利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

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cm2,叶长估测R2和RMSE分别为0.88和0.52cm,叶宽R2和RMSE分别为0.88和0.52cm,叶面积R2和RMSE分别为0.95和3.60cm2。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。     

基于神经辐射场的苗期作物三维建模和表型参数获取

苗期作物三维结构的精准高效重建是获取表型信息的重要基础。传统的三维重建大多基于运动恢复结构-多视图立体视觉（Structure from motion and multi-view stereo,SFM-MVS）算法,计算成本高,难以满足快速获取表型参数的需求。本研究提出一种基于神经辐射场（Neural radiance fields,NeRF）的苗期作物三维建模和表型参数获取系统,利用手机获取不同视角下的RGB影像,通过NeRF算法完成三维模型的构建。在此基础上,利用点云库（Point cloud library,PCL）中的直线拟合和区域生长等算法自动分割植株,并采用距离最值遍历、圆拟合和三角面片化等算法实现了精准测量植株的株高、茎粗和叶面积等表型参数。为评估该方法的重建效率和表型参数测量精度,本研究分别选取辣椒、番茄、草莓和绿萝的苗期植株作为试验对象,对比NeRF算法与SFM-MVS算法的重建结果。结果表明,以SFM-MVS方法重建点云为基准,NeRF方法重建的各植株点云点对距离均方根误差仅为0.128~0.395cm,两者重建质量较接近,但在重建速度方面,本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外,该方法提取辣椒苗株高、茎粗决定系数（R2）分别为0.971和0.907,均方根误差（RMSE）分别为0.86cm和0.017cm,对各苗期植株叶面积提取的R2为0.909~0.935,RMSE为0.75 ~3.22cm2,具有较高的测量精度。本研究提出的方法可以显著提高三维重建和表型参数获取效率,从而为作物育种选苗提供更为高效的技术手段。     

基于参数化的玉米叶片三维模型主脉提取

提取玉米叶片三维点云模型主脉对于建立真实玉米叶片模型具有指导意义。本文利用计算机图形学中的相关算法,包括离散网格的平均曲率计算、网格曲面的参数化以及点云数据的骨骼提取等,对扫描得到的玉米叶片三维点云模型进行主脉曲线提取。整个算法分为3步:不完整主脉三维点集提取、完整主脉点集提取和三维主脉重建。通过对不同种类玉米叶片三维扫描数据进行实验证明,该算法可以快速、准确地得到玉米叶片的主脉曲线。     

基于云计算的农机三维数字化云服务平台设计

考虑现代农机市场对产品多样性、个性化和订单交付周期短等需求,结合云计算和三维数字化设计理念,提出了一种针对模块化农机产品的快速设计方法,并对设计理念、关键技术进行了深入的分析和可行性验证。利用云计算中的SaaS服务模式下应用系统的模型架构,构建了农机快速设计的三维数字化平台,选取农机设计过程中常用的零部件轴和齿轮等为研究对象,通过参数化建模,验证了基于云计算农机三维数字化设计平台的智能化和高效性。最后,通过农机设计周期、客户满意度和资源利用率等项目的评价,对传统方法和云设计方法进行了对比。对比结果表明:采用云服务对农机进行设计不仅可以提高设计效率和设计质量,而且能够充分利用设计资源,达到资源共享的目的。     

基于数字化植物表型平台（D3P）的田间小麦冠层光截获算法开发

冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPAR_dif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPAR_dif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPAR_dif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPAR_dif和GAI的估算均获得了满意精度，R²分别为0.95和0.98，而AIA的估算精度（R²=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。     

融合三维结构光和叶绿素荧光的植株光合表型成像系统

[目的/意义]植株光合表型研究在把握植株生理特性和解析植株形态结构上起着至关重要的作用,通过传统叶绿素荧光成像方法难以对植株光合作用三维空间异质性进行分析。为提高植株表型检测效率,满足高通量植株光合表型分析需求,本研究构建了一套经济实用、融合三维结构光和叶绿素荧光的植株光合表型成像系统。[方法]提出了一种自动化植株图像采集并建立植株可视化模型的方法,并进行图像分析获取植株光合效率信息。通过搭建结合叶绿素荧光激发的结构光条纹投影装置,先用LED (Light-Emitting Diode)白光与蓝光分别照射植株样本,再用投影仪对植株样本投射相移条纹,电动滤光轮配合相机同步采集不同光照条件下特定波段的植株图像;通过数字图像处理获取植株三维图像和对应的叶绿素荧光图像,并分析植株的三维形态结构及光合效率,将植株叶绿素荧光图像逐像素渲染到其三维结构上,便可推测出植株光合在三维空间中分布情况。[结果和讨论]该方法及系统能够高效多样化采集植株图像,快速重构出植株三维形态,其整体重建准确率可达到96.69%,整体误差仅为3.31%,重构时间仅需1.11s,同时能够满足植株光合效率评估需求。[结论]该研...     

基于立体视觉的玉米植株三维骨架重建

提出了一种基于立体视觉原理的玉米植株三维骨架提取和重构方法,从两幅由特定角度拍摄的图像提取植株二维骨架信息,通过极线约束算法和设定合理的匹配准则,实现骨架特征匹配,获得三维骨架的点云信息并降噪,最终通过样条曲线拟合产生三维骨架模型.在该骨架模型基础上,能够进行叶长、茎叶角等作物重要参数的计算.试验结果表明,该方法可以快捷地重建玉米植株的骨架模型,且误差不超过2%.     

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。     

基于运动恢复结构的玉米植株三维重建与性状提取

针对传统的玉米植株性状测量方法存在主观性强、劳动强度大、有损伤等问题,提出了基于运动恢复结构(Structure from motion,Sf M)的户外玉米植株三维重建方法,并提取了株高、单株最小包围盒体积、茎粗、叶面积、叶片数、叶夹角等11个性状参数。采用前期研制的小车,在户外采集不同视角下的玉米植株图像(采集间距为5～6 cm),基于Sf M算法获取玉米植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎粗、叶面积等11个性状的准确、无损测量。结果表明,与人工测量值相比,测得的株高、茎粗和叶面积的平均绝对百分比误差分别为3. 163%、4. 760%和19. 102%,均方根误差分别为3. 557 cm、1. 540 mm、48. 163 cm2,决定系数分别为0. 970、0. 842、0. 901。研究表明,本文方法适用于作物表型户外测量,为表型研究提供了一种新的作物表型户外测量方法,同时还证明,株高和单株最小包围盒体积可以显著区分低地上部生物量玉米植株和高地上部生物量玉米植株。     

不同灌溉方式下冬小麦穗部性状与产量关系的试验研究

采用田间试验,以豫麦69为试验材料,研究了不同水分处理下常规灌溉和一体化垄作沟灌的冬小麦产量与穗部性状的相互关系。结果表明,同常规灌溉方式相比,一体化垄作沟灌方式下,冬小麦的穗粒数、籽粒质量及产量分别增加了5.5356%、7.5489%、7.7454%,但穗数减少了0.4302%。常规灌溉和一体化垄作沟灌方式下,产量与穗数、穗粒数以及籽粒质量均正相关,但一体化垄作沟灌方式下的相关系数较常规灌溉方式大。一体化垄作灌溉有利于改善农田小气候、发挥作物的边行优势和提高小麦产量。     

基于SE-UNet的冬小麦种植区域提取方法

传统的小麦面积提取方法主要依靠人工野外调查,存在工作量大、效率低、成本高等问题,而遥感技术具有准确、快速和动态等优点,已成为作物面积提取的有效手段。本文以石家庄市正定县各镇的Landsat-8卫星遥感影像为训练数据,藁城区增村镇影像为测试数据,并分别选取分辨率8m的高分六号（GF-6）以及分辨率10m的哨兵二号（Sentinel-2）作为对比验证数据,提出了一种改进U-Net网络的冬小麦种植区域提取方法。首先,对Landsat-8遥感影像进行预处理,标注小麦区域制作标签集,其次,在U-Net网络中添加Squeeze and excitation(SE)注意力机制模块融入特征通道间信息,并利用Batch normalization(BN)层抑制过拟合问题;最后,经过Softmax分类器得到分类结果。选择SegNet、Deeplabv3+、U-Net作为对比模型,分别利用GF-6、Sentinel-2和Landsat-8 3种数据构建预测模型。结果表明,SE-UNet网络在基于Landsat-8数据预测模型下测试数据集表现最优,MPA和MIoU分别达到89.88%和81.44%。本方法可为大范围冬小麦种植区提取提供参考。     

稻茬麦根系构型可视化与三向分型维研究

提出一种根系可视化分析方法用于定量稻茬田环境的小麦根系构型。使用根系构型数字化仪测试稻茬麦苗期根系构型,将所测数据导入Pro/E平台进行根系构型的3-D重构,然后对可视化根系进行3向平面投影,计算小麦根系在不同平面的分形维数与分形丰度。结果表明,该方法可以真实反映出田间稻茬麦根系构型的动态变化状况,而根系分形维数与分形丰度随时间逐步递增,正视图面的分形维数和分形丰度总大于左视图面。从播后第98天开始,俯视图面的根系构型分形维数与分形丰度出现突增。在3个投影面上稻茬麦根系的分形维数与分形丰度都高度相关,二者与根总长也存在一定的相关关系。     

作物三维重构技术研究现状及前景展望

近年来,随着无人机和各类传感器在作物育种和田间生产中被广泛使用,作物表型组学得到了极大的发展。兼具了高精度、高通量和高度自动化的作物表型组学及其相关技术的发展,加快了新品种的选育和优化了田间管理。作物三维重构技术是作物表型组学最基本的技术方法之一,是精准描述作物形态全息结构的重要工具,而作物的三维重构模型对于高通量作物表型获取、作物株型特征评价、植株结构和表型相关性分析等均具有重要意义。为深入总结作物表型中三维重构技术研究进展,本文从作物三维重构的基本方法与应用特点、研究现状和前景展望等三个方面展开综述。本文首先归纳整理了现有作物三维重构方法,并对各类方法的基本原理进行了综述,分析了各类方法的特点和优缺点,同时在归纳作物三维重构方法一般性流程的基础上,对各类方法的适用性进行剖析,归纳整理出了各类方法在实施时的具体流程和注意事项;其次,本文依据研究目标对象不同将作物三维重构的应用分为单株作物重构、田间群体重构和根系重构三部分,并从这三个视角对作物三维重构技术的应用情况进行了综述,依据精度、速度和成本三方面,探究了各个方法对于不同作物三维重构的研究现状,分析整理出不同重构对象背景下作物三维重构存在的问题与挑战;最后,从作物三维重构全程自动化、4D表型的构成、作物虚拟生长与模拟育种和智慧农业发展等方面对作物三维重构技术的前景进行了展望。     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

面向植物抗旱性研究的多源表型信息采集和分析技术

利用表型信息采集系统获取不同生长环境下的植物形态结构和生理生化数据,研究植物体对不同胁迫的反应,从而进行抗性育种和筛选优质良种.本文构建了一套由双CCD相机、热成像仪、水分控制模块、称量模块、光源等组成的多源表型信息采集系统,采用YOLO v3目标检测算法和图像处理算法提取了植物投影叶面积、株高、叶片数量、冠层温度等表...     

基于点云的谷粒高通量表型信息自动提取技术

在进行水稻的数字化考种、表型与基因关联分析和数字农业仿真模拟时,需要大量的谷粒表型信息作数据支撑。本文提出了一种基于三维点云的谷粒高通量表型信息自动提取方法,能同时自动获取谷粒的三维模型和40个表型参数,实现谷粒形状的定量和定性描述。首先,通过对谷粒点云数据进行聚类分析,完成谷粒点云的分类;其次,实现谷粒的三维重建,对谷粒离散点云进行柱面构网,获取谷粒点云的三维模型数据;最后,根据不同表型参数的特点,实现了谷粒的三维表面积和体积、长、宽、高、3个主成分剖面的周长和面积等11个基本参数与长宽比、长高比和体积比等11个衍生参数以及18个形状因子的自动提取。利用Handyscan 700型手持式激光扫描仪获取的谷粒高精度点云数据进行实验,成功实现了谷粒表型参数的自动提取,测量结果可达毫米级。基于主成分方法分析了各表型参数的权重。以游标卡尺测量值和Geomagic Studio测量值作为真值,长、宽、高的平均相对误差为1.14%、1.15%和1.62%,体积和表面积的相对误差为零,3个主成分剖面面积的平均相对误差为1.82%、2.12%和2.43%。本文方法与人工测量方法及软件测量方法相比,精度相当,且具有批量、自动、人工干预少(仅数据采集阶段需要人工操作)以及效率高的特点。