基于点云数据的树木三维重建方法改进

激光点云数据以其详尽、高精度的三维信息,在森林参数估算、精确重建植物形态结构三维模型方面具有特殊优势。为进一步提高三维模型精度,综合集成多种算法,在改进现有PC2Tree软件基础上,基于点云数据进行树木三维重建。首先根据树木局部点云的主方向相似度和局部点云轴向分布密度分离枝干与树叶;其次采取水平集和最小二乘法提取枝干部分的骨架点,通过下采样方法提取冠层部分的特征点;最后根据骨架点和特征点拓扑结构重构树木三维模型。以樟树为例,分析枝叶分割精度,自动分割与手动分割结果相近;以无叶的鸡蛋花树为例,分析重建模型精度,模型主枝长度相对误差范围集中在0~8.0%,半径相对误差范围集中在0~10%;枝条重建过程避免了噪声点的干扰,对噪声点具有一定的不敏感性;重建三维模型与原始点云吻合度高,基本解决了冠层内部枝干遮挡严重带来的三维建模困难的问题;依据模型提取树高、冠幅、胸径、体积等参数,增加了重建模型的应用范围。     

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Kinect相机的油麦菜自动化三维点云重建

为了解决传统三维点云重建过程中人工调参费时、费力,且精度得不到保障等问题,提出了一种三维点云自动化配准算法,并应用于油麦菜三维重建。使用Kinect相机采集油麦菜不同视角下的点云数据,通过配准实验分析配准参数的变化规律,继而建立了配准评价体系,实现了两片点云的自动化配准,并通过最小化匹配误差积累将多幅点云变换到同一基准坐标系下,实现了油麦菜三维重建。对随机选取的12株油麦菜进行自动化三维重建,结果表明,在两片点云重叠率不低于30%的前提下,本文算法可获得最优参数组合,自动全局配准平均距离误差为0.65cm,平均耗时为44.05s,具有较高的配准精确度和稳定性。本文算法能有效减少配准误差积累、构建较高精度的完整结构,可为其他作物三维重建提供参考。     

基于结构光三维点云的棉花幼苗叶片性状解析方法

针对传统的棉花叶片表型测量方法主观、低效,对复杂性状如卷叶程度、黄叶占比等很难量化的问题,提出一种基于结构光三维成像的棉花幼苗叶片性状解析方法。首先,采用结构光扫描仪获取棉花幼苗的三维点云数据;然后,利用直通滤波、超体聚类、条件欧氏距离算法,实现叶片点云的识别与分割;最后,基于分割的叶片点云,采用三角面片化、随机采样一致性、Lab颜色分割等处理,实现叶片面积、周长、生长角度、卷曲度、黄叶占比等参数的快速、准确、无损提取。对40株棉花幼苗进行三维结构光成像试验,结果表明,3D叶片面积、周长测量的平均绝对误差分别为2. 59%、2. 85%,具有较高的测量精度,还证明叶片卷曲度和黄叶占比能显著区分病叶和正常叶。     

黄瓜叶片三维重建方法研究与实现

为了真实虚拟黄瓜叶片形态和叶片纹理,实现黄瓜的动态生长三维虚拟,提出了用图像处理提取黄瓜叶片边缘特征点进行叶表面重建,借助粒子系统思想构造叶片纹理并与叶表面合成的叶片三维重建方法,用曲面投影法实现叶片的弯曲变形.结果表明,该方法较好地保持了黄瓜叶片边缘形状,真实地反映了叶片纹理的细节特征以及叶片在空间的弯曲变形.     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于三维点云颜色特征的苹果树冠层光照分布计算方法

合理的果树冠层结构有利于获取充足的光照,对提升果实产量及品质具有重要意义。为了揭示果树冠层光照分布规律,以自由纺锤形苹果树为研究对象,以目标图像的颜色变化与光照强弱存在相关性为理论依据,首先利用Trimble TX5型地面三维激光扫描仪以"顶视法"获取叶幕稳定期苹果树冠层三维点云,按照实际苹果树冠层划分方法,提取三维点云空间不同区域的颜色特征,针对自然环境下苹果树冠层颜色特征具有复杂性和模糊性,不能采用精确、定量的符号对其进行描述的不足,构建以颜色特征为输入、相对光照强度为输出的模糊神经网络,以此作为苹果树冠层光照分布预测模型。试验结果表明:提出的基于三维点云颜色特征的光照分布计算方法具有较好的可行性,预测精度为80.57%,能够为科学合理的苹果树修剪和整形提供技术支撑。     

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。     

基于三维点云的苹果树冠层点-叶模型重建方法

为了快速重建苹果树冠层结构三维模型,以纺锤体苹果树冠层为研究对象,利用地面三维激光扫描仪获取冠层三维点云,提出了苹果树冠层点-叶模型重建方法。首先,提出了苹果树冠层叶基自动提取方法,可获取苹果树冠层生长期和叶幕稳定期的叶基,与手工提取的叶基对比分析表明,两种方法重合度较高、误差较小,两种方法的平均欧氏距离为1.41mm;其次,提出了基于冠层体素化的叶基提取方法,构建了苹果树冠层点模型,并在叶基上拼接叶片模板,构建出苹果树冠层点-叶模型;最后,利用VegeSTAR光模型计算光截获进行验证分析,与常规数字化仪测得数据相比,本文方法提高了苹果树冠层三维结构重建效率。     

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。     

基于随机森林回归算法的苹果树冠层光照分布模型

合理的果树冠层结构有利于光照的有效分布,对提升果实产量与品质有重要意义。为揭示果树冠层内部的光照分布情况,针对目前果树冠层内部光照强度获取难度大、预测精度低的问题,研究了冠层颜色特征与光照强度的对应关系,提出一种基于冠层剖面阴影特征和冠层点云颜色特征的随机森林预测模型。以纺锤形"陕富6号"苹果树为研究对象,首先使用Kinect 2. 0采集果树的双面点云数据,预处理后得到完整的点云数据;其次,基于改进的空间殖民算法和叶序添加规则重构果树的三维模型;最后,使用"切片法",在垂直方向上将冠层模型每0. 1 m分层划分,使用POV-Ray渲染器逐层渲染阴影,同时使用光照度计,自顶向下每0. 1 m实测光照强度数据,构建以每层阴影图灰度特征和每层点云HSI颜色特征为输入,以相对光照强度为输出的随机森林网络。试验结果表明,该方法能够较为准确地预测冠层内的光照分布情况,预测值与实际值的决定系数R~2为0. 864,平均绝对百分比误差MAPE为0. 236,RF回归模型可作为苹果树冠层内光照分布预测的有效方法,为果树的剪枝、整形等研究提供参考。     

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。     

基于骨架点的矮化密植枣树三维点云自动配准

为了实现枣园的自动化管理,针对枣树自动化选择性冬剪作业要求,需要重建出矮化密植无叶枣树枝干的三维模型。利用2台固定的Azure Kinect DK深度相机搭建获取枣树点云信息的三维重建系统平台,然后把系统平台逆时针旋转55°获取同一棵枣树的另一帧三维点云信息。为了自动完成2帧点云的配准,提出了基于骨架点的枣树点云配准方法：首先利用FPFH特征描述子计算骨架点的特征向量,并采用SAC-IA（采样一致性）算法对2个视角下的枣树骨架点云进行初始匹配;其次利用经典的ICP算法对初始位姿进行优化;最终只采用2个视角下的点云重建枣树枝干的三维模型。实验对比了在3种典型自然环境下（晴天、阴天、夜间）枣树点云的配准精度和配准时间,结果表明：晴天时对采集系统有一定的影响,使得配准后的枣树枝干有部分不完整;阴天和夜间对采集系统影响小,能够重建出完整的枣树枝干;相对于阴天和夜间,晴天时,枣树点云配准耗时最少,为0.09s,而配准误差最大,其拟合分数为0.00029;阴天时,枣树点云配准时间介于晴天和夜间之间,为0.12s,而此时配准误差最小,其拟合分数为0.00011;夜间配准误差介于晴天和阴天,且此时配准时间最长,为0.16s。     

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon 120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明：使用测树因子树木识别方法,识别平均准确率为0.765,平均召回率为0.778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0.891,平均召回率为0.896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。