长白落叶松单木参数与生物量机载LiDAR估测

采用黑龙江长白山地区长白落叶松人工林LiDAR数据和野外调查补充样地数据,利用树冠高层模型和三维点云分割相结合的方法实现单木识别,选择逐步回归分析法进行单木参数和生物量估算。结果表明：机载LiDAR估测的长白落叶松单木参数与实测数据具有较好的相关性,单木树高、冠幅、胸径和地上生物量的R2分别为0.8732、0.6335、0.7903和0.7992;平均拟合精度分别为88.34%、83.46%、85.11%和86.19%;幼龄林、中龄林、近熟林和成熟林的单木平均生物量分别为25.12、94.08、117.74、279.33kg。     

物体表面采样数据近似最小包围盒快速求解

提出一种改进的模型表面点云的近似最小包围盒求解方法,该方法首先构建模型表面采样教据的动态空间索引结构,依据点云特征型面的曲率在保持型面特征的基础上对原始数据进行精简,采用均值漂移算法得到新的模式点集进行二次精简,计算精简后数据的凸包,利用O'Rourke提出的凸多面体的最小包围盒求解算法获得凸包的最小包围盒并确定局部坐标系,利用局部坐标系求解原始点云数据的近似最小包围盒,可在满足最小包围盒体积精度的同时提高算法的运行效率,能有效处理各种复杂型面的点云数据的最小包围盒快速求解问题.     

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LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。     

基于非均匀细分的散乱点云数据精简算

针对海量散乱点云数据精简问题,提出了基于非均匀细分的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.对k邻域内的散乱点进行二次曲面拟合,以拟合曲面的平均曲率为判据决定是否对八叉树空间实行非均匀细分,细分过程中由数据点之间的最大间隔角决定细分程度.构造曲率差函数,识别出边界数据点,对其进行数据保护.该算法对具有曲率多样化特点的点云数据的精简具有实用性,通过实验验证了该算法的可靠性和准确性.     

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题，本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建，实时输出高频位姿信息，IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云，改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建，能够得到准确且高频连续的位姿信息，提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能，实验结果表明，与LIO-SAM等算法相比，定位精度维持在0.05 m左右，均方根误差为0.016 2 m。本文算法使机器人具有更高的精度、实时性和鲁棒性，有效降低了系统累积误差，保证了所构建地图的全局一致性。     

基于云模型的玉米饮料感官鉴评

利用云模型实现玉米饮料感官鉴评过程中的定性描述性语言和相应定量数值之间的任意转换,首先利用逆向云模型对玉米饮料感官鉴评的得分进行转化和分析,得到玉米饮料定性概念的表示.同时利用正向正态云模型完成玉米饮料定性概念向定量数值的转化,在保留数据特征的前提下将其还原至不同样本点.并针对玉米饮料的评价将云模型推广至多维空间.利用综合定性概念特征在四维空间内表征玉米饮料整体特征.     

基于变尺度格网索引与机器学习的行道树靶标点云识别

针对行道树连续喷雾施药方式严重污染环境,果园对靶施药技术难以推广至复杂城区环境等问题,应用车载2D LiDAR获取街道三维点云数据,研究行道树靶标识别方法。构建变尺度格网点云索引结构,实现邻域快速搜索及点云在线处理;提取高程、深度、密度、协方差矩阵等11个点云球域特征,分析特征分布特性,采用基于径向基核函数的支持向量机算法融合特征,学习树冠点云分类器;采用FIFO缓冲区保存点云帧序列,实现行道树靶标在线识别。实验结果表明,该方法能够实现行道树靶标精确识别,在测试集上的分类错误率小于0.8%,检出率大于99.4%,虚警率小于0.9%,鉴别力最强的4个特征从高到低依次是高程均值、深度均值、高程范围和高程方差。     

基于颜色取样的苹果树枝干点云数据提取方法

为了快速提取苹果树冠层枝干三维点云数据,以不同生长时期苹果树冠层彩色点云数据为研究对象,提出了基于颜色取样的苹果树枝干点云数据提取方法。首先,提出了苹果树冠层彩色点云获取方法,利用Trimble TX8型地面三维激光扫描仪获取冠层点云数据,同轴全景摄像机获取彩色全景图,采用贴图方法着色点云数据;然后,提取全景图像苹果树冠层区域R、G、B颜色分量信息,根据其分布规律建立枝干部分自适应分割阈值,并根据颜色阈值删除冠层中非枝干部分彩色点云数据;最后,在Geomagic软件中经过封装—创建流形—编辑多边形—填充孔—光滑等一系列操作重建枝干三维模型。苹果树提取枝干点云数据实验结果表明,本文方法点云删除率为75. 74%,相对于人工枝干点云数据提取,侧枝数量平均准确率为93. 34%,效率提高200倍以上,大大缩短了冠层枝干三维重建时间。本研究成果可为有叶苹果树枝干动力学模型建立提供技术基础。     

基于Geomaigic Design X的自行车挡泥板逆向三维建模

本文阐述基于Geomaigic Design X逆向工程技术的自行车档泥板逆向三维建模技术的应用。通过对挡泥板的三维扫描、点云处理、根据点云进行模型重构的过程,最终获得挡泥板的三维模型。重点论述了基于软件Geomaigic Design X 3D草图特征识别与提取功能,对档泥板曲面点云数据重构的解决方案,验证了该方法和措施的正确性和可行性,为工业4.0提供技术支持,具有广泛的应用空间。     

基于三维点云的群体樱桃树冠层去噪和配准方法

樱桃树的栽培密度影响其冠层的光照分布,通过研究群体樱桃树的三维结构,可分析不同栽植密度下温室甜樱桃树冠层光照分布规律,指导樱桃树的科学种植,进而提高甜樱桃产量和品质。高质量的点云数据是构建群体樱桃树三维结构的基础,而点云去噪和点云配准是点云数据预处理的关键环节。本文提出一种基于三维点云的群体樱桃树去噪和配准方法,搭建群体樱桃树三维信息采集平台,使用2台固定的DK深度相机获取群体樱桃树彩色点云数据;提出基于颜色区域生长的二分类方法,设置颜色阈值分割点云并进行二分类处理,可有效去除彩色点云数据中的异常无效点,并设置点云离散度和RGB值,作为点云去噪评价标准;结合人工标记法和双相机位姿矩阵,提出基于颜色特征改进的ICP方法,解决传统ICP配准算法多依赖初始位姿且配准速度较慢的问题。该方法通过对点云粗配准,得到较好的初始位姿,使用SIFT算法提取颜色特征点,将颜色特征与ICP算法结合进行点云精配准,然后使用PCL中随机采样一致性算法,去除错误匹配点,有效减少配准时间,提高配准精度。以夏季和冬季的群体樱桃树20组点云数据为实验对象,对比分析ICP算法、NDT算法、SAC-IA算法和本文配准方法的配准精度和配准时间,结果表明,本文配准方法平均耗时分别为5.01、4.30s,均方根误差分别为2.316、2.100cm,有效减少了配准时间和配准误差,验证了本文算法的有效性和普适性。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于激光点云的三维虚拟果园构建方法

针对果园管理数字化程度低、构建方法较为单一等问题,本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping,SLAM-LOAM）算法获取果园点云数据集;然后通过统计滤波算法完成点云数据离群点与噪声点的去除,并结合布料模拟算法（Cloth Simulation Filtering,CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,实现地面去除与果树聚类分割,进而使用VoxelGrid滤波器降采样;最后利用Unity3D引擎,构建虚拟果园漫游场景,将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系,并通过LineRenderer显示实时轨迹,实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性,在海棠果园与芒果园开展果园构建方法测试。结果表明,所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%;通过与实际芒果园的果树行距、株距对比,虚拟芒果园的平均行间误差约为3.5%,平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比,该方法能够有效复现果园三维实际情况,得到了较好的可视化效果,为果园的数字化建模与管理提供了一种技术方案。     

基于三维激光点云数据的树冠体积估算研究

树冠体积是预估树木生物量的重要参数之一。为了实现对树木冠体体积无损高精度量测,随机抽取了6个树种、共计30棵树木的三维激光点云数据作为数据源,对树冠体积的求算方法进行研究。首先,对三维激光点云数据进行匹配、拼接、去噪及压缩等处理,提取冠体点云数据;其次,提取每一棵样木树冠的边缘特征点;最后,应用不规则三角网TIN的原理算法计算冠体体积。本文所提取的边缘特征点能够最大限度地维持树冠冠体的整体不变形,还能够继续去除部分冗余数据,缩短了不规则三角网TIN的构建时间,提高了计算效率;此外,树种包含有针叶树和阔叶树,在冠形上既有针叶树所特有的冠体体态特征,又有阔叶树的冠体体态特征,其研究结果具有一定的代表性。本文采用的方法与已有文献计算结果对比表明:均方根误差为0.832,平均绝对误差为0.49,平均相对误差为1.75%,可看出二者之间差异较小;同时在30个样木中随机抽取5个样木的人工测量结果与本研究相比较,取得的精度相对较好。采用本研究所得结果精度较高,能够满足生产需求。     

基于三维点云的群体樱桃树冠层光照分布预测模型

合理的果树冠层结构和栽培密度可提高其冠层内光截获量,对提升果实产量和质量有重要影响。本文以细纺锤形樱桃树为研究对象,构建了基于三维点云的群体樱桃树冠层光照分布预测模型。使用Azure Kinect DK相机获取群体樱桃树三维点云数据,通过点云数据预处理得到完整的群体樱桃树三维点云数据。在冠层尺度内,对樱桃树冠层点云数据进行分层,提取不同区域的点云颜色特征。提出基于Delaunay三角化凹包算法的点云投影面积计算方法,通过凹包边界点提取和向量积叉乘,计算不同区域的点云投影面积。以点云颜色特征和相对投影面积特征为输入,以实测相对光照强度为输出,建立群体樱桃树冠层光照分布预测模型。试验结果表明,该模型能够较为准确地预测樱桃树冠层内的光照分布,预测值与实际值决定系数平均值为0.885,均方根误差为0.0716。研究结果可为樱桃树合理的种植密度管理及樱桃树休眠期自动化剪枝等提供技术支持。     

基于快速点特征直方图的树木点云配准

随着农林业智能化与信息化发展,树木三维重建技术成为国内外研究的热点.为获取具有颜色信息的树木三维点云,需配准不同视角下的彩色点云数据,为果树三维重建提供基础数据.为此采用仿真树模拟果树,提出一种基于快速点特征直方图(FPFH)的树小点云配准方法,通过添加标定物增加具有稳定FPFH特征的点云个数,从而提高点对配准精度.首...     

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。     

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。     

基于旋转曲面轮廓特征的农田地表点云配准研究

作业场景重建可为智能农机自主作业提供全局信息与局部细节,针对因农田表面缺乏高区分度的点、线、面高层结构造成的特征描述性差、点云配准精度不足的问题,提出一种基于旋转曲面轮廓特征的农田地表点云配准方法。首先,采用32线激光雷达获取农田真实地表点云数据并完成去噪、降采样等预处理;然后,采用加权线性协方差矩阵的奇异值分解确定关键点唯一局部参考坐标系,并统计关键点与旋转曲面截面交点距离信息,生成地表点云的局部特征;最后,采用基于单特征初选与局部特征精匹配原则的多级特征匹配策略进行局部特征匹配,计算旋转矩阵与平移矩阵完成点云配准。试验结果表明,旋转曲面轮廓特征与其他特征相比,平均精度增加7.5个百分点,平均召回率增加24.09个百分点;多级特征匹配策略相对于最近邻搜索策略,平均精度增加12.68个百分点,平均召回率增加18.38个百分点;本文的点云配准方法的平均平移误差为23.59dr,平均旋转误差为3.72°,配准成功率为87.5%。因此,本文提出的基于旋转曲面轮廓特征的农田地表点云配准方法适用于真实农业地表无序点云的自动配准。     

基于三维点云的苹果树叶片三维重建研究

叶片是果树冠层的重要组成部分,对其进行三维重建研究不仅可以对叶片形态特征进行分析,还能为冠层光照分布计算以及果树整形修剪提供理论基础。三维激光扫描仪以非接触、高效、快速获取数据的优势被大量应用于三维空间信息采集工作中。本文提出一种基于三维点云的苹果树叶片结构形态三维重建方法。首先针对叶片的形态特点选择合适的三维激光扫描仪获取苹果叶片三维点云;基于包围盒法搜索K邻域,计算点云中点与其邻域点的平均距离,并设定距离阈值作为判定中心点是否为离散点的依据,进而确定离散点并去除;利用最小二乘原理实现点云局部曲面拟合以及法向量、曲率的计算,提取叶片边界点;对于非边界点部分,根据中心点法向量与其邻域法向量的关系,对点进行不同程度的精简;最后对处理后的叶片点云完成三维重建。结果表明,构建的叶片模型能够较好的保留叶片的三维形态特征,可以为果树冠层重建和光照分布计算提供基础。