基于可视化类库的植株三维形态配准方法及点云可视化

精确的植物三维静态形态结构模型有助于植物空间结构相关的各种研究,是虚拟植物、植物建模等问题研究的一个重要方面。研究植物生长过程中的三维信息的获取可以获得作物生长过程中各参数的动态数据,可为精细农业植物生长模型建立等提供依据。该文以植物为研究对象,介绍了虚拟植物及植物三维可视化的研究现状,讨论了植物叶片三维可视化的可行性及必要性。针对植物三维点云的采集与处理上,讨论了三维扫描仪的精度测定方法,并针对基于基准体的植株点云配准问题,提出采用基准体点云平均法向量计算的方法,去除了部分基准体表面的噪声点,提高了植株体的配准精度;采用迭代最近点（iterative closest point,ICP）算法,对植株叶片进行进一步的高精度配准。最后采用基于可视化类库VTK(visualization toolkit)实现了植物点云配准与三维可视化。     

基于体着色的植物构型三维重建和可视化模拟

对植物进行三维重建通常利用立体视觉原理,由于立体匹配无法自动完成,加大了对植物构型时空变化的研究难度。根据体素颜色赋值法,设计了记录植物空间变化的体素三维重建系统,并利用其重建出植物点云数据,提出了针对植物体素点云数据进行滤波、分类及提取植物构型信息的算法,基于OpenAlea利用植物构型信息,建立植物构型模型并实现可视化模拟。采用阴香（Cinnamomum burmannii）枝条作为样本对该三维重建系统进行验证,结果表明,该系统能够自动重建枝条构型组织茎叶的点云,抽取植物构型信息的算法能快速正确得到枝     

基于三维点云数据的花瓣形态及生长过程模拟

目前对于虚拟植物的研究多是通过图形建模来模拟植物的生长变化,计算复杂且操作不灵活。随着三维扫描和点云重建技术的发展,为复杂植物形态可视化提供了新的手段。论文基于三维扫描的植物点云数据模型,研究了植物花瓣的形变和生长过程模拟。利用三维扫描仪获取植物花瓣的生长序列,采用MATLAB根据实测点云数据拟合植物生长函数曲线,最后将传统花卉生长模拟与点云模型的自由变形相融合,提出了依据实测点云数据通过点云模型变形算法模拟花卉植物动态生长的方法。该方法不仅能够保留花卉植物复杂的形态特征,而且使形变控制简单,模拟的花瓣形态及生长真实自然。此外,该方法还与基于物理的模拟方法进行比较,并利用拟合回归分析、实测花瓣数据与重建数据间误差对该方法的准确性进行了分析。结果显示花瓣生长期内决定系数达0.75以上及平均误差控制在2mm以内,研究结果为花卉植物的生长形变模拟提供了参考。     

基于点云数据的植物叶片曲面重构方法

叶子是植物最重要的器官之一,建立植物叶片的高精度曲面模型对于开展植物叶片形态特征分析和冠层光分布计算等研究具有重要意义。该文提出了一种基于点云数据的植物叶片曲面重构方法,该方法首先对原始点云数据进行噪声点剔除和数据精简,然后采用Delaunay三角剖分方法生成初始网格曲面,再对网格曲面进行优化处理。结果表明该方法能够基于激光扫描三维点云数据快速重构出植物叶片的高精度网格曲面,包括萎蔫和枯萎等复杂形态。该研究可为植物建模与可视化相关研究提供参考。     

基于三维点云的甜菜根表型参数提取与根型判别

为挑选产糖量高且适合机械化收获的甜菜根型,该文基于多视角图像序列,构建了207个基因型甜菜根的三维点云模型。基于三维点云提取了描述甜菜根形态特征的10个表型参数：最大直径、根长、凸包体积、顶投影面积、紧凑度、凸起率、凸起角、根头比、根尾比和根体渐细指数。与人工测定的最大直径和根长值进行校验,决定系数R2均在0.95以上。其中根长、凸包体积及顶投影面积与生产指标呈极显著(P<0.01)相关关系。采用稳定性较高的K-medoids聚类算法将甜菜根型分为4类,结合专家知识获取理想根构型的主要特征为根型中等长度、比例适中。采用线性判别、随机森林、支持向量机、决策树和朴素贝叶斯5种预测模型进行根型判别。结果表明5种根系判别模型预测准确率均在70.0%以上,随机森林判别准确率达到81.4%。研究结果将为培育高品质和适应机械化生产的甜菜品种提供依据。     

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...     

基于三维点云的植物多任务分割网络

在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络（a multi-task segmentation network for plant on 3D point cloud,MT-SegNet）,结合多值条件随机场（multi-value conditional random field,MV-CRF）模型,同时实现茎、叶语义分割和叶实例分割。在MT-SegNet中,为解决用最大池化或平均池化方法来聚合邻域点特征可能会导致重要信息丢失的问题,该研究提出了一种基于注意力机制的多头注意力池化模块。它能自动学习到重要的邻域点特征,从而有利于提高网络的分割性能。同时,MT-SegNet分成两个不同的分支,分别用于预测点的语义类别和将这些点嵌入到高维向量,以便将这些点聚类为实例。最后,使用MV-CRF进行多任务的联合优化。在彩叶芋点云数据集上的试验结果表明,该方法的茎、叶语义分割的交并比、准确率、召回率和F1分数的平均值分别为84.54%、93.64%、91.39%、92.48%,叶实例分割的平均准确率、平均召回率、平均实例覆盖率和平均加权实例覆盖率分别为88.10%、78.44%、76.24%、76.93%,均优于PointNet、JSNet等现有的深度学习网络。该模型也适用于类似植物的点云分割类任务。这有助于为植物自动化表型测量提供必要的技术条件。     

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-...     

基于点云的果树冠层叶片重建方法

精确的果树三维冠层结构是农业科研人员进行功能结构模型研究的重要载体,该文提出一种快速、精确、自动的果树冠层叶片重建方法。首先根据带叶果树点云的局部和全局特征,建立椭球分层的点云密度收缩方法实现器官点云分离,然后利用邻近传播主成分分析算法实现叶片特征参数的求解,利用Laplacian收缩算法实现冠层骨架点的连通,从而实现冠层叶片的快速自动重建。最后利用C++及Point Cloud Library(PCL)点云库,开发果树叶片点云冠层自动重建系统,对苹果树、柑橘树等不同类型果树进行算法验证,结果表明该方法能够正确识别出的叶片数占冠层总叶片数的90%以上,叶面积指数的正确率大于95%,叶片倾角偏离5?以内的叶片数占总叶片数的90%以上。该方法得到了较好的可视化效果和叶冠三维重建精度,可为后期树体冠层内光合作用的研究、整形修剪、农业仿真试验等提供参考。     

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。该网络首先通过降采样特征提取模块对原始点云进行邻域特征提取;然后利用Transformer提取语义信息,引入多尺度几何感知模块提取不同尺度下的几何信息,加强对植株不同器官的特征提取能力;最后使用双路稠密点云生成模块分别对输入部分和预测部分进行细粒度生成,避免输入点云特征的丢失,保证稠密点云贴近实际分布。试验使用基于运动恢复结构的方法对植物幼苗进行三维重建,通过旋转与固定视点缺失构建数据集。试验结果表明,该补全网络表现出色,比目前主流的补全网络更优,对植株数据集补全结果的倒角距离为0.79×10-4 cm,地面移动距离为0.11 cm,F1分数为70.77%,且对不同形态、不同比例的缺失均能补全,体现网络具有稳定性与健壮性。该网络对叶类植物补全效果好,为植物幼苗点云补全提供了新思路。     

基于三维点云数据的苹果树冠层几何参数获取

针对果园环境下苹果树冠层参数获取精度较低的问题,提出了基于地面三维激光扫描仪高精度获取苹果树冠层参数的方法.选用Trimble TX8地面三维激光扫描仪作为苹果树冠层三维点云数据采集设备,提出了基于标靶球的KD-trees-ICP算法,用于高精度配准苹果树冠层三维点云数据.研究了平均风速小于4.5 m/s时,距离地面三维激光扫描仪不同远近条件下的标靶球配准残差和拟合误差的变化规律,分析结果表明,标靶球平均配准残差为1.3mm,平均拟合误差为0.95 mm,低于大场景测量配准误差要求(5mm).为了提高有风环境下提取苹果树冠层参数的精度,研究了0.9～4.5 m/s区间平均风速影响下的苹果树冠层枝干、果实、叶片的三维点云质量,建立了风速与叶片侧面厚度的曲线拟合模型,分析结果表明,在果园平均风速小于1.6 m/s时可以从苹果树冠层三维点云数据中提取高精度冠层参数.利用地面激光三维扫描仪获取距离苹果树12 000 mm以内冠层参数,测量精度高于人工测量,相对误差小于4％,为果树高通量信息获取提供了技术支持.     

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 Consensu...     

基于结构-功能互反馈机制的植物生长可视化建模与仿真(简报)

为确定植物生长可视化建模的一般方法,在总结国内外相关研究成果的基础上,归纳了基于结构-功能反馈机制的植物生长可视化建模的步骤,研究了建模过程中涉及的植物形态结构描述模型、结构模型与功能模型的结合、可视化模型以及模型的有效性检验等关键性技术问题,最后以具体作物生长可视化建模为例阐述了该技术的应用,并对关键性技术问题进行了讨论.研究结果表明,基于结构-功能反馈机制的作物生长模型,不但能可视化模拟不同环境因素下作物的生长发育状况,而且可在作物理想株型培育、群体产量预测、栽培管理等领域发挥实际作用.     

耦合粘虫胁迫的玉米生长可视化模拟

针对难以定量化模拟虫害影响植物形态结构和生理过程的问题,提出将虫害影响耦合至植物功能-结构模型中的可视化模拟方法。根据粘虫啃食叶片的空间分布特征,改进细胞纹理特征点和基函数,适用于描述粘虫啃食路径,采用单叶被啃食率描述被啃食程度,并以三维可视化形式模拟虫害啃食效果;结合粘虫数量、啃食量以及分布规律,估计各单叶被啃食率,根据单叶虫洞可视化方法,定量化表达粘虫对单株玉米形态结构的影响;根据植物形态结构变化,将粘虫胁迫作用于生物量产量、生物量分配等植物生理过程,确定粘虫对植物形态发育的影响。试验结果表明,单叶虫洞可视化方法能较形象、逼真的仿真不同受灾程度下粘虫对叶片形态的影响,并将虫害影响耦合至功能-结构模型中,实现虫害胁迫下植物生长发育的模拟和仿真,为定量描述和理解灾害程度提供新思路。     

基于点云图的农业导航中障碍物检测方法

为满足智能农业机器人路径规划中障碍物检测的需求,针对传统双目视觉中用于障碍物检测算法的局限性,提出基于点云图的障碍物距离与尺寸的检测方法。该方法以双目视觉中以立体匹配得到的点云图为对象,通过设置有效空间,对不同区域处点云密度的统计,找到点云密度随距离的衰减曲线。远距离障碍物由于相机分辨率的不足,点云密度会随距离下降,通过密度补偿算法进行补偿,经二次设置有效空间后锁定障碍物位置,将目标点云分别投影于俯视栅格图和正视图中,获得其距离和尺寸信息。试验表明:该方法能有效还原障碍物信息,最大测距范围为28 m,平均误差为2.43%;最大尺寸检测范围为10 m,长度和高度平均误差均小于3%。该文基于点云图的栅格化表示和密度补偿算法,通过设置有效空间将点云投影得到障碍物距离和尺寸,不同环境下的精度测试和距离检测验证了可靠性和鲁棒性。