基于几何模型的绿萝叶片外部表型参数三维估测

为快速高效获取叶类植物叶片的外部表型参数、掌握植株生长状况，以绿萝叶片为研究对象，提出一种基于几何模型的叶长、叶宽与叶面积的三维估测方法。利用微软Kinect V2相机，自80cm高度垂直位姿获取绿萝叶片局部点云，并进行直通滤波去噪与包围盒精简等预处理，测量得到点云外形参数，输入预先建立的SAE网络分类预测得到几何模型参数，并基于曲面参数方程建立叶片几何模型。采用粒子群优化算法计算几何模型离散点云和局部点云间的空间距离，进行空间匹配，利用遗传算法求解最优匹配模型的内部模型参数，输出最优匹配模型的叶长、叶宽与叶面积作为估测结果。实验共采集150片绿萝叶片的局部点云数据，将估测结果和真实值进行数学统计与线性回归分析，得出叶长、叶宽与叶面积估测的平均误差分别为0.46cm、0.41cm和3.42cm2，叶长估测R2和RMSE分别为0.88和0.52cm，叶宽R2和RMSE分别为0.88和0.52cm，叶面积R2和RMSE分别为0.95和3.60cm2。实验表明，该方法对于绿萝叶片外形参数的估测效果较好，具有较高实用价值。     

遮挡条件下基于MSF-PPD网络的绿萝叶片点云补全方法

针对在自然场景中,由于遮挡、视角限制和操作不当等问题,导致传感器获取的植物或器官点云不完整,提出了一种基于多尺度特征提取模块结合点云金字塔解码器（Multi scale feature extraction model with point cloud pyramid decoder,MSF-PPD）的叶片形状补全网络。首先,采用多尺度特征提取模块实现不同维度特征信息的全局提取和融合,其次,通过点云金字塔解码器进行叶片点云的多阶段生成补全,最终得到完整的目标叶片形状。使用曲面参数方程构建绿萝叶片仿真模型库,并将其离散成点云作为网络模型训练的训练集和验证集,使用Kinect v2相机获取绿萝叶片点云作为网络模型补全性能评估的测试集。试验结果表明,本文网络结构对叶片点云补全的效果理想,证明本文方法能够对遮挡情况下的绿萝叶片进行高效、完整的补全。     

基于局部点云的苹果外形指标估测方法

为了获取果实生长期的外形参数指标,监控果实发育状况,提出了一种基于局部点云的苹果外形指标估测方法。该方法可以通过局部点云数据估测苹果的体积、高度、直径等外形指标参数。利用椭球曲面方程构建苹果几何模型,并计算苹果几何模型的高度、直径、体积。使用Kinect V2相机从任意角度获取点云数据,采用直通滤波法去除点云数据的背景,用包围盒算法精简点云得到苹果局部点云数据后,采用粒子群算法将苹果局部点云数据与苹果模型进行空间匹配,并用遗传算法求解苹果最优匹配模型的参数,利用苹果最优匹配模型参数估测与其匹配的真实苹果的外形指标。实验采集了250个苹果顶部、侧面和底部的局部点云数据,使用本文方法分别估测了250个苹果在3个角度下的外形指标,并对估测值与真实值进行线性回归分析,各个指标的线性回归拟合度R~2均高于0. 7。其中,侧面拍摄时拟合效果最好,R2最高为0. 948。在各个角度下苹果体积估测的平均误差不大于16. 16 mL,高度估测的平均误差不大于2. 92 mm,直径估测的平均误差不大于2. 35 mm,估测结果的平均误差较小,在允许误差范围内。实验结果表明,基于局部点云的苹果外形指标估测方法具有较强的实用性。     

基于光学特性参数反演的绿萝叶绿素含量估测研究

为快速准确检测植物体叶绿素含量,提出一种基于MMD迁移的光学特性参数反演方法。以绿萝叶片为研究对象,仿真光子在基于蒙特卡洛方法的单层平板模型上的运动轨迹,获得12 000幅绿萝叶片仿真光亮度分布图,利用卷积神经网络对模拟光谱数据进行训练,得到预训练模型;基于预训练模型进行迁移学习,在少量实测绿萝叶片光谱数据上对模型进行微调,进行绿萝光学参数反演,得到吸收系数μa反演准确率为84.83%、散射系数μs反演准确率为83.33%;在此基础上引入最大均值差异方法,提升迁移效果。结果表明,与普通的模型迁移方法相比,基于MMD迁移的方法具有更好的反演效果,吸收系数μa反演准确率为87.55%,散射系数μs反演准确率为86.67%。利用MMD迁移得到的全连接层特征建立叶绿素回归模型的决定系数R~2为0.931 0,分别比直接使用光学参数和光谱图像建立的模型决定系数R2高0.046 8和0.062 0。研究表明,基于光学特性参数反演方法可以为叶绿素含量无损估测研究提供参考。     

基于参数化的玉米叶片三维模型主脉提取

提取玉米叶片三维点云模型主脉对于建立真实玉米叶片模型具有指导意义。本文利用计算机图形学中的相关算法,包括离散网格的平均曲率计算、网格曲面的参数化以及点云数据的骨骼提取等,对扫描得到的玉米叶片三维点云模型进行主脉曲线提取。整个算法分为3步:不完整主脉三维点集提取、完整主脉点集提取和三维主脉重建。通过对不同种类玉米叶片三维扫描数据进行实验证明,该算法可以快速、准确地得到玉米叶片的主脉曲线。     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

基于改进人工神经网络的植物叶面积测定

叶面积作为植物光合作用的重要指标,是研究作物及林木生产力的基础.采用L-M算法和贝叶斯规则相结合的网络训练模式,以毛竹叶面积为研究对象,综合优化其人工神经网络结构,构建最优的叶面积预测模型.研究结果显示,模型的最佳预测变量为叶片宽度和叶片长度变量组合,而增加叶片形状指数未提高叶面积预测模型精度;所建神经网络模型性能好、预测精度高,决定系数达0.992,平均相对预测误差为4.28％,可以准确估测毛竹叶面积.     

遮挡条件下多视角甜椒果实点云三维重构方法

为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。     

基于逆向工程技术的蜣螂外形数据采集与处理

采用三维激光扫描系统测量了臭蜣螂几何体表外形,获取了臭蜣螂几何体表外形的数据点云。利用逆向工程软件进行数据点云的平滑处理、精简处理及其多视数据的定位与拼接。使用点云数据网格化、曲面特征抽取与数据分片、曲面分割及直接拟合曲面片的造型方法,成功进行了臭蜣螂体表外形三维几何曲面模型的重构。     

基于运动恢复结构的无规则植物叶片面积三维测量方法

接触式测量植物叶片面积的方法会对叶片造成一定程度的伤害,为此本文提出一种仅利用智能手机的非接触式多类别无规则叶片面积三维测量方法。首先,采用运动恢复结构方法获取植株的三维重建点云,在HSV颜色特征空间去除叶片三维噪点;然后,利用模糊C均值聚类算法分割单个叶片,重建叶片表面三角网格;最后,通过网格法计算叶片面积。对5种不同类别、不同形状的植物叶片进行了测量实验,结果表明,在叶片重叠率和复杂性角度上,面积测量的平均相对误差分别为6.25%和4.81%。本文方法测量稳定、精度高,能够满足多类别无规则植物叶片面积测量的需求。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于动态K阈值的苹果叶片点云聚类与生长参数提取

根据冠层点云的分布特征,提出一种基于动态K阈值的叶片点云聚类及生长参数提取方法。首先,采用地面三维激光扫描仪获取多站点云数据并完成配准、去噪和抽稀等预处理;然后,随机截取整株点云中的一枝作为研究对象,融合局部凹凸性算法(LCCP)并改进K-means算法,提出基于动态K阈值的叶片点云聚类方法;最后,采用主成分分析方法(PCA)计算叶片点云法平面方向向量,并根据叶片边界点与中心点的位置关系,计算叶宽、叶长等生长参数。试验结果表明,与传统的点云聚类方法相比,本文方法能够在不损失枝干点云的前提下,精确地分割单叶片,保证了聚类结果的完整性和彻底性;与传统的降维方法相比,本文基于真实三维空间信息提取叶片生长参数能够较大程度提高提取准确性,为进一步评价果树冠层光照分布及果园智能化管理提供技术支持。     

枝上柑橘果实深度球截线识别方法

针对柑橘果、叶、枝对象具有球体、片体和细柱体不同的三维几何特征,提出一种识别柑橘果实的深度球截线方法。首先提出了球形果实特征提取的深度球截线方法的基本原理和关键参数,进而分别针对枝上果、叶孤立和贴碰区域提出了孤立果实的特征提取算法和贴碰果实的特征提取算法,得到了复杂枝环境下的深度数据处理与果实识别策略,并综合根据Intel Real Sense F200型深度传感器参数、柑橘果实尺寸、近景探测范围、数据预处理与特征提取需要完成了深度球截线方法的参数确定。大量室内试验结果表明,深度球截线方法对孤立果实提取的平均成功率为97.8%,贴碰区域内果实提取的平均成功率为76%,而复杂枝环境的果实提取综合成功率为63.8%。该深度球截线的识别方法仅利用有限的深度数据点,在保证原始数据精度的同时降低了运算量和果实特征提取复杂性,能有效应对果叶遮挡问题,实现对贴碰果叶的有效区分,对柑橘果实具有良好的适应性,为采摘机器人在复杂环境下的果实识别与定位提供了新的技术思路。     

基于三维激光点云的靶标叶面积密度计算方法

为向变量喷雾系统施药量的计算提供数据基础,提出了靶标喷施区域叶面积密度参数的计算方法。靶标三维点云数据由二维激光雷达传感器沿果树行直线运动间接获取。在假设各喷施子区域内叶片面积变化相对较小的条件下,基于Matlab曲线拟合工具箱cftool分析并验证了点云数与叶片数之间存在函数关系。曲线拟合结果表明,利用高斯函数、多项式函数与指数函数拟合点云数与叶片数,决定系数分别为0.925 7、0.931 0与0.936 4,指数函数拟合效果最好。相对误差分析结果表明,基于3种拟合函数,枝叶茂密区域相对误差最小为11.46%,枝叶中等茂密区域相对误差最小为11.05%,枝叶稀疏区域相对误差最小为35.50%。基于确定的点云数与叶片数间的函数方程,经系数变换后可计算出叶面积密度参数。     

基于ICS优化RBF的水库水质三维预测方法

针对已有水质预测模型在数据降噪、网络参数初始值设置和优化、精度提高等方面能力的不足,构建了一种优化的水质三维预测模型。利用主成分分析算法筛选出水质关键参数,并基于自适应噪声的完全集合经验模态分解算法结合小波阈值模型对三维水质参数和气象数据降噪处理,使用3维卷积神经网络(Three-dimensional convolutional neural networks, 3-D CNN)提取出特征数据集,自编码器(Autoencoder, AE)获得径向基函数(Radial basis function, RBF)网络参数初始化值,改进布谷鸟搜索算法(Improved cuckoo search, ICS)优化更新网络中超参数动态初始化值。广东省湛江市徐闻县大水桥水库区域22个典型在线监测站点以及6个手持监测点的实测数据对比验证结果表明,浊度和藻密度分别与总氮含量强正相关,叶绿素含量与气温强正相关,所提出的水质预测模型在5个典型精准性评价指标方面优于已有文献方法。研究成果可为管理部门和研究者对水质监测提供参考。     

基于RGB-D相机的单株玉米株高测量方法

玉米株高是反映作物长势的重要指标。为了实现田间单株玉米株高的快速测量，提出了一种基于RGB-Depth（RGB-D）相机的玉米株高测量方法。以拔节期玉米为观测对象，首先利用RGB-D相机获取田间玉米的彩色图像和深度图像。对玉米彩色图像进行灰度化、二值化和去噪处理，提取出包含待测玉米的二值图像。利用改进的分水岭分割算法对玉米的灰度图像进行分割，对分割结果进行圆形拟合操作，定位玉米的中心区域。对玉米的二值图像进行骨架化处理，检测骨架的交叉点和末端点，确定玉米骨架的中心点，并检索其到末端点的最短路径。对各条路径的点云数据进行求差与比较，确定玉米的最高点，并对最高点附近的点云数据进行直方图统计，获得地面点。最后，通过计算玉米最高点和地面点的差值，实现单株玉米株高参数的测量。对玉米样本进行测试试验的结果表明：单株玉米株高的平均测量误差为1.62cm，均方根误差（RMSE）为1.86cm，测量精度满足实用要求。