数求解,通过最佳匹配模型的外部表型参数来估测真实叶片的外部表型参数。对估测结果与真 实值进行数学统计与线性回归分析,通过对估测结果的分析可知:在800mm相机高度下获取的点云数据估测效果最好,叶片叶长估测的R2为0.88,RMSE为0.52,平均误差为0.46cm,准确率为95%;叶宽估测的R2为0.88,RMSE为0.52,平均误差为0.41cm,准确率为94%;叶面积估测的R2为0.95,RMSE为3.60,平均误差为3.42cm2,准确率为92%。与基于点云重构的效果相比,叶片的叶长、叶宽与叶面积测量精度分别提高了 0.5cm、0.25cm与3.14cm2,更具有实用价值。