基于三维点云的黄瓜叶片分割与表型参数提取方法

自动获取植株冠层表型形状对黄瓜育种和科学栽培至关重要。由于当前三维点云处理技术难以在黄瓜植株点云上对茎叶进行有效分离,分割准确率和效率较低。本文提出了一种改进的区域生长分割算法,并对分割后叶片进行表型提取。首先通过深度相机从4个角度采集黄瓜点云数据,在统计滤波和颜色滤波去除背景噪声以及离群点的基础上,基于旋转轴和广义最近点迭代（Generalized nearest point iterative, GICP）算法对点云进行配准获取完整黄瓜植株点云;使用体素和移动最小二乘算法（Moving lest squares, MLS）对区域生长算法进行改进,实现茎叶分离与叶片分割;分割后叶片点云自动提取叶片数量、叶面积、叶长、叶宽、叶周长表型参数。实验结果表明,与传统区域生长算法相比,改进区域生长算法可以精准地分割出单个叶片,对移栽15 d的准确率平均提升12.5个百分点,对移栽60 d的准确率平均提升22.5个百分点。叶面积、叶长、叶宽、叶周长4个参数与真实测量值相比决定系数R²分别为0.96、0.93、0.93、0.94,均方根误差（RMSE）分别为12.69 cm²、0.93 cm、0.98 cm、2.27 cm。本文提出的方法能够从单株黄瓜点云中高效地分割出单个叶片点云,并准确地计算相关表型性状,为温室黄瓜高通量自动化表型测量提供有力的技术支持。     

基于多源数据的马铃薯植株表型参数提取

作物具有结构多样、生长环境复杂等特征。RGB图像数据能真实地反映植株的纹理特征与颜色特征,三维点云数据包含了作物的体量信息。将RGB图像和三维点云数据结合,实现作物的二维和三维表型参数提取,对表型组学的方法研究具有重要意义。本研究以马铃薯为研究对象,使用RGB相机和激光扫描仪分别采集了50个马铃薯的RGB图像与三维激光点云数据。对比了OCRNet,UpNet,PaNet和DeepLab v3+四种深度学习语义分割方法的分割精度,并选择精度较高的OCRNet网络实现马铃薯顶视图像的语义分割。优化了Mean shift聚类算法流程,完成了马铃薯植株激光点云的单株分割,并结合欧式聚类和K-Means聚类算法对单株马铃薯植株点云的茎和叶进行准确地分割。同时,提出一种利用编号建立马铃薯单株RGB图像和激光点云间一一对应关系的策略,并以此为基础分别从RGB图像与激光点云中提取同一马铃薯植株包括最大宽度、周长、面积、株高、体积、叶长与叶宽在内的8个二维表型参数与10个三维表型参数。最后,选择了比较具有代表性、易测量的叶片数、株高、最大宽度三个表型参数进行精度评估,平均绝对百分比误差（Mean Abs...     

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。     

基于几何模型的绿萝叶片外部表型参数三维估测

为快速高效获取叶类植物叶片的外部表型参数、掌握植株生长状况,以绿萝叶片为研究对象,提出一种基于几何模型的叶长、叶宽与叶面积的三维估测方法。利用微软Kinect V2相机,自80 cm高度垂直位姿获取绿萝叶片局部点云,并进行直通滤波去噪与包围盒精简等预处理,测量得到点云外形参数,输入预先建立的SAE网络分类预测得到几何模型参数,并基于曲面参数方程建立叶片几何模型。采用粒子群优化算法计算几何模型离散点云和局部点云间的空间距离,进行空间匹配,利用遗传算法求解最优匹配模型的内部模型参数,输出最优匹配模型的叶长、叶宽与叶面积作为估测结果。实验共采集150片绿萝叶片的局部点云数据,将估测结果和真实值进行数学统计与线性回归分析,得出叶长、叶宽与叶面积估测的平均误差分别为0.46 cm、0.41 cm和3.42 cm²,叶长估测R²和RMSE分别为0.88和0.52 cm,叶宽R²和RMSE分别为0.88和0.52 cm,叶面积R²和RMSE分别为0.95和3.60 cm²。实验表明,该方法对于绿萝叶片外形参数的估测效果较好具有较高实用价值。     

基于三维点云的小麦叶片曲面参数化重建方法

【目的/意义】 植物叶形是植物结构形状的重要组成部分。叶片三维结构模型的建立有助于模拟和分析植物生长。针对三维结构表示与数学模型参数的互操作性;本研究提出了一套参数驱动的具有互操作性的小麦叶片点云反演模型。 【方法】 利用参数化建模技术;建立具有7个特征参数的小麦叶片参数化曲面模型。基于小麦叶片三维点云对模型参数进行反演估计;实现叶片曲面的逆向参数化构建。为验证该方法可靠性;使用Chamfer距离评估重建点云与原点云间差异度。 【结果和讨论】 该模型能有效地重建小麦叶片;对于实测数据基于点云的参数化重建结果的平均偏差约为1.2 mm;具有较高的精度。重构模型与点云具有互操作性;可以灵活调整模型参数;生成形状相近的叶簇。反演参数具有较高的可解释性;可用于点云时间序列的一致、连续地估计。 【结论】 该模型对叶片的一些细节特征进行了适度的简化;只需要少量的参数就可以还原叶片的几何形状。该方法不仅简单、直接、高效;而且得到的参数几何意义更明确;具有可编辑性和可解释性;对小麦叶片的模拟分析和数字孪生具有重要的应用价值。     

基于三维数字化的小麦植株表型参数提取方法

针对小麦植株分蘖多、器官间交叉遮挡严重,难以用图像或点云准确提取植株和器官表型的问题,本研究提出了基于三维数字化的小麦植株表型参数提取方法。首先提出了小麦植株各器官数字化表达方法,制定了适用于小麦全生育期的三维数字化数据获取规范,并依据该规范进行数据获取。根据三维数字化数据的空间位置语义信息和表型参数的定义,提出了小麦植株表型参数计算方法,实现了小麦植株和器官长度、粗度和角度等3类共11个常规可测表型参数的计算。进一步提出了定量描述小麦株型和叶形的表型指标。其中,植株围度通过基于最小二乘法拟合三维离散坐标计算,用于定量化描述小麦植株松散/紧凑程度;小麦叶片卷曲和扭曲程度为定量化叶形的指标,根据叶面向量方向变化计算得到。利用丰抗13号、西农979号和济麦44号三个品种小麦起身期、拔节期、抽穗期三个时期的人工测量值和提取值进行验证。结果表明,在保持植株原始三维形态结构的前提下,提取的茎长、叶长、茎粗、茎叶夹角与实测数据精度相对较高,R² 分别为0.93、0.98、0.93、0.85;叶宽和叶倾角与实测数据的R² 分别为0.75、0.73。本方法能便捷、精确地提取小麦植株和器官形态结构表型参数,为小麦表型相关研究提供了有效技术支撑。     

一种汽车车身曲面数据点云的分块方法

在测量数据点云重构车身曲面过程中,由于车身曲面复杂多变,难以直接拟合,需要对点云数据进行区域分割,分片处理。文中结合车身曲面造型特点,将一种点云分割的算法-基于平面度的直接分割方法应用于车身曲面重建中,可实现不同性质的曲面片分块。最后给出了不同的分割实例,证明了该方法的有效性。     

基于无人机冠层三维重建的田间白菜表型研究

植物表型研究在农业科学和植物育种领域具有重要意义,传统的人工测量效率低、精度低、重复性差且具有局限性。为了实现对白菜表型数据的高效、准确和大规模获取,提出了一种基于无人机（UAV）RGB图像的单株白菜株长、株宽和株高的高通量自动获取方法。利用无人机拍摄的田间白菜RGB图像,并通过运动恢复结构算法（SfM）对白菜生长场景进行三维点云的重构;通过训练点云语义分割网络,能够将白菜冠层区域从田间地块背景中分割出来;采用K-Means聚类算法提取出单株白菜点云模型,并利用轴对齐包围盒方法计算出白菜的株长、株宽和株高。将得到的白菜株长、株宽和株高与人工测量值进行比较,结果显示：所提出方法的决定系数R²分别为0.943 37、0.905 54和0.924 61,获得了令人满意的数据,为大白菜数字化育种的研究提供了科学、可靠的表型分析工具。这种自动化的高通量方法有利于农业科学和植物育种领域的研究和实践,为提高作物品质和增加产量提供支持。     

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。     

基于激光雷达的温室茄子三维重建与表型测量研究

针对传统手动提取作物表型的方式存在着效率低下、精度差等缺点,本研究提出一种基于三维重建获取茄子植株表型信息的方法。使用激光雷达获取茄子点云信息并进行处理,构建了基于半径滤波和统计滤波单株点云提取,DBSCAN叶片点云点云聚类的茄子植株点云三维重建方法。研发了基于三维重建激光雷达点云的温室茄子株高、冠幅、叶面积、叶倾角的生理结构表型参数的建模方法,基于单株点云最小包围盒计算株高和冠幅,基于三角面片化计算叶面积,基于高频法向量计算叶倾角。实验结果证明本文提出的基于三维重建提取茄子植株表型参数的方法能够快速精准的获取茄子植株的表型信息,该方法可以用于作物表型参数的在线检测,具有很好的实用性。     

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。     

基于激光点云的树木特征信息提取研究进展

树木的特征信息是进行农林业生产研究的重要参数,快速化提取信息对于农林业研究具有重要意义。因此,基于激光点云技术,综述国内外在树木信息提取的研究进展,重点从二维激光雷达、车载激光雷达、地基激光雷达三个方面总结研究现状。指出二维激光雷达通用性较差,户外采集困难;车载激光雷达数据精度较低,算法依赖严重;地基激光雷达数据运算量大等问题。提出快速处理算法的研究、数据集中复杂特征的剔除与修复、精准探测集成系统的研发与产品化等展望。为后续的基于点云技术的树木特征信息提取研究提供参考。     

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...     

基于改进SIFT-ICP算法的Kinect植株点云配准方法

针对传统配准方法准确度低、速度慢的问题,提出了基于改进SIFT-ICP算法的彩色植株点云配准方法。首先采用Kinect获取不同视角下植株彩色图像和深度图像合成原始植株彩色点云,通过预处理提取原始点云植株信息,对植株点云进行尺度不变特征变换(SIFT)的特征点检测,得到点云配准关键点,再对关键点进行自适应法线估计,然后求取关键点的快速点特征直方图(FPFH),通过采样一致性(SAC-IA)初始配准方法改进点云间初始位置关系,最后利用Nanoflann加速最近点迭代(ICP)算法完成精确配准。试验结果表明,改进SIFT-ICP算法可以大幅度提高点云配准的准确性和快速性,其中对应点间平均欧氏距离小于7 mm,配准时间小于30 s。     

手持式结构光扫描系统设计与玉米叶面积提取

基于三维点云的叶面积提取方法具有非接触、高效率和高精度优势,能够更好地满足现代农业对叶面积快速获取和精准评估的需求。以大田全生育期夏玉米为研究对象,通过自主设计的手持式结构光作物三维扫描仪,采集夏玉米全生育期点云数据,并提出了点云配准、去噪和下采样等预处理流程。随后,应用点云分割网络对玉米作物器官点云进行了精确分割,成功提取了玉米叶片点云数据,并提取了叶面积。结果表明,分割网络在点云分割精度方面表现优异,叶片点云精确率、召回率、F1分数和交并比指标均超过95%,其他器官分割指标也均高于75%。不同生育期叶面积提取结果存在显著差异。在苗期、拔节期、全生育期模型表现较好,R²分别为0.906 2、0.983 8、0.994 9,均方根误差分别为221.34、172.77、206.64 cm²;但在成熟期,模型表现显著下降,R²降至0.517 8,RMSE上升至209.32 cm²。不同施肥量下,叶面积提取结果整体良好,R²均高于0.98。随着施肥量变化,均方根误差呈先下降后上升趋势,分别为176.38、106.36、110.18、270.34 cm²。基于本文设计的设备和方法,能够准确有效地提取大田单株玉米叶面积,为智慧农业和表型机器人提供技术支持。     

基于超体素聚类和局部特征的玉米植株点云雄穗分割

针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题,提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法.首先通过边连接操作建立玉米植株点云无向图,利用法向量差异计算边权值,并采用谱聚类方法将植株点云分解为多个超体素子区域;随后结合主成分分析方法和点云直线特征提取植株顶部的子区域;最后利用玉米植株点云...