地基激光雷达提取大田玉米植株表型信息

玉米个体表型信息对于玉米的高产高效发育规律研究、玉米遗传育种中基因型的确定具有重要意义,该文针对传统的玉米表型信息提取方法费时、费力、效率低下、主观性强等问题,提出一种基于TLS(terrestriallaserscanning,地面激光扫描)技术的大田玉米个体表型信息提取方法。利用地基激光雷达获取毫米级精度的玉米个体植株三维点云数据并进行海量点云数据预处理,构建玉米叶片三角网模型和叶片骨架点云;基于叶片三角网提取绿叶叶面积,基于叶片骨架点云提取叶长和叶倾角,基于未去穗的玉米植株点云提取株高。试验结果与实地手动测量值相比,真实叶面积、叶长、株高、叶倾角的均方根误差(RMSE)分别为12.69 cm~2、1.31 cm、1.30 cm和5.12°,平均绝对百分比误差(MAPE)分别为2.38%、1.32%、0.61%和8.96%。试验结果表明本文提出的基于TLS提取玉米个体表型参数的方法精度较高,具有可行性,为辅助玉米育种、生长监测等提供了一种有效手段。     

基于RGB-D相机的玉米茎粗测量方法

为实现田间玉米茎粗的快速测量,提出了一种基于RGB-D(RGB-Depth)相机的玉米茎粗参数提取方法。以小喇叭口期玉米为观测对象,利用RGB-D相机获取田间玉米的彩色图像和深度图像。首先,根据玉米与背景的颜色差异,对图像进行自动阈值分割,提取图像中感兴趣区域内的信息;利用形态学"开"操作剔除图像中的噪声,得到玉米茎杆的主干。其次,对茎杆主干进行骨架化操作,检测骨架的交叉点和末端点,确定茎杆的待测量部位。然后,对该部位的点云数据进行去噪、聚类、椭圆拟合操作,得到椭圆的长轴和短轴,获得玉米的茎粗。对20株玉米进行测试,结果表明:茎粗长轴的平均测量误差为3.31 mm,标准差为3.01 mm,平均测量相对误差为10.27%,茎粗短轴的平均测量误差为3.33 mm,标准差为2.39 mm,平均测量相对误差为12.71%。该研究可为作物表型参数的快速获取提供参考。     

基于最大正方形的玉米作物行骨架提取算法

为了满足现代农业精准施药技术中导航路径识别的需要,该文提出一种基于最大正方形的玉米作物行骨架提取算法。首先对采集到的田间玉米作物行图像进行灰度变换,采用改进的过绿灰度化算法使作物行与背景明显分割开来;然后通过滤波、阈值分割得到二值图像;而后对经过预处理后的二值图像进行形态学中的闭运算操作,得到玉米作物行的轮廓;最后利用最大正方形准则提取玉米作物行骨架。为了验证该算法的准确度,对提取的玉米作物行骨架进行直线拟合操作,利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。试验结果表明,该算法能保持骨架像素的单一性,对边缘噪声具有很强的抗干扰能力,提取骨架的误差小于5 mm,能够满足玉米对行精准施药的需求。     

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。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

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...     

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YOLOv5m和CBAM-CPN的单分蘖水稻植株表型参数提取

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值（mean average precision,mAP）达到91.17%;然后,应用人体姿态估计的级联金字塔网络（cascaded pyramid network,CPN）提取植株骨架,并引入注意力机制CBAM（convolutional block attention module）进行改进,与沙漏网络（hourglass networks,HN）、堆叠沙漏网络模型（stacked hourglass networks,SHN）和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和0.5个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06、0.81、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48 、1.05 、1.74 cm和2.39°,与SHN模型相比,误差分别减小1.65、3.43、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。     

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...     

基于机载三维激光扫描的大豆冠层几何参数提取

为了实现大田大豆单株植株几何参数(高度、体积)准确获取,该文构建了基于机载激光雷达(LiDAR)的农作物表型探测系统,并开展了大田标定和探测试验。针对大田大豆垄上种植模式下地面平整度差异大、植株枝叶交接难以区分的问题,提出了一种LiDAR表型探测系统下的基于局部邻域特征分割与均值漂移算法的提取方法。在获取的点云中,首先使用基于局部邻域特征的语义分割方法提取一垄植株行,然后采用均值漂移算法提取单株植株,最后进行植株表面重建和植株几何参数统计。LiDAR表型探测系统在沿探测系统前进运动方向、垂直运动方向、垂直地面方向最大误差分别为0.58%(5.8 cm)、-1.75%(-7.0 cm)、-1.74%(-3.4 cm)。该文采用的基于局部邻域特征的分割方法,植株与地面分类的效果良好,人工统计植株数量相比,检测植株数量的平均相对误差为11.83%。相对于常用的RANSAC(random sampleconsensus)方法,使用该文提出的高度计算方法,大豆植株高度平均相对误差从9.05%下降到5.14%,利用alpha-shape算法重建后的冠层体积平均值为48.5 dm3。该文工作可为作物植株分割和体积统计提供借鉴。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

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。