基于车载三维激光雷达的玉米点云数据滤波算法

为支持表型参数测量和数字植物相关研究,对车载三维激光雷达获取的玉米点云数据进行分析处理,提出了一种基于统计分析的两次滤波算法。以大喇叭口期的京农科728和农大84玉米为研究对象,使用VLP-16型三维激光雷达采集田间玉米点云数据;对点云数据进行直通滤波预处理,去除无关点后,进行第1次点云数据滤波处理,设置精确率和召回率阈值,选取参数组合;再对点云进行第2次滤波处理,确定精确率和召回率最优组合(110,0. 9)、(6,1. 2),边际组合(100,1. 0)、(6,1. 2)和(110,0. 8)、(5,0. 9),共3组参数组合;以3组验证集数据进行测试,结果表明:最优组合性能最优,可在京农科728和农大84玉米点云数据滤波中通用。     

基于线性回归的玉米生物量预测模型及验证

玉米生物量是评估玉米长势的重要参数,为了实现玉米生物量的快速测量,该文拟以玉米株高H、茎粗长轴L、茎粗短轴S为输入,建立玉米生物量鲜质量FW和干质量DW的预测模型。采用多元回归和逐步回归方法对平展型和紧凑型玉米的小喇叭口期生物量数据进行线性回归分析。结果表明,玉米茎粗长轴和茎粗短轴与玉米鲜质量和干质量的相关性高于玉米株高,多元回归模型H+L+S、L×S和逐步回归模型具有较高的拟合精度,其对玉米鲜质量、干质量的决定系数高于0.874和0.877,均方根误差分别小于7.363和0.801 g,且单因素方差分析表明,3个模型之间没有明显差异,模型交叉验证结果表明,3个模型都具有较好的稳定性和预测能力。应用上述3个模型对玉米大喇叭口期的生物量进行预测,预测结果表明,模型对平展型玉米的预测精度优于紧凑型玉米。对平展型玉米生物量的预测中,逐步回归模型预测效果最优,其对玉米鲜质量、干质量的决定系数分别为0.866、0.875,均方根误差分别为30.790和2.752 g,相对均方根误差分别为13.53%、11.41%。该研究表明,利用玉米株高、茎粗长轴、茎粗短轴可实现对玉米生物量的估测,且对平展型玉米具有较好的预测效果。     

融合里程计信息的农业机器人定位与地图构建方法

目前主流的农业机器人以低成本、低帧率的激光雷达作为即时定位与地图构建（Simultaneous Localization and Mapping, SLAM）的主要传感器,存在运动畸变和误匹配的问题。该研究针对这一问题提出了融合里程计信息的Gmapping建图算法,利用高频率里程计信息为每一个激光束匹配到近似的机器人位姿,获取机器人当前位姿下更为精确的激光数据,以减少激光雷达运动畸变对地图构建产生的影响。利用机器人搭载扫描频率为5 Hz的RPLIDAR A1激光雷达在玉米田及香蕉园中进行了SLAM建图精度测试试验。试验结果表明,在长度为12 m左右的玉米田区域,Gmapping建图算法的平均绝对误差为0.06 m,本研究算法建图平均绝对误差为0.01 m,相比于Gmapping建图算法降低了0.05 m,建图精度为99.5%;在长度为24.43 m的香蕉园区域,Gmapping建图算法的平均绝对误差为0.46 m,本研究算法建图平均绝对误差为0.07 m,相比于Gmapping建图算法降低了0.39 m,建图精度为99.1%。本研究算法有效地降低了低帧率激光雷达运动畸变对Gmapping建图的影响,可以基本满足农业环境下的高精度环境建图需求。     

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。     

基于车载三维激光雷达的玉米叶面积指数测量

为使用车载三维激光雷达快速获取作物的株高、叶面积指数(LAI)等作物形态参数,以玉米为研究对象,采用车载三维激光雷达点云数据,提出了一种基于玉米分层点云数量或分层点云数量与地面点云数量比值计算LAI的方法。使用车载平台获取京农科728和农大84玉米的三维点云数据;对点云数据进行预处理,获得已测量LAI真值区域的点云数据;进行玉米植株点云与地面点云分割,根据地面起伏程度,基于随机一致性平面分割算法,将距离阈值设置为0. 06 m;依据玉米垂直结构分布,将玉米植株划分为上、中、下3层,计算每层点云数量并分别标记为H、M和L,同时,将上、中、下每层的点云数量与地面点云数量的比值标记为Hr、Mr和Lr,分别建立H、M、L和Hr、Mr、Lr与LAI真值的线性回归模型。试验结果表明:采用Hr、Mr变量建立的LAI二元线性回归测量模型最优,京农科728玉米训练集R~2为0. 931,验证集R~2为0. 949;农大84玉米训练集R~2为0. 979,验证集R~2为0. 984,本文方法可为田间快速测量LAI提供解决方案。     

基于三维点云的番茄植株茎叶分割与表型特征提取

针对当前温室番茄表型参数难以自动获取的问题，研究提出通过对三维点云进行配准、骨架提取以及分割从而自动获取苗期番茄植株株高、茎粗、叶倾角和叶面积参数的方法。首先通过机器人搭载机械臂在温室中自动获取多视角番茄点云，并通过配准得到完整植株点云；对番茄点云利用拉普拉斯收缩的骨架提取算法获取植株骨架，对骨架进行修正后分解为茎秆和叶片子骨架，实现茎秆叶柄分割；再通过基于区域生长的MeanShift聚类方法对叶片和叶柄进行分割；最后通过番茄点云获取株高、茎粗参数，通过骨架测量叶倾角，对叶片点云进行曲面拟合提取叶面积参数。试验结果表明，茎叶分割与叶片分割的精确率、召回率、F1分数和平均总体准确率分别为0.84、0.91、0.87、0.92和0.92、091、0.91、0.93。株高、茎粗、叶倾角和叶面积参数的提取值与人工测量值的决定系数分别为0.97、0.53、0.90和0.87，均方根误差分别为1.40 cm、1.52 mm、5.14°和37.56 cm2。结果表明该研究方法与人工测量值具有较强的相关性，可以为温室番茄的高通量自动化表型测量提供技术支持。