基于CCD超站仪的森林样地建立与精测方法研究

为了能够快捷、精准地进行固定样地定位和样木胸径测量,提出一种利用CCD超站仪按测带进行像对观测的方法,在GPS/RTK确定或假定的观测点上架设仪器,借助全站仪坐标测量和角度测量功能精确记录CCD摄影瞬间的外方位元素,并确定出其他观测点坐标,选择合适基线长建立像对进行观测,提取目标位置的相对三维坐标,以"S"形路线按测带进行测量,配合少量的人工补测和相关坐标系的旋转变换,实现森林固定样地精准建立和胸径精测的目的。通过实地测试,表明利用该方法能够以较少的站点实现固定样地的建立,并将图像解算的胸径值与实地调查值进行对比,其平均相对误差为3.9%,解算均方根误差为1.2 cm。该方法在森林样地建立中有较好的应用前景。     

基于数码相机的样木胸径获取方法

胸径测量是评价立地质量和林木生长状况的重要依据之一。利用普通数码相机对待测样地进行上下方向的任意摄影,并在林地中测量任意一段物体长度以便在解算中反推摄影基线,恢复摄影区域的真实空间比例关系,实现在图像上测量样地样木胸径和树心坐标的位置。该研究以摄影测量的理论为基础,以同名光线和摄影基线共面为条件,针对林业摄影测量的局限性,建立以垂直地面方向为主方向的摄影测量方式,实验分析验证测量算法的有效性,以Microsoft Visual Studio为开发平台,编制地面立体摄影测量系统软件,对5组样地25株立木进行测量计算,实验表明,采用普通数码相机测量样木胸径的精度高,25棵样木的平均绝对误差为0.29 cm,平均相对误差为1.99%,符合国家森林资源连续清查中关于胸径测量的精度要求,该方法在森林资源调查中具有实际的应用前景。     

基于视觉里程计的森林样地调查系统研究

以视觉里程计技术恢复连续摄影序列图像位姿,并以恢复位姿的图像为基础构建样地调查系统。该系统通过对图像位姿尺度恢复、定义样地坐标系、标记立木等过程估计样地中立木位置及胸径。用相机对12块半径为7. 5 m的圆形样地进行连续摄影,获取有序图像序列,并使用构建的样地调查系统对图像序列进行处理,以获取样地中立木位置及胸径。实验结果表明,所有样地立木位置估计值x轴与y轴方向的偏差(BIAS)分别为0. 04、-0. 03 m,均方根误差(RMSE)分别为0. 21、0. 17 m;样地中立木胸径估计值的BIAS及RMSE分别为0. 09 cm(0. 51%)和0. 88 cm(5. 03%)。     

基于地面摄影测量的平朔矿区林分蓄积量研究

蓄积量是评价森林数量和质量的重要指标。为了分析露天开采和土地复垦对林分生长的影响,需要快速准确地测定开采未损区、开采受损区和受损治理区的林分蓄积量。由于矿区环境复杂多变,为了避免危险性,提出以非接触地面摄影测量方式进行外业数据采集,然后以五棵树法为原理,再结合推导形数法快速计算蓄积量的方案。为了证明地面摄影测量方法测量的精度满足林业上的精度要求,把用地面摄影测量量取的25棵树的胸径与对应每木检尺法测量的胸径结果进行对比,平均胸径绝对误差为0. 23 cm,相对误差为1. 35%,表明非接触地面摄影测量方法可以代替每木检尺法进行胸径测量。采用地面摄影测量结合五棵树法分别对平朔矿区开采未损区、开采受损区和受损治理区树木进行调查,结果显示受损区相对未损区平均胸径减小21. 26%,蓄积量相对减小41. 14%,治理区相对受损区平均胸径增加1. 46%,蓄积量增加17. 80%,说明露天开采影响了平朔矿区林分的平均胸径和蓄积量,尤其对蓄积量的影响较大,土地复垦一定程度上改善了树木的生长状况。     

基于改进LOAM的森林样地调查系统设计与试验

森林中线、面特征较少等,导致LOAM算法去畸变及配准精度低、鲁棒性差,很难将该算法直接用于森林调查。为此以LOAM算法为基础设计了LiDAR SLAM森林样地调查系统,在SLAM系统工作流程中剔除了遮挡线特征,避免视点与立木切线点作为线特征参与运算;引入二次去畸变、二次配准等模块提高了去畸变、配准的鲁棒性及精度;该系统将激光雷达测量精度、位姿估计精度等先验信息引入去畸变及配准优化算法中,提高去畸变及配准精度。使用32线激光雷达扫描了4块32 m×32 m的森林样地,利用LiDAR SLAM森林样地调查系统完成样地建图,利用该点云提取的立木位置及胸径与参考数据对比,完成了新型SLAM样地调查系统在森林中建图精度的间接评估。结果显示：立木位置估计值在x、y轴方向的平均误差分别为-0.004 m和-0.011 m,x、y轴方向均方根误差分别为0.081 m和0.083 m;胸径估计值的偏差为0.25 cm(相对偏差为1.18%),均方根误差为1.03 cm(相对均方根误差为5.53%);经与LOAM估计结果相比,改进系统获取的立木位置及胸径精度均提高。结果表明,所设计的LiDAR SLAM森...     

基于双目相机与改进YOLOv3算法的果园行人检测与定位

针对复杂果园环境中行人难以精确检测并定位的问题,提出了一种双目相机结合改进YOLOv3目标检测算法的行人障碍物检测和定位方法。该方法采用ZED双目相机采集左右视图,通过视差原理获取图像像素点的距离信息;将双目相机一侧的RGB图像作为用树形特征融合模块改进的YOLOv3算法的输入,得到行人障碍物在图像中的位置信息,结合双目相机获得的像素位置信息计算出相对于相机的三维坐标。用卡耐基梅隆大学国家机器人工程中心开放的果园行人检测数据集测试改进的YOLOv3算法,结果表明,准确率和召回率分别达到95.34%和91.52%,高于原模型的94.86%和90.19%,检测速度达到30.26 f/ms。行人检测与定位试验表明,行人障碍物的定位在深度距离方向平均相对误差为1.65%,最大相对误差为3.80%。该方法具有快速性和准确性,可以较好地实现果园环境中的行人检测与定位,为无人驾驶农机的避障决策提供依据。     

基于高速图像处理提取被抛土粒三维运动轨迹

为了更好地分析潜土逆转旋耕刀的抛土性能,用两台高速摄像机组成双目立体视觉系统对潜土逆转旋耕机的抛土过程进行同步记录,然后跟踪图像序列中同一土粒的运动轨迹.提出了用BP神经网络建立双目立体视觉模型的方法,利用此模型进行标定,找出物体的图像坐标与世界坐标之间的映射关系,解决了土粒三维运动轨迹的提取问题.     

单目SLAM增强现实测树系统设计与试验

将内嵌有面阵相机及IMU的智能手机作为硬件系统，单目SLAM技术获取多视图几何深度图、位姿等为数据源，构建了单目SLAM增强现实森林测树系统。设计了基于平滑度高鲁棒性过滤胸高圆柱体表面点云及切线的方法；然后，基于点到圆柱体表面距离及圆柱体切线到圆柱体表面距离构建了胸径与立木位置精确估计算法；最后，以该算法为基础在智能手机端开发了增强现实测树系统，即利用智能手机实时测树、并通过增强现实场景实时人工监督测量结果。新型测树系统在5块32m×32m方形样地中进行了测试，以评估新型测树系统的测量精度；此外，每块样地使用了单次观测、正交观测、对称观测及环绕观测4种不同的观测方法对立木胸高圆柱体观测，以评估不用观测方式对测树精度的影响。结果显示：立木位置估计值在X、Y轴方向的平均误差范围为-0.014~0.020m，X、Y轴方向均方根误差范围为0.04~0.08m；立木胸径估计值偏差为-0.85~-0.03cm（相对偏差为-3.60%~-0.04%），均方根误差为1.32~2.51cm（相对均方根误差为6.41%~12.33%）；相比于单次观测方法，其他观测方法获取位置及胸径估计精度均有提高（特别是不可近似为圆柱体的立木树干），从精度与效率角度而言，正交观测及对称观测为最佳观测方法。结果表明，单目SLAM增强现实测树系统是一种可精确进行森林样地调查的潜在解决方案。     

基于RGB-D SLAM手机的森林样地调查系统研究

基于RGB-D SLAM手机构建了森林样地调查系统,该系统实现了样地构建、每木检尺及林分/样地参数的估计功能,并在测量过程中使用增强现实展示测量结果,且提供了重新测量的交互方式,使观测者在观测过程中能够检测结果的可靠性,并保证所获取样地信息的完整性。该系统在18块半径为7. 5 m的圆形样地中进行了测试。结果显示,平均胸径估计值的偏差(BIAS)及均方根误差(RMSE)分别为0. 36、0. 69 cm,平均树高估计值的BIAS及RMSE分别为0. 06、0. 63 m,蓄积量估计值的BIAS及RMSE分别为8. 595 9、25. 735 8 m3/hm2,横断面积估计值的BIAS及RMSE分别为0. 949 7、1. 987 3 m2/hm2,株树密度估计值的BIAS及RMSE分别为-3、13株/hm2,坡度估计值的BIAS及RMSE分别为0. 30°、0. 88°,坡向估计值的BIAS及RMSE分别为-0. 44°、7. 61°。其中,坡向估计具有较大的RMSE,是由于当坡度较小时,即使SLAM系统估计位姿有较小漂移,仍会导致该值产生较大偏差,但整体而言坡向仍是无偏的。     

基于深度图像和神经网络的拖拉机识别与定位方法

针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难,难以保障自主作业安全的问题,提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型,识别并提取拖拉机特征;运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验,分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明：本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置,平均识别定位速度为19f/s;在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m,最大相对误差分别为7.48%和8.00%,标准差均小于0.030m,能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。     

基于双目视觉的树木图像测距方法

研究了双目视觉技术在智能对靶喷雾中的应用;试验中运用平行光轴的摄像机采集图像,通过寻找树木图像中特征点的方式将两幅图像进行匹配,解决相似性问题;再计算出目标树木到摄像头的距离及其误差,试验的平均偏差率在8%以内;运用该方法能达到智能喷雾中控制施药量的目的,提高精确智能对靶施药效率。     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

基于粒子滤波的苹果采摘机器人目标姿态估算

针对苹果采摘机器人中果实姿态信息缺失造成果实损伤及采摘失败等问题,根据苹果尾部花萼遗迹区域是否可见分析了果实姿态信息机器视觉测量方法,研究了果实姿态信息的粒子滤波估计。将单目摄像机固定在机器人末端手爪上,在手爪趋近果实的采摘过程中,随机采集多帧果实图像。对每帧图像运用惯性主轴或重心点偏移两种方法计算果实在机器人坐标系下的姿态向量值,并通过粒子滤波融合来得到果实姿态信息的最优估计。实验结果表明,粒子滤波方法可以有效地融合多帧图像的苹果姿态信息,能够减小因依靠单帧图像直接测量而产生的误差。     

西红柿采摘机器人视觉系统的研究

针对果实采摘机器人果实识别率低的问题,设计了一组用于西红柿识别和定位的双目立体视觉系统,为机器人的采摘作业提供更有利的条件。为此,采用Bumblebee双目立体视觉系统,基于成熟果实与植株颜色特征的差异进行图像分割,来识别成熟的西红柿;在完成相机标定、特征点提取和特征点匹配的基础上,通过三维空间定位获取果实的三维坐标。实验结果表明:该系统果实识别的整个过程平均耗时150ms,对成熟西红柿的识别率达到99%,测试误差在10mm以内,能够较好地满足西红柿采摘工作的要求。     

基于双目立体视觉的果树三维信息获取与重构

为实现果实收获机器人避障,研究了树枝空间信息提取方法和果树树枝三维重建方法:采用归一化互相关法获取立体图像视差图,在图像中提取树枝骨架并采用多线段逼近法提取特征点;结合视差图,利用双目立体视觉原理计算树枝骨架特征点的空间坐标,再利用距离图像求取树枝半径信息;将分枝点断开形成简单线图形,简化了树枝三维信息。在空间坐标原点采用12棱柱构建各段树枝模块,通过仿射变换将三维模块以正确的位姿与其他模块组合成果树模型。试验表明,生成的虚拟果树为水果采摘机器人避障及路径规划提供了环境参照。     

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。     

基于双目视觉技术的猪生长监测系统标定模

针对养猪生产中对猪体生长监测的需求,设计了基于双目视觉的猪生长监测系统的软、硬件,实现了基于非线性摄像机模型双目视觉系统的标定算法.根据摄像机成像原理建立了基于最小二乘法的空间点坐标检测算法.利用标定和检测算法,从标定板图像数目、标定板位置、旋转角度3个方面对系统的标定模式进行了研究.结果表明:利用19幅以上标定板图像能够得到稳定的标定结果;不同位置的标定板图像对检测精度影响较大,应当在全视场内采集标定板图像;标定板的旋转角度对检测精度影响不明显,但是旋转角度增大不利于标定点的完全提取.     

基于双目立体视觉的植株生长状态无损监测方法的研究

基于双目立体视觉的植物生长状态无损测量方法研究,能快速地对植株生长进行无损监测,尤其能准确测量倾斜生长的植株高度,对于农业工程研究有重要意义。本研究在实验室搭建计算机双目立体视觉平台,对大豆植株生长进行无损监测。由于植物的形态与生长条件限制,双相机光轴与基线的夹角未能构成最佳双目测量系统,因此本研究对双目立体视觉平台本身的精度进行了校验。利用VC＋＋6.0编制的图像分析处理软件,结合界跟踪算法与斜率计算对植株的顶芽进行识别,能取得很好的效果。研究表明,实验表明双目立体视觉可应用于植物无损监测,具有广阔的应用前景。     

RGB-D SLAM增强现实原木检尺系统构建与测试

将内嵌有ToF相机、面阵相机及IMU的智能手机作为硬件系统,RGB-D SLAM技术实时获取的深度图、位姿等为数据源,构建了RGB-D SLAM增强现实楞堆原木检尺系统。首先设计了基于ToF影像实时估计RGB影像像素深度的方法,实现对待测原木端面几何坐标的初步估计;其次,设计了散形分区去噪算法实现原木端面点云的精确过滤,设计了原木端面曲率估计算法实现对过滤点云可靠性判别;然后,基于PCA等算法实现原木长、短直径方向向量估计,并基于该向量对原木长、短直径进行了估计;最后,以所构建算法为基础在智能手机平台上搭建了增强现实楞堆检尺系统,实现智能手机对原木进行实时检尺、增强现实场景对测量结果实时监督。新型检尺系统通过对6个楞堆334根原木进行了检尺实验,以评估该设备的测量精度。结果显示：原木平均直径估计值的偏差及均方根误差分别为-0.13 cm(-0.35%)及1.05 cm(3.34%);原木径阶化直径估计值的偏差及均方根误差分别为-0.10 cm(-0.22%)及1.33 cm(4.43%);原木材积估计值的偏差及均方根误差分别为-0.007 m³(-0.27%)及0...     

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。