基于毫米波雷达的果园单木冠层信息提取

为解决当前果园探测技术难以在恶劣的果园环境中提取果树冠层信息的问题。该研究将毫米波雷达应用于果园冠层探测,搭建了基于毫米波雷达的果园冠层探测系统,利用该系统扫描得到了果园点云,检测和估算得到每棵果树的株高、冠幅和体积参数。针对毫米波雷达在不同距离下产生点云密度不同的问题,该研究提出了一种基于可变轴的椭球模型自适应密度聚类算法,用以提高果树点云识别效果,进而使用Alpha-shape算法和随机抽样一致算法（Random Sample Consensus）对果树进行了表面重建和结构参数的提取。通过与人工测量数据比较,该研究提出的聚类算法可以有效的识别和提取单木冠层点云,代表果树识别精度的 F1 分数为 93.7%;检测到的果树的株高和冠幅的平均相对误差分别为8.7%和8.1%,决定系数分别为0.84和0.92,均方根误差分别为16.39和7.82 cm;使用Alpha-shape算法计算得到平均果树体积为5.6 m3,相比传统几何法测量体积,体积计算准确度提高了59.4%。该研究表明毫米波雷达可以用于果园冠层信息的准确提取,为采集果园冠层信息提供了技术,对农业信息采集和自动化作业技术的发展具有重要意义。     

基于地面激光雷达的田间花生冠层高度测量系统研制

在花生育种研究中对于冠层高度的获取主要依靠人工测量,不但费时费力,而且存在一定的主观性。为解决这一问题,该文构建了一个田间花生冠层高度特性表型信息获取系统,利用地面激光雷达Li DAR对花生冠层结构进行扫描,获取其三维点云数据;采用多项式曲线拟合算法对点云数据进行分析,描绘冠层的大致轮廓并确定其边界,以得到目标冠层的有效数据集;通过对有效点云数据集生成的冠层高度矩阵分析,得到冠层的高度特性。试验结果表明,利用该系统获取的花生冠层平均高度与手工测量值最小偏差为2%,最大偏差为32%,最大偏差受地形影响和植株早期冠层本身的低高度所致,平均测量偏差约为11%,位于15%的可接受范围之内。该系统可以实现田间花生冠层高度信息的快速自动化获取,减少了人力成本的投入,该研究可为花生育种研究提供参考。     

基于点云配准的果树快速三维重建

旨在为果园生产管理提供果树三维可视化基础数据,该文提出了一种基于点云配准的自然光照环境下的果树三维重构方法。首先,利用RGB-D相机采集不同视角下的果树彩色图像和深度图像,并通过信息融合获取相应视角下果树的三维点云数据;第二,对果树原始点云进行去背景和滤波等预处理,利用归一化对齐径向特征NARF(Normal Aligned Radial Feature)算法计算每片点云中的关键点,并在关键点初运用快速点特征直方图FPFH(Fast Point Feature Histograms)描述子得到关键点的特征向量。通过计算比较两片点云的FPFH特征,寻找两片相邻点云之间的空间映射关系,利用随机抽样一致性RANSAC(RANdomSAmple Consensus)算法提纯映射关系并完成相邻两片点云的初始配准;第三,在初始配准的基础上,利用迭代最近点ICP(Iterative Closest Point)算法完成点云的精确配准;最后,利用上述点云初始配准和精确配准方法对果树多片点云进行全局配准并完整重构果树的三维点云图像。针对配准过程中时间消耗过大的问题,该文提出了基于OpenMP技术对配准进行加速的方法。结果表明,该文所提出的果树三维重构方法具有较高的准确性,配准的平均距离误差为0.0068 m;同时,在不影响配准精度和稳定性的前提下大幅提高了果树三维重建的效率。     

基于点云配准的果树快速三维重建（英文）

旨在为果园生产管理提供果树三维可视化基础数据,该文提出了一种基于点云配准的自然光照环境下的果树三维重构方法。首先,利用RGB-D相机采集不同视角下的果树彩色图像和深度图像,并通过信息融合获取相应视角下果树的三维点云数据;第二,对果树原始点云进行去背景和滤波等预处理,利用归一化对齐径向特征NARF(Normal Aligned Radial Feature)算法计算每片点云中的关键点,并在关键点初运用快速点特征直方图FPFH(Fast Point Feature Histograms)描述子得到关键点的特征向量。通过计算比较两片点云的FPFH特征,寻找两片相邻点云之间的空间映射关系,利用随机抽样一致性RANSAC(RANdom SAmple Consensus)算法提纯映射关系并完成相邻两片点云的初始配准;第三,在初始配准的基础上,利用迭代最近点ICP(Iterative Closest Point)算法完成点云的精确配准;最后,利用上述点云初始配准和精确配准方法对果树多片点云进行全局配准并完整重构果树的三维点云图像。针对配准过程中时间消耗过大的问题,该文提出了基于OpenMP技术对配准进行加速的方法。结果表明,该文所提出的果树三维重构方法具有较高的准确性,配准的平均距离误差为0.0068 m;同时,在不影响配准精度和稳定性的前提下大幅提高了果树三维重建的效率。     

采用局部点云和BP神经网络的苹果树剪枝决策系统构建

针对当前果树智能化剪枝决策研究尚不完善的问题,以树形分析和人工智能剪枝决策为基础,建立苹果树剪枝决策系统。提出基于局部点云的树枝三维骨骼提取方法,该方法采用Harris角点检测、凝聚层次、深度层次分析算法提取三维骨骼关键点,并基于线覆盖法建立树枝的空间向量,获取苹果树枝的三维空间形态特征数据,从而生成树枝的三维骨骼图,实现真实树枝的数字化模拟;提出基于BP神经网络的剪枝决策方法,以三维骨骼图为特征,实现根据输入的果树数据自动分析并生成剪枝方案。结果表明,剪枝决策方案对于背上枝和向心枝的辨别程度较好,准确率均达到90%以上,对干扰枝的总检出率85.71%,整体符合要求。该系统实现了苹果树剪枝环节的数字化处理和智能化剪枝,为果树科学剪枝提供可靠的工具。     

基于相机位姿恢复与神经辐射场理论的果树三维重建方法

针对传统立体视觉三维重建技术难以准确表征果树多尺度复杂表型细节的问题，该研究提出了一种基于相机位姿恢复技术与神经辐射场理论的果树三维重建方法，设计了一套适用于标准果园环境的果树图像采集设备和采集方案。首先，环绕拍摄果树全景视频并以抽帧的方式获取果树多视角图像；其次，使用运动结构恢复算法进行稀疏重建以计算果树图像位姿；然后，训练果树神经辐射场，将附有位姿的多视角果树图像进行光线投射法分层采样和位置编码后输入多层感知机，通过体积渲染监督训练过程以获取收敛且能反映果树真实形态的辐射场；最后，导出具有高精度与高表型细节的果树三维实景点云模型。试验表明，该研究构建的果树点云能准确表征从植株尺度的枝干、叶冠等宏观结构到器官尺度的果实、枝杈、叶片乃至叶柄、叶斑等微观结构。果树整体精度达到厘米级，其中胸径、果径等参数达到毫米级精度，尺度一致性误差不超过5%。相较于传统的立体视觉三维重建方法，重建时间缩短39.50%，树高、冠幅、胸径和地径4个树形参数的尺度一致性误差分别降低了77.06%、83.61%、45.47%和62.23%。该方法能构建具有高精度、高表型细节的果树点云模型，为数字果树技术的应用奠定基础。     

基于苹果树冠层计盒维数的光照分布预测

果园精细管理中,苹果树冠层结构决定了叶幕期光照分布情况,而叶幕期光照分布又是关系到果实产量和质量的重要因素之一。该文以纺锤体苹果树为研究对象,提出了基于苹果树冠层计盒维数的光照分布预测方法。在冠层尺度内,按照网格法划分休眠期苹果树冠层三维点云数据,通过分析该数据构成的果树冠层空间结构,提出用计盒维数量化果树冠层结构的方法;通过分析休眠期冠层结构特征和叶幕期冠层相对光照分布特点,研究了休眠期苹果树三维冠层网格空间计盒维数与叶幕期冠层光照空间分布之间的关系,预测了叶幕成形期苹果树冠层光照分布。通过连续3 a的数据分析,叶幕期苹果树冠层阳面光照分布平均预测精度为76.11%,阴面平均光照分布预测精度为74.10%,该方法可为苹果树自动化修剪合理性评判提供技术支持。     

基于深度学习与激光点云的橡胶林枝干重建及参数反演

树木的几何建模在林木性状评价、森林动态经营管理与可视化研究中具有重要意义。现今,从激光雷达（Light Detection And Ranging,LiDAR）数据中重建树体三维模型并精准获取林木空间枝干结构参数是数字林业发展的必然趋势。该研究提出了一种深度学习与计算机图形学相融合的树木骨架重建与参数反演方法。该方法以PR107、CATAS 7-20-59、CATAS 8-79三个品种的橡胶树为实验对象,首先,采用背包移动激光雷达获取三个橡胶树品种的样地数据,并通过体素剖分和数据增广策略来构建橡胶树训练样本集。其次,构造由四层特征编码层和特征解码层所组成的点云分类深度学习网络,并包含优化的PointConv模块与不同尺度的特征插值模块,以实现在多尺度条件下,全面考虑点云的全局和局部优化特征,引导网络实现枝叶点云的精确分类。最后,面向分类后的枝干点云,运用计算机图形学的空间连通性算法与圆柱拟合策略,重建树木骨架模型,并自动解决叶子点云与对应的一级枝干归属问题,进而在叶团簇尺度下开展对单株树的精细描述与参数反演。通过对三块橡胶树测试样地的验证和与实测值的比对表明,该研究提出的深度学习网络枝叶分类总体准确率在90.32%以上。骨架重建与叶团簇分析结果显示,PR107品种橡胶树具有较为发散的树冠、最大的分枝夹角和叶团簇体积;CATAS 7-20-59品种橡胶树冠呈花瓶型,分枝夹角和叶团簇体积较小;而CATAS 8-79品种橡胶树尽管胸径最粗,但不耐寒害处于落叶期导致冠积最小。同时,反演得到的橡胶树一级枝干直径与实测值比对为：决定系数R2不低于0.94,均方根误差（Root Mean Square Error,RMSE）小于3.01 cm;主枝干与一级枝干的分枝角为：决定系数R2不低于0.91,均方根误差RMSE不高于4.94°。同时发现橡胶树一级枝干的直径与对应的叶团簇体积呈正相关分布。该研究将人工智能的理论模型应用于林木的激光点云数据处理中,为林木激光点云的智能化分析与处理提供了新颖的解决思路。     

基于体着色的植物构型三维重建和可视化模拟

对植物进行三维重建通常利用立体视觉原理,由于立体匹配无法自动完成,加大了对植物构型时空变化的研究难度。根据体素颜色赋值法,设计了记录植物空间变化的体素三维重建系统,并利用其重建出植物点云数据,提出了针对植物体素点云数据进行滤波、分类及提取植物构型信息的算法,基于OpenAlea利用植物构型信息,建立植物构型模型并实现可视化模拟。采用阴香（Cinnamomum burmannii）枝条作为样本对该三维重建系统进行验证,结果表明,该系统能够自动重建枝条构型组织茎叶的点云,抽取植物构型信息的算法能快速正确得到枝     

基于Kinect V3的单株作物自动化三维重建与验证

为高效、精确地对单株作物进行三维重建,以点云方式无损测量作物表型信息,该研究提出一种基于Kinect V3深度相机的三维重建系统。使用步进电机搭建了一个旋转台,并将旋转台面设计成多颜色同心圆,利用同心圆计算平面法向量及圆心两特征信息,用于点云水平校准以及获取点云间的旋转平移矩阵;将Kinect V3采集的多视角点云变换到同一坐标系下,并结合裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法实现了多视角点云的粗配准与精配准,完成了作物三维重建。为检验该研究的三维重建效果,选取菜心、黄瓜苗为试验对象,与多视图立体视觉-运动恢复结构（Multi-View Stereo and Structure From Motion,MVS-SFM）算法重建点云进行对比,并提取叶面积参数与人工测量值进行比较。结果表明,两种方法下重建后的菜心点云间平均距离误差为0.59 cm,黄瓜苗点云间平均距离误差为0.67 cm,具有较高的相似度,而相较于MVS-SFM算法,该研究提出的方法的重建速度提高了约90%;该研究提出的方法所重建点云,菜心叶面积提取与标准参考值相对误差均值为5.88%,均方根误差为3.83 cm2,黄瓜苗叶面积提取与标准参考值相对误差均值别为6.50%,均方根误差为2.08 cm2,都显现出较高的准确性。该研究提出的方法能对单株作物进行快速三维重建,能有效提取叶面积参数,可为作物育种、栽培和农业生产提供高效技术手段和数据支持。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业，该研究提出了基于点云配准的自然光照环境下的果树三维重构方法，并针对传统最近点迭代（Iterative Closest Point，ICP）算法对待配准点云的空间位置要求苛刻的问题，提出了改进的点云配准算法。首先，使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像，并通过信息融合实现相应角度下的点云获取。其次，对点云进行背景去除和滤波处理，基于直方图设定分割阈值，提取单株枣树点云，并将放置在树根附近的标靶球作为标记，使用人工标记法进行两站点云初配准。最后，在初配准基础上计算点云的曲面法向量和曲率，由曲率相近的点构成配对点对，使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point，kd-tree-ICP）算法完成精配准，对点云使用Alpha-shape算法面片化，实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明，通过引入初配准，有效提高了点云配准的准确性和稳定性，配准误差均控制在1.0 cm以内，平均配准误差为0.78 cm；重构模型真实感较强，在外观上更加接近真实树，枝干相对误差控制在7%以内。该研究重构模型精度较高，可为枣树智能修剪提供可视化研究基础和技术支持。     

基于稀疏图像的真实树交互式建模方法

真实环境中树的三维重建可在虚拟现实、景观设计及农林业应用方面发挥重要作用,为解决真实环境中树的三维重建问题,该文提出一种基于稀疏图像的交互式建模方法。在自然环境下采集2幅相差90°的树图像及对应4～7幅中间图像,采用交互式编辑方法在夹角相差90°的1幅图像上获取各级树枝二维投影位置及粗度信息,再通过中间图像找到各级树枝在另一幅图像上的匹配树枝,并交互式调整树枝位置信息,然后进行透视校正,生成树枝三维几何模型,最后根据叶序规则添加树叶完成重建。通过对苹果树、樱桃树和枫树的重建结果表明,该方法交互性好,对图像拍摄数量与角度要求不高,重建时间在55～125 min之间,且能较好保持树的拓扑结构,可为虚拟植物建模、虚拟修剪试验和植物拓扑结构分析等提供参考。     

基于三维点云数据的苹果树冠层几何参数获取

针对果园环境下苹果树冠层参数获取精度较低的问题,提出了基于地面三维激光扫描仪高精度获取苹果树冠层参数的方法.选用Trimble TX8地面三维激光扫描仪作为苹果树冠层三维点云数据采集设备,提出了基于标靶球的KD-trees-ICP算法,用于高精度配准苹果树冠层三维点云数据.研究了平均风速小于4.5 m/s时,距离地面三维激光扫描仪不同远近条件下的标靶球配准残差和拟合误差的变化规律,分析结果表明,标靶球平均配准残差为1.3mm,平均拟合误差为0.95 mm,低于大场景测量配准误差要求(5mm).为了提高有风环境下提取苹果树冠层参数的精度,研究了0.9～4.5 m/s区间平均风速影响下的苹果树冠层枝干、果实、叶片的三维点云质量,建立了风速与叶片侧面厚度的曲线拟合模型,分析结果表明,在果园平均风速小于1.6 m/s时可以从苹果树冠层三维点云数据中提取高精度冠层参数.利用地面激光三维扫描仪获取距离苹果树12 000 mm以内冠层参数,测量精度高于人工测量,相对误差小于4％,为果树高通量信息获取提供了技术支持.     

基于点云数据的植物叶片曲面重构方法

叶子是植物最重要的器官之一,建立植物叶片的高精度曲面模型对于开展植物叶片形态特征分析和冠层光分布计算等研究具有重要意义。该文提出了一种基于点云数据的植物叶片曲面重构方法,该方法首先对原始点云数据进行噪声点剔除和数据精简,然后采用Delaunay三角剖分方法生成初始网格曲面,再对网格曲面进行优化处理。结果表明该方法能够基于激光扫描三维点云数据快速重构出植物叶片的高精度网格曲面,包括萎蔫和枯萎等复杂形态。该研究可为植物建模与可视化相关研究提供参考。     

我国4种主要苹果树形冠层结构和辐射三维分布比较研究

树体结构和辐射分布是影响果树冠层光合生产力和果实产量品质的主要因素。本文以"富士"苹果(Malus domestica Borkh.cv.‘Fuji’)为试材,采用田间调查方法,系统研究了我国苹果生产中4种主要树形的树体结构参数以及叶面积密度(LAD)和光合有效辐射(PAR)的三维分布特征。结果表明,开心形树冠的枝量(894×103·hm-2)和叶面积指数(LAI,2.53)最小,其他3种树形中小冠疏层形分别为2 280×103·hm-2、4.14,疏散分层形分别为2 119×103·hm-2、3.98,纺锤形分别为2 190×103·hm-2、3.88。不同树形LAD三维分布各不相同,小冠疏层形苹果树的叶片主要分布在树冠的0.5~1.5 m之间,疏散分层形和纺锤形主要分布在0.5~2.0 m之间,开心形主要分布在1.0~2.0 m之间。通过对不同树形LAD和PAR三维分布比较发现,每种树形的PAR都随树冠深度的增加而降低,在树冠中部LAD最大部位辐射消减最快,PAR的三维分布主要与叶片分布有关。其中开心形树冠的平均PAR最高,分布最均匀。4种树冠内叶片得到的平均相对PAR小冠疏层形为24.85%,疏散分层形为28.84%,纺锤形为27.71%,开心形为37.28%。开心形树冠内低光区的叶片所占比例只有35%,其他树形都超过50%。研究表明,不同相对PAR范围内的叶片比例能够更好地反映果树冠层的辐射情况,开心形树冠在辐射分布上优于其他3种树形。     

风送喷雾雾滴冠层穿透模型构建及应用

研究雾滴在树冠内的分布规律,对优化喷雾参数,提高喷雾效果有重要意义。该文以叶密度、出口风速和取样深度为试验变量,用试验法研究了树冠内雾滴穿透比例分布规律;试验结果表明:雾滴穿透比例随叶密度、取样深度的增加而减小,随喷雾机出口风速的增大而增大,其中取样深度对穿透比例影响最为显著。在此基础上,结合试验数据与统计学方法,构建了雾滴穿透比例二次指数数学模型,并确定了模型的待定系数,其模型精度R2高于0.95,经检验模型有一定的合理性和可靠性。基于此模型,计算了雾滴冠后飘移率,与实测值相比,平均相对误差为16.73%。进一步对雾滴冠后飘移率影响因素、双面喷雾机理、喷雾参数优化进行了分析,拓展了模型应用,对模型局限性和进一步优化模型的后续研究设想展开了说明。研究对风送喷雾雾滴分布规律研究具有一定的参考价值。     

用机载LiDAR点云数据估测海南博鳌人工经济林单木参数

激光雷达是目前发展迅速的一种主动遥感技术,其发射的激光脉冲能穿透树林冠层,实现森林三维结构特征的获取。为验证机载激光扫描器提取森林单木参数的可行性,该研究以海南省博鳌机场周边人工林为研究对象,使用机载激光扫描器Mapper5000（中国）获取的点云数据,探索对人工经济林单木参数估测的可行性。根据研究区的地形和林木结构特征,分别对槟榔和橡胶2个树种进行单木参数提取,使用K-means分层聚类对不同样地的林木进行单木分割,提取样地内单木树高、冠幅、胸径、材积和地上生物量。结果表明,2个树种的单木分割正检率均在85%以上,总体平均正检率在90%以上;单木树高、冠幅、胸径、材积、地上生物量估测结果的决定系数均达到0.8以上,与同类的研究相比,估测精度较高,说明该点云数据对提高森林参数估测精度有积极作用,机载激光雷达技术在森林资源精细调查中有较大的应用潜力,同时也可应用于相关果树生长情况监测,为数字果园的发展提供技术支撑。