基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。     

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。     

基于遥感数据与作物生长模型同化的作物长势监测

遥感观测和作物生长模型模拟是进行农作物长势监测的2种有效手段,并具有较好的互补性,构建二者的同化系统是目前农业遥感研究领域的热点。同化涉及多学科的交叉集成,十分有必要将同化方法中的模型、算法、数据进行集成,构建基础作物模型同化系统平台,降低科学研究和应用的难度。采用模块化结构设计,将同化系统构建所需的主要模型、算法、数据等进行有机结合和无缝集成,实现基于极快速模拟退火算法的遥感数据与CERES-Wheat作物生长模型的同化原型系统构建。此外,通过所开发的系统利用地面高光谱作为遥感数据,通过同化小麦叶面积指数对同化系统进行了检验和初步应用。同化LAI与实测结果较好的拟合度,表明所开发的同化系统基本可行,能为遥感技术与作物模型的基础研究和应用提供一个平台。     

基于作物生长监测诊断仪的双季稻叶面积指数监测模型

为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959～0.968、0.961～0.966和0.957～0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857～0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950～0.984、0.18～0.43和3.95%～9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831～0.884,模型检验的r、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830～0.881,模型检验的r、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。     

遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点.该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化( SCE-UA)算法进行了遥感反演LAI信息同化EPIC (environmental policy integra...     

基于深度和彩色双信息特征源的Kinect植物图像拼接

图像拼接对制作全景图具有重要作用,传统SIFT(scale-invariant feature transform)图像拼接方法受光照不均匀或风吹影响,存在错位和缺失等情况。针对这一问题,该文提出一种基于Kinect彩色和深度双信息特征源的图像拼接方法。首先对获取的植株彩色图像采用SIFT算法进行特征点提取和特征点匹配,利用Kinect收集到的植株深度数据去除误匹配,采用RANSAC算法寻找投影变换矩阵,最后通过最佳缝合线算法进行图像融合。室内和室外试验结果表明,该文基于Kinect彩色和深度双信息特征源的图像拼接方法能够有效克服光照、风吹等环境因素的影响,避免了图像缺失、亮暗差异、重影等拼接错误,该文方法图像拼接时间较短,平均匹配准确率达96.0%,较传统SIFT图像拼接方法平均准确率提高了5.9%。     

基于双作物系数的旱作玉米田蒸散估算与验证

农田蒸散(ET)准确估算与区分对理解土壤-植物-大气连续系统水分传输动力学过程和调控机制具有重要意义。本研究基于FAO-56 Penman-Monteith(PM)模型计算参考作物蒸散量(ET0),运用双作物系数法计算黄土高原东部地区旱作玉米田2011-2012年蒸散(ETFAO),以同期涡度相关系统实测值(ETEC)作为标准值对双作物系数法计算结果进行评价,并将玉米田ET区分为土壤蒸发和作物蒸腾。结果表明:2011年春玉米生长季ET0、ETEC和ETFAO分别为628、400.3和492.7mm,双作物系数法RMSE、AAE和R~2分别为0.864mm·d~(-1)、0.678mm·d~(-1)和0.755,且R~2达极显著水平(P0.01);2012年三者分别为553、372.6和441.4mm,RMSE、AAE和R~2分别为0.676mm·d~(-1)、0.693mm·d~(-1)和0.781,R~2亦达极显著水平(P0.01),说明双作物系数法在该地区模拟旱作春玉米ET有较高的精度。基于双作物系数法对ET进行区分表明,2011年全生育期土壤蒸发和作物蒸腾分别占ET的36.4%和63.6%;2012年分别占ET的31.7%和68.3%,说明旱作春玉米田ET主要来自春玉米蒸腾。     

基于多幅图像的黄瓜叶片形态三维重建

为了更加快速、便捷、精确和逼真地重构出植物叶片的三维形态,提出了基于多幅图像的黄瓜叶片建模方法。首先利用角点检测算法提取叶片边缘及主脉的特征点,通过结合极线约束和SIFT特征描述算子对特征点进行匹配,进而得到特征点的三维坐标;然后利用B样条曲线连接这些特征点,对叶片边缘和中脉进行拟合,再利用Delaunay三角化方法对叶片进行三角网格化;最后通过纹理映射增加模型的真实感。试验结果表明,通过该方法可以精确、快捷地重构出黄瓜叶片的三维形态,具有较强的真实感效果。     

基于DSSAT作物模型的中美大豆主产区单产模拟与验证

开展基于作物模型的大面积作物产量估测研究,可以为及时掌握全球重点地区农作物的生产情况提供数据支撑.该研究以大豆为监测作物,选取中国吉林省和美国爱荷华州作为研究区域,基于DSSAT作物估产模型中的SOYGRO大豆模型,利用分辨率为0.5°×0.5°的生育期气象要素以及500 m×500 m绿色叶绿素植被指数,进行遥感数据...     

基于作物模型与叶面积指数遥感影像同化的区域单产估测研究

通过对作物光合、呼吸、蒸腾、营养等一系列生理生化过程的定量模拟,作物生长模型已经被成功应用于田间尺度的作物单产研究。为了进一步将作物模型扩展应用于区域尺度,提高区域作物单产的模拟精度,该文探讨了将作物模型与多时相叶面积指数(LAI)遥感影像同化以改善区域单产估测的方法。研究首先通过地理信息系统将美国农业部开发的“考虑气候的作物环境决策模型”——EPIC模型,扩展为空间模型。然后,通过基于Landsat TM影像差值植被指数DVI与田间观测叶面积指数构建的最优回归模型,反演了研究区域的多时相叶面积指数影像。最后通过优化算法实现了空间EPIC模型与影像信息的同化,并将系统应用于河北石家庄地区2004年冬小麦的单产估测。结果表明,通过数据同化校正部分关键参数后的空间作物模型的单产模拟精度得到有效提高,但要达到业务运行精度仍有待进一步改善。     

基于轮廓分割的草莓叶片三维建模

为精确构建原位草莓植株三维空间结构,以高架栽培模式生长环境下的草莓植株为研究对象,提出了一种基于多源图像轮廓分割的草莓植株结构形态三维重建算法。通过改进的多源图像融合算法,建立多源图像映射关系,融合预处理后的多源信息得到待分割强度图;计算待分割强度图矢量场卷积的局部中心,选出多目标的初始轮廓控制点,将参数的活动轮廓模型应用于待分割强度图像进行叶片的分割;采用标记的方法将分割轮廓映射至距离点云集,设计以单个叶片为单位的平面拟合选择机制,最终完成草莓三维模型的重建及显示。为验证该算法的有效性,将三维重建后的有效叶片数,平均单叶长度及叶片距离差作为评价指标,实验结果表明,有效叶片数正确率为85.6%,平均单叶长度模型正确计算率为88.4%,叶片距离差正确计算率为82.4%,研究结果可应用于原位草莓植株的空间位置测量,可为农业机器人局部视觉场景中植株空间结构的构建提供参考。     

基于多视角自动成像系统的作物三维点云重建策略优化

为满足高通量作物表型分析需求,提升三维点云重建效率和精度,该研究针对不同作物、不同生育时期、不同植株部位(地上部和根系),基于研发的多视角自动成像系统和SFM(structure from motion)-MVS(multi-view stereo)算法,采用不同视角和不同相机数获取的图像重建作物三维点云,通过重建效率和精度(Hausdorff距离)评估,以及基于点云提取表型参数(株高、幅宽、凸包体积和总表面积)的可靠性评价,优化作物三维点云重建策略。结果显示,对于结构相对稀松、遮挡较少的盆栽植株(苗期、蕾薹期、盛花期、成熟期油菜)、结构相对紧凑、遮挡较多的植株地上部(花铃期棉花、抽穗期水稻、拔节期和灌浆期小麦)以及器官密集、遮挡严重且有较多细长结构的地上部和根系(分蘖期小麦和成熟期水稻地上部、成熟期玉米和油菜根系),分别采用3～4、6和10个相机为其最优重建策略(Hausdorff距离小于或接近0.20 cm,且重建时长和Hausdorff距离归一化值之和最小)。采用不少于4个相机获取的图像重建作物三维点云,可提取较为可靠的表型参数(决定系数R²>0.90...     

田间作物群体三维点云柱体空间分割方法

农田作物群体表型信息对于研究作物内部基因改变和培育优良品种具有重要意义.为实现田间作物群体点云数据中单个植株对象的完整提取与分割,以便于更高效地完成作物个体表型参数的自动测量,该研究提出一种田间作物柱体空间聚类分割方法.利用三维激光扫描仪获取田间油菜、玉米和棉花的三维点云数据,基于HSI(Hue-Saturation-...     

植物三维建模ICP点云配准优化

构建精确三维模型无损获取植物表型特征信息,对研究农作物的精准化种植、可视化管理和智能化操控具有实际意义。针对当前植物三维建模过程点云数据量大、配准精度不高的问题,该研究提出基于轻量化处理的迭代最近点算法（Iterative Closest Point,ICP）点云配准优化方法。首先以人机交互算法对获取的植株点云图像进行背景滤除,然后利用高效近邻搜索算法判别点云的离群点进行噪声去噪;通过引入辅助特征坐标参数解决ICP算法配准过程中易陷于局部最优解的问题,获取多组点云的精确配准;最后提出体素化网格法,在保证点云三维形态特征的前提下有效滤除冗余点云数据点。试验结果表明,单株和多植株的精简配准效果良好,表型清晰明显,细节易区分,精简后的植株点云冗余数据减少96.90%～97.35%。精简后的植物点云表型可有效重构植株的形态特征,单植株的株高误差为0.20%～0.45%,冠幅误差为0.17%～0.47%,多植株的株高误差为0.25%～0.60%,冠幅误差为0.42%～0.80%。优化后的ICP算法实现滴水莲点云数据精准融合时间为124.3 s,较暴力算法提升26.75%,冗余点云数据精简96.90%～97.20%,为植物表型的三维建模轻量化处理提供参考。     

利用照片重建技术生成坡面侵蚀沟三维模型

该文利用运动恢复结构(structure from motion,SFM)、多视图立体视觉(multi-view stereo,MVS)技术,提出了一种坡面侵蚀沟三维模型的快速重建方法。首先对普通相机拍摄的照片采用尺度不变特征变换(scale-invariant feature transform,SIFT)完成特征点的提取与描述,随机采样一致性算法(random sample and consensus,RANSAC)过滤掉最近邻匹配(nearest neighbor,NN)产生的误匹配点;然后通过SFM方法,迭代求解出相机矩阵和三维点坐标,用光束法平差(bundle adjustment,BA)进行非线性优化,确保误差的均匀分布和模型的精确;再使用基于面片的多视图立体视觉算法(patch-based multi-view stereo,PMVS),在局部光度一致性和全局可见性约束下,以SFM生成的稀疏点云为种子面片开始扩散,完成点云稠密重建。将照片快速重建方法获取的点云与地面激光扫描仪(terrestrial laser scanner,TLS)获取的点云及实测数据进行比较,结果表明,照片重建方法生成的点云稠密且能够完整展示侵蚀沟的发育形态,与TLS点云间的平均距离为0.0034 m,照片重建与三维激光扫描方法对侵蚀量的估算相对误差为8.054%,提取的特征线匹配率达89.592%。研究结果为侵蚀沟监测提供了参考依据。     

基于WPF的粮仓三维激光测绘系统设计与开发

粮仓清仓查库是粮食储藏管理中必不可少的环节,关系国内粮食的宏观调控。该文针对传统的清仓查库方式中效率低,准确率低的问题,在搭建三维激光监测系统的基础上,提出基于三维激光扫描的粮堆快速三维建模与体积计算方法。利用三维激光测距传感器扫描粮堆表面轮廓,获取表面三维点云,再根据Delaunay原则对点云进行三角划分,最终利用微软WPF(windows presentation foundation)技术的3D渲染引擎完成粮堆三维模型的建立,而系统中粮堆体积的快速计算采用方格网算法。利用该系统在实验室搭建的试验粮堆上进行了试验。系统利用处理后的标准点云数据可快速准确地完成粮堆三维模型的建立。通过对试验数据的处理和分析,结果显示利用该系统对粮堆扫描后计算出的体积与真实体积的相对误差的平均值仅为0.318%。验证了该系统中所使用的体积计算方法的准确性与稳定性。该研究为粮仓的清仓查库提供了一种高效准确的方法。     

基于三维重构的哈蜜瓜均瓣雕花算法

为解决哈密瓜雕刻速度慢、花瓣大小不一致等问题,该研究提出了一种基于三维重构的哈蜜瓜均瓣雕花算法。对多角度拍摄得到的哈蜜瓜照片进行滤波处理,提取其图像特征并进行稀疏重建,通过点云坐标得出哈蜜瓜的特征参数;接着在稀疏点的基础上利用CMVS/PMVS算法进行稠密重建;最后调节八叉树算法与泊松表面重建,得到哈密瓜精确三维空间坐标。根据哈密瓜体型特征及设定花瓣数量,将点云三角网格化在深度优先算法的基础上结合粒子群算法,规划雕刻起点、终点及雕刻深度,使每个花瓣体积相同。采用48个哈密瓜,雕刻花瓣数取15~30,雕刻深度为1.5、2.0、2.5 cm。其中切割花瓣数为28这一组精度最低,测得最大与最小花瓣体积分别为3.40与3.25 cm3,最大体积差为0.15 cm3,误差小于5%。结果表明,该研究提出的基于三维重构的哈蜜瓜均瓣雕花算法精度高,研究结果可为机器人雕刻哈密瓜提供技术支持。     

采用3D几何特征的草莓叶片含水率监测与试验验证

为实现植物水分状况的实时在线监测,该研究采用非接触式双目摄像仪获取草莓叶片的深度图像并转换为点云数据,从中抽取叶片三维（Three-Dimension, 3D）形态信息,用以建立草莓叶片含水率的预测模型。采用随机采样一致算法与整体最小二乘法相结合的点云平面拟合方法拟合叶片平面从而获取叶倾角,采用代数拟合球面法以估计叶片的拟合球半径,从而可以定量分析草莓叶片的几何参数与不同含水率的关系。在建模集的一元线性回归分析中,叶倾角与叶片含水率、余弦值与叶片含水率、球半径与叶片含水率均线性相关,决定系数分别为0.842 9、0.854 6 和 0.880 8;采用多元线性回归分别分析了球半径和叶倾角、球半径和叶倾角的余弦值与叶片含水率,两者与叶片含水率之间关系都十分显著（P<0.001）,修正决定系数分别为0.914 3和0.912 9。对所建立的单变量含水率预测模型和双变量预测模型在验证集上进行了验证,结果表明,利用球半径和叶倾角建立的回归模型预测叶片含水率效果最好,均方根误差仅为0.015 8,决定系数达0.953 4。该试验研究结果可以快速检测草莓叶片含水情况,为草莓含水状况的非接触式测量提供一种有效的方法,为农情信息精准获取提供技术支持。     

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0.76 cm;重构模型真实感较强,在外观上更加接近真实树,重构模型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。