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。     

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。     

果树冠层三维点云颜色矫正方法研究

针对地面三维激光扫描仪在室外环境下获取果树冠层三维点云信息的复杂性,以及三维点云的颜色和真实颜色存在较大色差问题,提出了一种三维点云颜色矫正方法。通过计算Pearson系数和Spearman相关系数,确定扫描点的 R、G、B 分别与太阳辐射值、TCCR24标准颜色测试板与地面夹角 θ 、TCCR24标准颜色测试板不同色块颜色、扫描质量、光线方向变量之间均存在相关关系。利用统计学方法,在置信度为95%时,建立 R、G、B 分量的双重筛选逐步回归模型。利用建立的回归模型,矫正三维点云颜色。采用该方法对室外果树冠层三维点云进行颜色矫正实验,结果表明,利用建立的颜色矫正回归模型,三维点云颜色 R、G、B 与真实颜色 R、G、B 的相关度由矫正前的低于0.69提高到0.90以上,颜色矫正后的标准差明显由矫正前的高于50%降到低于13%。该方法可为地面三维扫描仪获取较准确的三维点云的彩色信息提供理论依据。     

基于三维激光扫描点云的树冠体积计算方法

针对树冠形状不规则,树冠体积难以测量和计算的问题,提出一种基于三维激光扫描点云的树冠体积计算方法——体元模拟法,即以固定大小的体元模拟不规则的树冠形状.首先将树冠沿树高方向以k为步长进行等距离分段,把每一段树冠的点投影到垂直于树高方向的平面上,再对该平面划分成大小为k×k的像元,根据投影到各个像元内点的数量,判断该像元的有效性,统计有效像元的数量T,则树冠体积为T个k×k×k的体元之和.经试验,当体元边长等于冠径的1/10时,计算的树冠体积达到稳定.该算法对于任何树种不用考虑树冠的形状,减少了人为判别导致的差异,适用于三维激光扫描树木树冠体积的计算.     

基于三维激光点云数据的树冠体积估算研究

树冠体积是预估树木生物量的重要参数之一。为了实现对树木冠体体积无损高精度量测,随机抽取了6个树种、共计30棵树木的三维激光点云数据作为数据源,对树冠体积的求算方法进行研究。首先,对三维激光点云数据进行匹配、拼接、去噪及压缩等处理,提取冠体点云数据;其次,提取每一棵样木树冠的边缘特征点;最后,应用不规则三角网TIN的原理算法计算冠体体积。本文所提取的边缘特征点能够最大限度地维持树冠冠体的整体不变形,还能够继续去除部分冗余数据,缩短了不规则三角网TIN的构建时间,提高了计算效率;此外,树种包含有针叶树和阔叶树,在冠形上既有针叶树所特有的冠体体态特征,又有阔叶树的冠体体态特征,其研究结果具有一定的代表性。本文采用的方法与已有文献计算结果对比表明:均方根误差为0.832,平均绝对误差为0.49,平均相对误差为1.75%,可看出二者之间差异较小;同时在30个样木中随机抽取5个样木的人工测量结果与本研究相比较,取得的精度相对较好。采用本研究所得结果精度较高,能够满足生产需求。     

基于Ray Tracing的数字植株冠层光照分布研究

针对植株冠层光照模型精度不高、采集效率低的问题,提出了一种基于Ray Tracing的数字植株冠层光照分布计算方法。首先,通过Kinect 2.0获取两种盆栽植株的三维点云,对其进行预处理和三维重建;其次,通过改进的光线跟踪技术模拟植株冠层光照分布;然后,分析了不同时刻模拟植株累计光强与真实植株实际光照强度之间的关系。实验结果表明:两种植株的模拟光强与真实光强的RMSE分别为0.187 2和0.118 5,因此该方法具有实时性和可行性,可以为植株提供较为科学合理的整形和修剪参考。     

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。     

基于三维点云的运输车粮箱动态均匀装载方法研究

为了解决联合收获机-运输车协同作业时,运输车粮箱装载不均匀,导致粮箱装载利用率低的问题,提出了一种基于三维点云的动态均匀装载方法。该方法利用相机获取运输车粮箱内装载物的三维点云作为状态反馈信息,建立装载均匀性评估方式,以最均匀装载状态为目标,通过实时调整卸料装载点位置,使粮箱保持在均匀的装载状态。针对装载物相互遮挡对相机形成视觉盲区的问题,通过建立装载物的堆体模型和相机的遮挡模型,以最小期望误差为目标对盲区内装载物高度进行估计,并据此进行点云填充,从而得到能完整反映粮箱装载状态的三维点云。在搭建平台进行的实验中,对粮箱装载过程中可能出现的轻载、中载和重载3种装载状态进行测量,并对盲区点云位置进行估计,其盲区估计的平均误差低于5 cm。仿真结果表明,动态均匀装载方法能在有限装载周期内,将粮箱从任意的初始装载状态装载为均匀状态。单次装载量的平均高度增量为2 cm、粮箱的初始装载状态为空载时,装载物的最大高度方差为1 cm²。单因素仿真结果表明,稳定状态下的装载物高度方差与单次装载量正相关。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于三维点云的苹果树叶片三维重建研究

叶片是果树冠层的重要组成部分,对其进行三维重建研究不仅可以对叶片形态特征进行分析,还能为冠层光照分布计算以及果树整形修剪提供理论基础。三维激光扫描仪以非接触、高效、快速获取数据的优势被大量应用于三维空间信息采集工作中。本文提出一种基于三维点云的苹果树叶片结构形态三维重建方法。首先针对叶片的形态特点选择合适的三维激光扫描仪获取苹果叶片三维点云;基于包围盒法搜索K邻域,计算点云中点与其邻域点的平均距离,并设定距离阈值作为判定中心点是否为离散点的依据,进而确定离散点并去除;利用最小二乘原理实现点云局部曲面拟合以及法向量、曲率的计算,提取叶片边界点;对于非边界点部分,根据中心点法向量与其邻域法向量的关系,对点进行不同程度的精简;最后对处理后的叶片点云完成三维重建。结果表明,构建的叶片模型能够较好的保留叶片的三维形态特征,可以为果树冠层重建和光照分布计算提供基础。     

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。