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。     

基于骨架提取算法的作物表型参数提取方法

作物育种表型分析研究中,株型参数的获取多以人工测量为主,比较耗时费力。该文基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。以玉米作物为例,首先为去噪后的作物二值图像进行单像素细化,利用角点检测归类算法,检测出特征点;依据骨架图像茎叶角点,利用图像分割将作物茎和叶分离,并对应图像中作物的茎和叶骨架,得到玉米作物空间离散点的实际三维坐标;融合最小二乘法和遗传算法,绘制出离散点的空间拟合曲线,即茎和叶的平滑骨架,从而提取出玉米作物的表型参数。田间试验分析表明,使用该算法能够有效地得到玉米作物的平滑骨架,而且与前人方法相比,测量得到表型参数中,株高误差减小了35%,叶长误差减小了70%,叶倾角误差减小了20%,有效地提高了作物表型参数的测量精度。该研究为提高作物表型参数尤其是株型参数精度提供了参考。     

基于骨架的玉米植株三维点云果穗分割与表型参数提取

当前三维点云处理技术难以在玉米植株点云上对果穗进行识别和表型参数提取。针对该问题,该研究采用基于骨架的玉米植株器官分割流程对植株三维点云的果穗器官进行分割和表型参数提取。首先,优化基于骨架的玉米植株茎叶分割方法,在成熟期植株点云上实现植株骨架的提取、器官子骨架的分解以及器官点云的分割;再根据器官高度、子骨架长度、圆柱特征和点云数量4个约束条件从器官点云中识别出果穗点云;最后提取果穗相关的表型参数。试验结果表明,该研究方法对玉米果穗的识别率为91.3%;果穗点云分割的平均F1分数、精确度、召回率分别为0.73、0.82和0.70;穗位高、穗长、穗粗、株高穗位高比4个表型参数的提取值与人工实测值线性关系显著,决定系数分别为0.97、0.78、0.85和0.96,均方根误差分别为3.23、4.98、0.73 cm和0.07。该研究方法具备提取果穗器官点云和表型参数的能力,可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。     

基于骨架和最优传输距离的玉米点云茎叶分割和表型提取

针对当前三维点云分割方法难以精确分割玉米植株顶部新叶的问题,该研究提出一种基于点云骨架和最优传输距离的玉米点云茎叶分割方法。首先利用拉普拉斯骨架提取算法获得植株骨架;其次根据玉米形态结构特征将植株骨架分解成器官子骨架,并实现器官粗分割;再以最优传输距离作为点云距离度量,采用从上到下的顺序对未分割点云进行精细分割;最后自动提取株高、冠幅、茎高、茎粗、叶长和叶宽6种表型参数。研究结果表明,茎叶分割的平均精确度、平均召回率、平均微F1分数和平均总体准确率分别为0.967、0.961、0.964和0.967;6个表型参数的提取值与实测值具有较强的相关性,决定系数分别为0.99、0.99、0.96、0.97、0.93和0.96。该研究方法能对茎叶器官进行精确分割,为玉米高通量表型检测、三维几何重建等提供了一种有效技术手段。     

自适应加权算子结合主曲线提取玉米叶片点云骨架

为从玉米叶片点云数据(尤其是缺失点云数据)中准确提取骨架特征,该研究设计了一种考虑玉米叶片形状结构和数据完整性的自适应加权算子来计算玉米叶片点云的骨架约束点集,并引入主曲线对骨架约束点集进行拟合得到优化的玉米叶片点云骨架.首先使用K均值聚类将玉米叶片分为若干变化较为平缓的部分;然后通过改进的距离场方法提取点云的截面相关...     

利用FL-DGCNN模型估测绿萝叶片外部表型参数

为了能够低成本、自动化批量获取植物叶片的外部表型参数,同时解决自然生长条件下的植物叶片存在遮挡而无法获取完整的外部表型数据的问题,该研究以绿萝叶片为研究对象,基于曲面参数方程建立叶片几何模型,提出一种基于特征分层的动态图(Dynamic Graph CNN based on Feature Layering,FL-DGCNN)和堆栈编码器模型的绿萝叶片外部表型参数估测算法。通过多层组合的编码-解码器模型对残缺点云进行形状补全,将不同尺度下的点云通过多层感知机提取分组点不同层的特征向量融合后获取特征信息,以决定系数和均方根误差评价模型结果。结果表明:多层组合的编码模型对残缺点云补全的鲁棒性更高,特征分层的动态图模型估测结果的叶长、叶宽、叶面积的决定系数分别为0.92、0.93和0.94,叶长、叶宽的均方根误差分别为0.37、0.34cm,叶面积的均方根误差为3.01cm~2。该方法对叶类植物叶片的外部表型参数估测效果较好,具有实用性。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

基于多视图几何的白菜薹分割与关键表型测量

植物表型调查是选育优良品种和基因功能研究的重要依据,为理解植物生长发育规律及环境的作用提供有力支持。针对传统叶菜类植物表型分析方法存在速度慢、误差大、维度限制等问题,该研究提出了一种基于高通量重建和茎叶自动分割的白菜薹关键表型参数提取方法。首先,基于多视图立体几何技术对白菜薹进行多视角RGB图像三维重建、尺度恢复、均匀简化、背景去除及点云去噪等预处理。之后,提出基于超体素的改进植物器官自动分割算法,将植株分为茎、叶片等不同语义类别。在此基础上,给出有效的表型参数计算方法,完成了株高、叶长、颜色等7个关键性状的无损、精确测量。试验结果表明,该研究实现了白菜薹关键表型自动分析,茎叶器官分割的精确率、召回率及F1分数的均值分别为0.961、0.940、0.943;株高、株幅、叶长、叶宽的均方根误差分别为0.261、0.313、0.174、0.100 cm,叶面积及叶片数的均方根误差分别为1.608 cm2和0.283,平均绝对百分比误差分别为1.659%、1.643%、1.417%、2.486%、8.258%、6.000%。与其他方法相比,该研究具有较低的综合误差,可适应叶片形状不规则的植物表型参数提取研究。同时,克服了当前植物冠层幼叶难以分割、表型性状提取效率低等困难,为精准农业领域叶菜表型高效分析提供有效的技术手段,可在进一步的基因型到表型研究中发挥重要作用。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

基于Kinect V3的单株作物自动化三维重建与验证

为高效、精确地对单株作物进行三维重建,以点云方式无损测量作物表型信息,该研究提出一种基于Kinect V3深度相机的三维重建系统。使用步进电机搭建了一个旋转台,并将旋转台面设计成多颜色同心圆,利用同心圆计算平面法向量及圆心两特征信息,用于点云水平校准以及获取点云间的旋转平移矩阵;将Kinect V3采集的多视角点云变换到同一坐标系下,并结合裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法实现了多视角点云的粗配准与精配准,完成了作物三维重建。为检验该研究的三维重建效果,选取菜心、黄瓜苗为试验对象,与多视图立体视觉-运动恢复结构（Multi-View Stereo and Structure From Motion,MVS-SFM）算法重建点云进行对比,并提取叶面积参数与人工测量值进行比较。结果表明,两种方法下重建后的菜心点云间平均距离误差为0.59 cm,黄瓜苗点云间平均距离误差为0.67 cm,具有较高的相似度,而相较于MVS-SFM算法,该研究提出的方法的重建速度提高了约90%;该研究提出的方法所重建点云,菜心叶面积提取与标准参考值相对误差均值为5.88%,均方根误差为3.83 cm2,黄瓜苗叶面积提取与标准参考值相对误差均值别为6.50%,均方根误差为2.08 cm2,都显现出较高的准确性。该研究提出的方法能对单株作物进行快速三维重建,能有效提取叶面积参数,可为作物育种、栽培和农业生产提供高效技术手段和数据支持。     

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-Intensity,色调、饱和度、亮度)颜色模型进行作物群体目标提取,采用直通滤波方法获取作物茎秆点云,基于茎秆点云数据使用欧氏距离聚类分割算法提取每个植株的聚类中心点,并以聚类中心点建立柱体空间模型,使用该模型分割得到田间作物每个单体植株的点云数据。试验结果表明,该研究的方法对油菜、玉米和棉花3种作物的分割准确率分别为90.12%、96.63%和100%,与欧氏距离聚类分割结果相比,准确率分别提高了36.42,61.80和82.69个百分点,算法耗时分别缩短为后者的9.98%,16.40%和9.04%,与区域增长算法分割结果相比,该研究的方法可用于不同类型农作物,适用性更强,能够实现农田中较稠密作物植株的分割。该研究的方法能够实现农田尺度下单个植株的完整提取与分割,具有较高的适用性,可为精确测量作物个体表型信息提供参考。     

基于多视角立体视觉的植株三维重建与精度评估

基于图像序列的植株三维结构重建是植物无损测量的重要方法之一。而对重建模型的精度评估方法大多基于视觉逼真程度和常规测量数据。该研究以精确的激光扫描三维模型为参照,采用豪斯多夫距离,从三维尺度上对基于图像序列的植株三维重建模型进行精度评估。同时,从植株表型参数(叶片长、宽、叶面积)方面,对植株三维重建模型进行精度评估。结果表明,基于图像序列的三维重建模型精度较高,豪斯多夫距离在0~10 mm之间,各试验植株豪斯多夫距离大多小于4.0 mm,各植株表型参数与其对照值的R2均大于0.95,且两者的无显著性差异(P0.05)。此植株三维结构重建方法能够应用于植物表型、基因育种、植物表型与环境互作等研究领域。     

基于多尺度几何感知Transformer的植物点云补全网络

对植物幼苗进行三维重建,常存在叶片间的遮挡、摄像头视野限制等因素导致植物幼苗点云出现缺失的情况,影响了植物表型分析的准确度.为了能获得完整的植物点云,提出了基于多尺度几何感知Transformer(Multi-Scale Geometry-Aware Point Transformer,MGA-PT)的植物点云补全网络...     

基于立体视觉的玉米雄穗三维信息提取

玉米雄穗的表型信息对玉米育种研究具有重要的参考意义。该研究以自动获取玉米雄穗三维表型信息为目的。通过对雄穗样本进行多视角摄影处理来重建其三维模型。对重建的三维点云数据运用基于密度聚类的方法统计其分枝数信息,运用Delaunays三角网方法计算其外包络体积信息,并基于点云信息对雄穗主轴和最大穗冠的结构参数进行计算,同时定义了相关表型参数。用实测结果验证计算结果:分枝数统计结果的最大绝对误差为2,RMSE(root mean square error)为1.03,n RMSE(normalized root mean square error)为0.05;主轴长度,主轴最大/最小直径,最大穗冠高度和最大穗冠直径的R~2分别为0.99,0.82,0.83,0.97和0.93,均达到极显著相关水平。研究提出的相关表型参数和其提取方法在育种研究中具有应用潜力,为田间高通量雄穗信息的快速提取提供了参考。