CN104915982A - 树冠层光照分布预测模型构建方法及光照分布检测方法 - Google Patents

Abstract

本发明公开了一种树冠层光照分布预测模型构建方法及光照分布检测方法，上述树冠层光照分布预测模型构建方法包括：S1、对树冠层进行网格划分；S2、获取所述树冠层的每个网格的相对光照强度；S3、获取树冠层的三维点云数据，进行三维重建，并得到所述每个网格的颜色值；S4、根据所述树冠层的每个网格相对光照强度和所述每个网格的颜色值建立所述树冠层的光照分布预测模型。本发明提出了基于三维点云颜色特征的苹果树冠层光照分布计算方法，达到了快速、准确计算苹果树冠层光照分布的效果。

Description

树冠层光照分布预测模型构建方法及光照分布检测方法

技术领域

本发明属于图像处理技术领域，特别涉及一种树冠层光照分布预测模型构建方法及光照分布检测方法。

背景技术

树冠层光照分布是优化果树株型，提升生产潜力的重要途径之一。合理有效地利用光能，优化果树冠层内的光照分布，对果树的生长发育和果实品质的形成具有重要的意义。其中叶幕稳定期的光照分布研究，对于指导果树的整形修剪、提升果实产量与品质具有重要意义。因此如何快速解析叶幕稳定期树冠层空间的光照分布情况具有重要的探索价值。

传统树冠光照测量方法是采用冠层分析仪，以“底视法”形式拍摄果树冠层的全天空照片，分析光斑、透光率等指标，来描述穿透辐射形式的太阳光照分布情况；冠层获取的太阳光照通常采用将冠层网格化的方法，使用光照度计测定果树冠层内每个测光点的光照分布。不足之处是信息获取速度较慢。近年来，在植物冠层三维形态分析基础上，开展了大量的植物冠层空间光能分布的研究。Campbell曾将比尔定律应用于三维冠层光辐射分布的研究，提出了冠层光照分布的指数递减模型；基于冠层的异质性，Jackson等利用数学模拟的方法，计算不同纬度、一年内不同时间、不同定植方式对冠层三维空间内光照分布的影响；但在上述数学模型中，由于受到外界测定条件的影响，常以一些基本假设为前提，例如假设叶片是双向漫反射体等。王锡平、劳彩莲应用三维数字化仪重建了植物冠层三维形态，通过模拟太阳直射光计算光照在冠层空间中的分布，不易表征真实光照分布。

发明内容

基于上述问题，本发明提供一种树冠层光照分布预测模型构建方法及光照分布检测方法，提出了基于三维点云颜色特征的苹果树冠层光照分布计算方法，达到了快速、准确计算苹果树冠层光照分布的效果，为科学合理地果树修剪和整形提供技术支撑。

针对上述目的，本发明提供一种树冠光照分布计算方法，包括：

S1、对树冠层进行网格划分；

S2、获取所述树冠层的每个网格的相对光照强度；

S3、获取树冠层的三维点云数据，进行三维重建，并得到所述每个网格的颜色值；

S4、根据所述树冠层的每个网格相对光照强度和所述每个网格的颜色值建立所述树冠层的光照分布预测模型；

所述步骤S3具体包括：

测量并获取所述树冠层的具有颜色信息的三维点云数据并进行三维重建，将重建后的图形根据所述树冠层的网格对所述重建后的图形进行对应的网格划分，获得所述每个网格的颜色点云集，并根据所述颜色点云集得到所述每个网格的颜色值。

其中，所述步骤S2具体包括：

对所述树冠层的每个网格进行光照度测量，并测定所述树冠层的外部空间的光照度，将所述每个网格的光照度分别与所述外部空间的光照度的比值作为所述每个网格的相对光照度。

其中，对所述树冠层的每个网格进行光照度测量，具体包括：

设置与网格划分中的每层的网格数量相同的光照度传感器，每个所述传感器的位置对应于一个网格，所有光照度传感器位于同一个水平面中，同时测量每一层的每个网格的光照度。

其中，所述三维点云数据通过三维激光扫描仪测量。

其中，所述步骤4具体包括：

构建模糊逻辑的神经网络，根据所述神经网络建立所述树冠层的相对光照强度和所述每个网格的颜色值之间的关系模型，得到所述树冠层光照分布预测模型，并反演得到所述树冠层光照分布。

其中，所述步骤S4还包括：

通过所述步骤S2获得的相对光照度对所述树冠层光照分布预测模型进行训练。

其中，通过将所述激光扫描仪设置为从顶部向下扫描所述树冠层来获取所述树冠层的三维点云数据。

其中，所述步骤S3还包括：根据所述颜色点云得到颜色值，具体包括：

将所述颜色点云转换到HIS颜色空间，并得到HIS颜色空间的颜色值。

根据本发明的另一个方面，提供一种树冠层光照分布检测方法，其特征在于，所述方法包括：

对待测树冠层进行网格划分；

获取所述待测树冠层的三维点云数据，并根据待测树冠层划分的网格得到所述待测树冠层的每个网格的颜色值；

基于所述待测树冠层的每个网格的颜色值，根据所述树冠层光照分布预测模型构建方法构建的树冠层光照分布预测模型，得到所述待测树冠层的光照分布。

本发明提供的一种树冠层光照分布预测模型构建方法及光照分布检测方法，通过利用地面激光扫描仪，采用“顶视法”获取苹果树冠层具有颜色信息的苹果树冠层三维结构形态，具有精确、快速的优点；并且以光照强度与彩色图像中表现的颜色特征具有相关性为理论前提，提出了基于三维点云颜色特征的苹果树冠层光照分布计算方法，达到了快速、准确计算苹果树冠层光照分布的效果。

附图说明

图1示出了本发明的一种树冠层光照分布预测模型构建方法的流程图。

图2示出了本发明的成熟期树冠层三维点云示意图。

图3示出了本发明的三维冠层分层效果图。

图4示出了本发明的模型训练效果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的一个实施例提供了一种树冠层光照分布预测模型构建方法。

图1示出了本发明的一种树冠层光照分布预测模型构建方法的流程图。

参照图1，本发明的树冠层光照分布预测模型构建方法具体包括：

S1、对树冠层进行网格划分；

S2、获取所述树冠层的每个网格的相对光照强度；

在本实施例中，相对光照强度的测定是构建光照分布预测模型的重要步骤，是模型的输入参数及预测目标。具体地，步骤S2为：将被测的树冠层空间进行网格划分，对每个网格进行光照度测量，同时测定所述被测树冠层空间外部的光照度，将所述每个网格的光照度分别与所述外部光照度的比值作为每个所述网格的相对光照度。

其中，对每个网格进行光照度测量，包括：

设置与网格划分中的每层的网格数量相同的光照度传感器，并且每个传感器的位置对应于一个网格，所有的光照度传感器位于同一个水平面中，同时测量每一层的每个网格的光照度。

S3、获取树冠层的三维点云数据，进行三维重建，并根据所述网格得到每个所述网格的点云颜色值；

具体地，获取具有颜色信息的三维点云并进行三维重建，将三维重建后的图像根据所述网格划分进行网格划分，输出颜色点云，将所述颜色点云转换到HIS颜色空间，并得到HIS颜色空间的颜色值。

在上述过程中，通过将所述激光扫描仪设置为从顶部向下扫描所述树冠层来获取所述树冠层的三维点云数据。

S4、根据所述冠层的相对光照强度和三维点云建立树冠层光照分布预测模型，并反演得到所述树冠层光照分布。

具体地：构建TS模糊逻辑的神经网络，基于上述神经网络，根据所述冠层的相对光照强度和所述点云颜色值建立所述相对光照强度与所述点云颜色值之间的训练关系，建立所述树冠层光照分布预测模型。

在本发明的实施例中，步骤S2和S3可以互换，也可以同步进行。

另外，在建立树冠层光照分布预测模型后，还通过对预测模型的各项指标进行计算以评价该预测模型的性能。

在本发明的另一个实施例中，提供了一种根据上述树冠层光照分布预测模型进行树冠层光照分布的检测方法，具体包括：

对待测树冠层进行网格划分；

获取所述待测树冠层的三维点云数据，并根据待测树冠层划分的网格得到所述待测树冠层的每个网格的颜色值；

基于所述待测树冠层的每个网格的颜色值，根据树冠层的光照分布预测模型，得到所述待测树冠层的光照分布。

以下通过具体实施例详细地介绍本发明的树冠层分布计算方法的过程。

在一个具体实施例中，为评价树冠层空间光照分布情况，以树干为中心，首先用细铁丝将处理样本的冠层空间进行网格划分。依据处理样本冠层的实际大小，冠层空间均被划分为5个层，每层6个网格，每个网格为40cm×40cm×40cm的立方体。

由于外界自然光强度具有随着时间及天气变化的特性，为了能够快速获取冠层空间不同网格内同一时刻的相对光照强度，本实施例设置了光照度传感器节点，依据划分的网格数量，该节点设定为可同时连接6个光照度传感器，并将其固定于不易弯曲的矩形铝板上，传输线定制为4米，将自主开发的光照度采集软件安装于笔记本移动终端中，通过该软件实现多个光照度传感器节点数值的同步采集。测量时，随着树冠层空间高度的变化，铝板两端人为抬起或是通过其他器械抬升，由预先放置的水平仪作为参考，保证铁板保持水平，以其获取更为精确的光照度值。测定时，每个网格随机取3个点进行测量，并取得平均值，同时测定外界的光照强度，求得二者比值作为该网格分区的相对光照强度值。

苹果树冠层三维点云数据获取方式采用“顶视法”。“顶视法”是指从冠顶至冠底的一种观测角度，可较大程度避免在地面以不同观测角度解析光照分布的复杂特性。为了能够实现基于“顶视法”的树冠层扫描，实验装置包括三大部分：轨道、三脚架及水平臂。轨道长6米，三脚架高度可调整至4米，水平臂可延伸至2.5米。实验过程中，轨道摆放平整，三脚架可在轨道上平滑移动，水平臂用于倒置安放Trimble TX5型三维激光扫描仪。采用该方法获取的具有颜色特征的冠层群体三维点云数据如图2所示。

利用Trimble TX5型三维激光扫描仪获取具有颜色信息的三维点云数据，在配套软件Trimble Realworks中完成配准拼接工作、手动去除无效点云、保留目标点云，完成目标物三维重建工作；然后依据实际树冠层的网格划分方法，利用软件逐层切割功能完成树冠层网格划分，依次输出对应点云集，点云RGB颜色值转换到HIS颜色空间，如图3所示；最后建立颜色值与对应冠层网格相对光照强度值的关系模型。

为了建立颜色值与对应网格相对光照度的关系模型，本实施例构建一种TS模糊逻辑、参数可调整的神经网络，作为树冠层光照分布预测模型。

基于Tkagi-Sugneo模糊逻辑系统的标准前馈模糊神经网络(FuzzyNeural Network,FNN)结构共有5层，相邻两层之间的连接都有对应一个权值。各层描述如下：

(1)输入层：该层有n个结点直接与输入向量x＝[x₁…x_n]^T连接，将输入值x传递到下一层。

(2)模糊化层：若每个输入变量均定义有m歌模糊集合，则此层共有n×m个结点，分为n组，每组m个结点。第i组的m个结点输入都是xi，其输出分别是各输入量输入输出模糊集合的隶属度函数它代表xi的第j个模糊集合，通常采用高斯函数为其隶属度函数。表示为：

${\mathrm{\μ}}_i^j\left(x_i\right)=\exp [-{\left(\frac{x_i-c_i^j}{b_i^j}\right)}^2]$

式中，为隶属度函数的中心；为隶属度函数的宽度。

(3)规则层：每个结点代表一条模糊规则，用于匹配模糊规则前件，表征规则的使用度：

${\mathrm{\ω}}^j={\mathrm{\μ}}_1^j\left(x_1\right){\mathrm{\μ}}_2^j\left(x_2\right)\·\·\·{\mathrm{\μ}}_m^j\left(x_m\right)={\mathrm{\Π}}_{i=1}^n{\mathrm{\μ}}_i^j\left(x_i\right)$

(4)去模糊层:实现归一化计算，即

$p^j=\frac{{\mathrm{\ω}}^j}{{\mathrm{\Σ}}_{j=1}^m{\mathrm{\ω}}^j}$

(5)输出层：使用加权平均计算网络输出，即

$y={\mathrm{\Σ}}_{j=1}^m\left(p^j{h}^j\right)$

式中， $h^j=p_0^j+p_1^j{x}_1^j+\·\·\·p_n^j{x}_n.$

将上述TS模糊逻辑、参数可调整的神经网络，作为树冠层光照分布预测模型。

本实施例中，利用Trimble TX5型三维激光扫描仪配套的TrimbleRealworks三维点云处理软件，模拟实际冠层空间划分，按照设定高度分割三维点云冠层空间，各层用不同颜色表示，提取冠层每一层三维点云，导出对应RGB颜色信息，并转化到HIS颜色空间，以此作为TS模糊神经网络的输入。同步测量对应网格的相对光照强度值作为网络的输出。

TS模糊神经网络模型结构需要依据实际问题设计，输入节点数由输入特征维数确定，输出节点数由分类维数确定。选择HIS颜色空间作为输入，即输入层节点数为3；由此计算得到模糊化层节点数为9；规则层节点数为9；去模糊层节点数为27；由于输出值为相对光照强度值，输出层为一维模式，其节点数为1；因此网络结构为3-9-9-27-1型。定义目标精度为0.0001，学习速度0.9，惯性系数0.4，最大学习次数100000。

选择冠层510个网格对应三维网格中的颜色值及实际相对光照强度值作为训练样本，剩余30个网格作为预测样本，将训练样本输入模型，按照设定的网络结果训练网络，图4示出了本发明的实施例的模型训练结果示意图，从图4可以看出，网络在训练77092次时收敛，且达到了定义的目标精度0.0001。

求解均方根误差RMSE(Root Mean Square Error)、平均绝对百分比误差MAPE(Mean Absolute Percentage Error)、平均预测误差MFE(Mean Forecast Error)等指标评价该预测模型的性能。其中RMSE的值为0.2257，MAPE的值为0.1994，MFE的值为0.1943，模型预测精度为80.57％，模型达到了较高的精度，因此该模型可以作为有效的基于三维点云颜色特征的光照分布预测模型。通过该模型，可以在测定树冠层的颜色值的情况下，得到树冠层的光照分布。

本发明提供的一种树冠层光照度计算方法，利用地面激光扫描仪，采用“顶视法”获取苹果树冠层三维结构形态，具有精确、快速的优点，利用三维点云颜色计算光照分布的方法在国内外未见相关研究报道，且该方法计算精度较高，为苹果树冠层的光照分布计算提供了一种崭新的计算模式。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (9)

1.一种树冠层光照分布预测模型构建方法，其特征在于，包括：

S1、对树冠层进行网格划分；

S2、获取所述树冠层的每个网格的相对光照强度；

S3、获取树冠层的三维点云数据，进行三维重建，并得到所述每个网格的颜色值；

S4、根据所述树冠层的每个网格相对光照强度和所述每个网格的颜色值建立所述树冠层的光照分布预测模型；

其中，所述步骤S3具体包括：

测量并获取所述树冠层的具有颜色信息的三维点云数据并进行三维重建，将重建后的图形根据所述树冠层的网格对所述重建后的图形进行对应的网格划分，获得所述每个网格的颜色点云集，并根据所述颜色点云集得到所述每个网格的颜色值。

2.如权利要求1所述的树冠层光照分布预测模型构建方法，其特征在于，所述步骤S2具体包括：

对所述树冠层的每个网格进行光照度测量，并测定所述树冠层的外部空间的光照度，将所述每个网格的光照度分别与所述外部空间的光照度的比值作为所述每个网格的相对光照度。

3.如权利要求2所述的树冠层光照分布预测模型构建方法，其特征在于，对所述树冠层的每个网格进行光照度测量，具体包括：

设置与网格划分中的每层的网格数量相同的光照度传感器，每个所述传感器的位置对应于一个网格，所有光照度传感器位于同一个水平面中，同时测量每一层的每个网格的光照度。

4.如权利要求1所述的树冠层光照分布预测模型构建方法，其特征在于，所述三维点云数据通过三维激光扫描仪测量。

5.如权利要求1所述的树冠层光照分布预测模型构建方法，其特征在于，所述步骤4具体包括：

构建模糊逻辑的神经网络，根据所述神经网络建立所述树冠层的相对光照强度和所述每个网格的颜色值之间的关系模型，得到所述树冠层光照分布预测模型，并反演得到所述树冠层光照分布。

6.如权利要求5所述的树冠层光照分布预测模型构建方法，其特征在于，所述步骤S4还包括：

通过所述步骤S2获得的相对光照度对所述树冠层光照分布预测模型进行训练。

7.如权利要求4所述的树冠层光照分布预测模型构建方法，其特征在于，通过将所述激光扫描仪设置为从顶部向下扫描所述树冠层来获取所述树冠层的三维点云数据。

8.如权利要求1所述的树冠层光照分布预测模型构建方法，其特征在于，所述步骤S3还包括：根据所述颜色点云得到颜色值，具体包括：

将所述颜色点云转换到HIS颜色空间，并得到HIS颜色空间的颜色值。

9.一种树冠层光照分布检测方法，其特征在于，所述方法包括：

对待测树冠层进行网格划分；

获取所述待测树冠层的三维点云数据，并根据待测树冠层划分的网格得到所述待测树冠层的每个网格的颜色值；

基于所述待测树冠层的每个网格的颜色值，根据所述权利要求1-8任一项所述的树冠层光照分布预测模型构建方法构建的树冠层光照分布预测模型，得到所述待测树冠层的光照分布。