CN106969730B - 一种基于无人机探测技术的果树树冠体积测量方法 - Google Patents

Abstract

本发明属于果树种植技术领域，特别是一种基于无人机探测技术的果树树冠体积的测量方法，该方法包括以下步骤，步骤1：获得果树树冠的遮挡体积补偿系数，步骤2：将无人机移动到正对树木中心上方的位置，步骤3：分别采集各超声波测距传感器与地面或树冠之间的垂直距离和果树树冠的俯视图像，步骤4：对符合|h_i‑h_‑i|＝0条件的对应传感器进行标记，步骤5：对CCD相机(1)采集所得的果树树冠的俯视图像进行分割，运用Matlab 2015a对采集图像进行滤波、图像分割、二值化、形态学处理，对树冠最大横截面进行分割并求取图像中单个像素点所对应的实际面积与长度，步骤6：建立平面直角坐标系，步骤7：构造树木轮廓拟合曲线，步骤8：求得果树树冠体积。

Description

一种基于无人机探测技术的果树树冠体积测量方法

技术领域

本发明属于果树种植技术领域，特别是一种基于无人机探测技术的果树树冠体积的测量方法。

背景技术

果树树冠体积的大小是决定喷洒药量的重要依据，根据果树树冠差异来进行变量喷雾可以起到节省农药、保护环境的效用，因此果树树冠体积的测量在果园精准农业中具有十分重要的地位。

传统的手工测量方法采用卷尺、测高仪等测绘工具来获得冠径、树高等树冠尺寸，依据几何公式来求得树木的树冠体积。该方法成本不高、原理简单，但准确性易受测量者的主观影响。在传感器自动测量中，随着激光测量技术的发展，已有不少研究者将激光三维扫描技术运用于果树树冠体积测量中，并取得了良好的效果。这些研究多根据扫描所得到的激光点阵对果树形状进行反演，然后依据切片、数字高程模型等方法对树冠进行体积计算，其测量结果较为精确。然而这种测量方法需多位布点来获取大量三维点云数据，操作流程较为复杂，使得测量、数据处理时间较长，在实际应用中不具备实时性。Tumbo.S.D等按照一定距离竖直放置多个超声波测距传感器，进行水平扫描后根据回传数据计算单个传感器位置上的树冠半径，根据积分方法求得果树树冠体积。该方法要求测量时地面水平、拖拉机行驶速度均匀且沿直线行走，然而果园土地一般坑洼较多，且拖拉机为驾驶员人工操作，车辆行驶速度很难达到均匀、行驶方向也不易与树行绝对平行，因此很难满足测量要求。丁为民等通过机器视觉技术，在标定相机的前提下对获取的果树树冠图片进行图像处理，并根据实验获取树冠面积与体积的相关关系模型，从而求得果树树冠体积。该方法操作方便、具有一定的准确度，但实际应用中，果园树木行列之间间距较短，CCD相机难以采集到完整的果树树冠图像，且机身晃动容易导致图像模糊、畸变，从而致使树冠体积的测量无法进行。因此，上述测量方法均难以在果园精细化管理中进行运用。

随着科学技术的高速发展，无人机已逐渐走入我国的植物保护领域，轻型植保无人机具有自由度高、节省农药和提升农药附着率等优点，同时，无人机遥感技术在农业和林业方面获得一定进展，陈荻、田振坤等提出无人机遥感技术获取的遥感图像具有分辨率高、数据采集成本较低等优点。但无人机遥感所针对的多是成片作物绿量而非单个作物树冠体积，对于精准农业而言，其信息量大而笼统，图像分辨率较低，测量结果不够精确，且无人机获取遥感图像需具有一定的飞行高度，而植保无人机进行喷雾作业时需低空飞行，二者相互冲突、不能同时进行；若依据地面测量所得的树冠体积进行变量喷雾，则必须增加地面与航空之间的通讯装置，导致整套系统过于繁琐，这样不仅降低了作业效率、限制了无人机的作业范围，而且可能产生严重的延迟现象。

因此，如何在保证作业精度的前提下，提出一种能与无人机变量喷雾相结合的树木树冠体积测量技术，一直是果树种植领域亟待解决的问题。

发明内容

本发明的目的是，针对现有变量喷雾技术中果树树冠体积测量方法实时性较差、应用场合受到限制等问题，提出一种基于无人机探测技术的果树树冠体积实时测量方法。

本发明的目的是通过以下技术方案实现的：

基于无人机探测技术的果树树冠体积实时测量方法，在无人机搭载的三轴稳定云台上设置CCD相机1，并在无人底部设置有相互垂直的横轴2和纵轴3，在横轴2和纵轴3上挂载有超声波测距传感器，其中，在三轴稳定云台两侧对称布置的横轴2上分别由内向外依次布置有超声波测距传感器H₁～H₅和H_-1～H_-5，在三轴稳定云台另外两侧对称布置的纵轴3上分别布置有超声波测距传感器Z₁和Z_-1，超声测距传感器H₁与H_-1，Z₁与Z_-1之间分别相距60cm，超声波测距传感器H₁～H₅的各个传感器之间以及超声波测距传感器H_-1～H_-5的各个传感器之间相隔30cm布置；

该方法包括以下步骤：

步骤1：获得果树树冠的遮挡体积补偿系数

选择果园外侧树行的六棵同品种果树作为样本，控制无人机采集所选取果树树冠的侧面图像，对所采集的六张果树树冠的侧面图像分别进行图像处理，标记果树树冠的最大冠径L_m，求得以该最大冠径L_m为分界线划分出的果树树冠的上、下侧面积之比由于果树树冠的侧面积与体积的对数lnV之间具有线性相关性，即得出V₁与V₂的对应关系：遮挡体积补偿系数 对六棵样本树的遮挡体积补偿系数p_i(i＝1,2……6)求算数平均值：得出最终果树树冠的遮挡体积补偿系数p；

步骤2：将无人机移动到正对树木中心上方的位置；

步骤3：分别采集各超声波测距传感器与地面或树冠之间的垂直距离和果树树冠的俯视图像；

关闭位于无人机纵轴3上的超声波测距传感器Z₁、Z_-1，除了步骤2中已经开启的位于横轴2最靠近三轴稳定云台的超声波测距传感器H₁、H_-1，进一步开启位于无人机横轴2上的超声波测距传感器H₂～H₅、H_-2～H_-5，开启位于三轴稳定云台上的CCD相机1，此时，CCD相机1的镜头主光轴与地面垂直；

通过位于横轴2的各超声波测距传感器测出各超声波测距传感器与地面或树冠之间的垂直距离h_i和h_-i(i＝1、2、3、4、5)；同时通过CCD相机1获取果树树冠的俯视图像，CCD相机1采集所得的图像要求树冠需至少占图像面积1/2；

步骤4：从最外侧超声波测距传感器测量数值h₅、h_-5开始，由外向内，对符合|h_i-h_-i|＝0条件的对应传感器进行标记；

步骤5：对CCD相机1采集所得的果树树冠的俯视图像进行分割，运用Matlab 2015a对采集图像进行滤波、图像分割、二值化、形态学处理，对树冠最大横截面进行分割并求取图像中单个像素点所对应的实际面积与长度，具体包括以下步骤：

步骤51：对步骤3采集的果树树冠的俯视图像进行中值滤波处理，选取的处理模板大小为5×5的矩阵，去除图像噪点；运用imresize算法对图像进行等比缩放，缩放比例为1:0.1；

步骤52：运用超绿算法对彩色图像进行灰度化处理，突出果树树冠；运用Ostu法获取最佳分割阈值并实现树冠与背景区域的图像分割，获取树冠投影，实现对图像的二值化处理；

步骤53：运用形态学处理中的开运算、bwareaopen算法，去除图片孤立区域，最后运用imfill算法对包围孔洞进行填充，完成图像形态学处理；

步骤54：运用bwarea函数遍历图像，统计出灰度值为1的像素数量，并运用regionprops函数获取二值图像的当量直径L₁所占像素数量m₁，运用find函数寻找图像(位于图像中部)中实际冠径L₀所占像素数量m₂；

步骤55：求取图像中单个像素点所对应的实际面积与长度：选用200mm×200mm的深色硬纸当做标定物，采用自动对焦模式，将镜头焦距固定为25mm，距白纸1000mm进行第一次拍照，之后每次拍摄向外侧移动200mm，连续取样30张，经过Matlab进行图像处理得到在每个采样距离下白纸所占像素量，进一步计算得到在不同采样距离下的像素所对应的实际面积、实际长度，将试验中每个树冠对应的在不同采样距离下所得到的像素所代表实际面积、实际长度与采样距离带入Matlab中，用最小二乘法建立单位像素所代表的实际面积S、实际长度L与采样距离q之间的函数关系：S＝f(q)，L＝g(q)，采样距离q为相机镜头与标定物之间的距离；

步骤6：建立平面直角坐标系

以无人机中心位置为坐标原点，搭载超声波测距传感器H₁～H₅和H_-1～H_-5的横轴2为x轴，相机主光轴为y轴建立平面直角坐标系，对每个采样点以坐标原点到超声波测距传感器的水平距离为横坐标，以超声波测距传感器的测量数据为纵坐标；

步骤7：构造树木轮廓拟合曲线

构造树木轮廓拟合曲线，将步骤4中未标记的传感器H_i对应采样点的坐标带入Matlab的拟合程序，运用交叉验证法进行多项式阶数确定，并基于最小二程法进行曲线拟合，从而构造树木轮廓的拟合曲线：x＝h(y)，其中x为拟合曲线横坐标，y为拟合曲线纵坐标；

步骤8：求得果树树冠体积

步骤7中得到树木轮廓拟合曲线x＝h(y)；

x₁、x₂为y取某一定值y_n(y_min≤y_n≤y_max)时，函数x＝h(y)的两个解，|x₁-x₂|亦为实际冠径，即|x₁-x₂|＝L₀；

步骤55中得到的单位像素的实际长度L与采样距离q之间的函数关系L＝g(q)，从而得出实际冠径的表达式m₂g(y)＝L₀；

将以上三式进行联立：

联立以上三式解得CCD相机1到树冠最大横截面的距离y_S；

代入步骤55中得到的单位像素所代表的实际面积S与采样距离q之间的函数关系：S＝f(q)，得出

树冠投影实际面积S₀＝f(y_s)m₁；

当量圆面积S₁＝π(L1)²/4，其中，L₁为当量直径长度，由于树冠投影实际面积S₀与当量圆面积相等，因此：

树心冠径长L₀＝g(y_s)m₂，带入与树形相应的遮挡体积补偿系数p，对被遮挡部分的漏测体积进行修正，结合图像处理结果采用下式求得体积：

L₀＝g(y_s)m₂

t＝L₁/L₀

其中，L₁为图像当量直径，L₀为图像实际冠径，t为图像当量直径与图像实际冠径比；V₁为无人机测得体积，V₂为遮挡部分体积，V为经过补偿处理后的树木树冠体积；p为遮挡体积补偿系数；y_min等于CCD相机1到树冠最大横截面的距离y_s,y_max为树冠轮廓拟合曲线顶点对应的y值。

在步骤1中，拍摄图片时，控制无人机的三轴稳定云台向果树树冠方向旋转，使CCD相机1的镜头主光轴与地面保持平行，所得图像包括完整的果树树冠且树冠至少占整个图像面积的1/2。

在步骤2中，控制无人机水平悬停在待检测的一棵树木上方，超声波测距传感器的探头的主光轴与地面垂直，开启位于横轴2最靠近三轴稳定云台的超声波测距传感器H₁、H_-1以及位于纵轴3上的超声波测距传感器Z₁、Z_-1，并获取各传感器的测量数据:h₁、h_-1、z₁、z_-1，其中，hi、zi分别表示相应超声波测距传感器到达地面或果树树冠的距离；

判定无人机是否正对树木中心的上方的标准是：|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，其中，h₀为沿无人机横轴方向高度偏差的接受范围，z₀为沿无人机纵轴方向高度偏差的接受范围；

若|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，则认定无人机正对树木中心；否则判定为偏离树木中心，进行如下步骤：

判定h_i(i＝1、-1)中较小值所在方向，认定h_i(i＝1、-1)中较小值所在方向为树木中心所在方向，控制无人机沿无人机横轴2向该方向移动的距离；判定z_i(i＝1、-1)中较小值所在方向，认定z_i(i＝1、-1)中较小值所在方向即为树木中心所在方向，控制无人机沿无人机纵轴3向该方向移动的距离；

无人机移动之后继续通过|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀进行判断，直到满足|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀。

步骤53中，bwareaopen算法中，阈值定为750个像素点。

h₀和z₀根据树木顶端的平滑程度进行设定，取值范围在0.05m-0.2m之间。

本发明的有益效果在于：

本发明以植保无人机为运载装置，通过遥控无人机飞、停至指定区域，对超声波测距传感器、CCD相机的回传数据进行处理，获取树冠最大横截面面积、树冠纵切面外围轮廓曲线，结合提前测得的果树树冠遮挡体积补偿系数来计算树冠体积。与现有技术相比，本发明具有以下几个优点：

1)结合图像处理技术与超声波测距传感器获取遮挡体积补偿系数、自动找正树心，增加了测量结果的准确性。

2)无人机悬停测量，避免了地面扫描过程中由于果园土地不平整而引发的传感器晃动的问题，使得传感器在进行测量时不受地域限制，其结果更加稳定可靠。

3)本发明提供的果树树冠体积测量方法处理速度快，实时性好，能满足果园实时变量喷雾的需求。

附图说明

图1是本发明的树冠体积测量原理示意图；

图2是本发明的无人机拍摄树冠侧面示意图；

图3是本发明的超声波测距传感器排列示意图；

图4是本发明的最大冠径图像处理示意图；

图5是本发明的垂直投影图像处理示意图；

图6是本发明的树冠垂直实际冠径与当量直径示意图；

图7是本发明的树冠轮廓拟合曲线示意图。

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。

如图3所示，本发明采用四旋翼无人机，无人机的三轴稳定云台上设置一部具有1200万像素的CCD相机1，CCD相机1在初始状态下，其镜头朝向地面，镜头主光轴与地面垂直，无人机的下部挂载有相互垂直的横轴2和纵轴3，在横轴2和纵轴3上挂载有超声波测距传感器。优选地，所述超声波测距传感器选用KS102超声波测距传感器，测量范围为0.8-6m。其中，在三轴稳定云台两侧对称布置的横轴2上分别由内向外依次布置有超声波测距传感器H₁～H₅和H_-1～H_-5，在三轴稳定云台另外两侧对称布置的纵轴3上分别布置有超声波测距传感器Z₁和Z_-1，如图3所示，其中，H₁和H_-1为横轴2上最靠近三轴稳定云台的超声波测距传感器，H₅和H_-5为横轴2上最远离三轴稳定云台的超声波测距传感器。为防止超声波测距传感器之间距离过近产生相互干扰，超声波测距传感器H₁与H_-1、Z₁与Z_-1之间分别相距60cm，超声波测距传感器H₁～H₅的各个传感器之间以及超声波测距传感器H_-1～H_-5的各个传感器之间相隔30cm布置。

本发明的基于无人机探测技术的果树树冠体积实时测量方法，是通过采集一定数量的果树侧面图像进而获取遮挡体积补偿系数，通过树心识别将无人机正对树冠中心，采用搭载的超声波测距传感器、CCD相机分别获取树木的超声波数据与图像信息，分别对超声波数据与图像进行处理分析，得出树木轮廓拟合曲线与树冠最大横截面面积，最后运用积分法求得树冠体积，具体包括以下步骤：

步骤1：获得果树树冠的遮挡体积补偿系数

如图2所示，选择果园外侧树行的六棵同品种果树作为样本，其树冠形态、大小应尽量包括果园中该品种果树不同的形态与大小；控制无人机采集所选取果树树冠的侧面图像。拍摄图片时，控制无人机起飞，控制无人机的三轴稳定云台向果树树冠方向旋转，使CCD相机1的镜头主光轴与地面保持平行，用无人机在树木侧面采集图像，所得图像需包括完整的果树树冠且树冠至少占整个图像面积的1/2；通过所得图像基于最大冠径进行图像分割处理，其结果如图4所示。

对所采集的六张树冠侧面图像分别进行图像处理。标记果树树冠的最大冠径L_m，最大冠径上部白色区域为可测得的果树树冠，其侧面积为S₁；下部为被遮挡的果树树冠，其侧面积为S₂，求得以该果树树冠的最大冠径L_m为分界线划分出的果树树冠的上、下的侧面积之比由于果树树冠侧面积与体积的对数lnV之间具有线性相关性，即(k值根据丁为民《基于机器视觉的果树树冠体积测量方法研究论文》中的方法经过经现场试验后确定，如一般纺锤形果树为0.66，疏散分层型果树为0.42)，得出V₁与V₂的对应关系：遮挡体积补偿系数对六棵样本树的遮挡体积补偿系数p_i(i＝1,2……6)求算数平均值：得出最终果树树冠的遮挡体积补偿系数p。

步骤2：将无人机移动到正对树木中心上方的位置

控制无人机水平悬停在待检测的一棵树木上方，超声波测距传感器的探头的主光轴与地面垂直。开启位于横轴2最靠近三轴稳定云台的超声波测距传感器H₁、H_-1以及位于纵轴3上的超声波测距传感器Z₁、Z_-1，并获取各传感器的测量数据:h₁、h_-1、z₁、z_-1。其中，h_i、z_i分别表示相应超声波测距传感器到达地面或树木树冠的距离，如图1所示。

进行树冠中心检测，在本发明的方法，适用于树冠是相对对称的情况。树冠中心检测利用树木顶端圆弧形的特点，通过检测对应的超声波测距传感器h₁、h_-1和z₁、z_-1的回传数据的差值大小，判断植保无人机是否位于正对树木中心的上方。

判定无人机是否正对树木中心的上方的标准是：|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，其中，h₀为沿无人机横轴方向高度偏差的接受范围，z₀为沿无人机纵轴方向高度偏差的接受范围，h₀和z₀根据树木顶端的平滑程度进行设定，取值范围在0.05m-0.2m之间。

若|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，则认定无人机正对树木中心；否则判定为偏离树木中心，进行如下步骤：

判定h_i(i＝1、-1)中较小值所在方向，认定h_i(i＝1、-1)中较小值所在方向为树木中心所在方向，控制无人机沿横轴2向该方向移动的距离；判定z_i(i＝1、-1)中较小值所在方向，认定z_i(i＝1、-1)中较小值所在方向即为树木中心所在方向，控制无人机沿纵轴3向该方向移动的距离。

无人机移动之后继续通过|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀进行判断，直到满足|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀。

步骤3：分别采集各超声波测距传感器与地面或树冠之间的垂直距离和果树树冠的俯视图像

关闭位于纵轴3上的超声波测距传感器Z₁、Z_-1，除了步骤2中已经开启的位于横轴2最靠近三轴稳定云台的超声波测距传感器H₁、H_-1，进一步开启位于横轴2上的超声波测距传感器H₂～H₅、H_-2～H_-5，开启位于三轴稳定云台上的CCD相机1。此时，CCD相机1的镜头主光轴与地面垂直。

通过位于横轴2的各超声波测距传感器测出各超声波测距传感器与地面或树冠之间的垂直距离h_i和h_-i(i＝1、2、3、4、5)；同时通过CCD相机1获取果树树冠的俯视图像。CCD相机1采集所得的图像要求树冠需至少占图像面积1/2。

步骤4：从最外侧超声波测距传感器测量数值h₅、h_-5开始，由外向内，对符合|h_i-h_-i|＝0条件的对应传感器Hi进行标记。

步骤5：对CCD相机1采集所得的果树树冠的俯视图像进行分割，运用Matlab 2015a对采集图像进行滤波、图像分割、二值化、形态学处理，对树冠最大横截面进行分割并求取图像中单个像素点所对应的实际面积与长度，具体包括以下步骤：

步骤51：对步骤3中采集的果树树冠的俯视图像进行中值滤波处理，选取的处理模板大小为5×5的矩阵，去除图像噪点，防止对后续步骤造成干扰；由于图像数据量较大，容易产生延迟现象，因此运用imresize算法对图像进行等比缩放，缩放比例为1:0.1；

步骤52：运用超绿算法对彩色图像进行灰度化处理，突出果树树冠；运用Ostu法获取最佳分割阈值并实现树冠与背景区域的图像分割，获取树冠投影，实现对图像的二值化处理；

步骤53：运用形态学处理中的开运算、bwareaopen算法(阈值定为750个像素点)，去除图片孤立区域，最后运用imfill算法对包围孔洞进行填充，完成图像形态学处理，处理结果如图5所示，为分割完成后的图像，可见目标树冠得到较好的分割提取；

步骤54：此时所得图像灰度值只有0与1，目标图像灰度值为1，背景灰度值为0，运用bwarea函数遍历图像，统计出灰度值为1的像素数量，并运用regionprops函数获取二值图像的当量直径L₁所占像素数量m₁，运用find函数寻找图像(位于图像中部)中实际冠径L₀所占像素数量m₂，所得结果如图6所示，其中白色部分为果树树冠投影，圆形轮廓线为与果树树冠投影的面积相等的当量圆。

步骤55：求取图像中单个像素点所对应的实际面积与长度：选用200mm×200mm的深色硬纸当做标定物，采用自动对焦模式，将镜头焦距固定为25mm，距白纸1000mm进行第一次拍照，之后每次拍摄向外侧移动200mm，连续取样30张，经过Matlab进行图像处理得到在每个采样距离下白纸所占像素量，进一步计算得到在不同采样距离下的像素所对应的实际面积、实际长度，将试验中每个树冠对应的在不同采样距离下所得到的像素所代表实际面积、实际长度与采样距离带入Matlab中，用最小二乘法建立单位像素所代表的实际面积S、实际长度L与采样距离q之间的函数关系：S＝f(q)，L＝g(q)，采样距离q为相机镜头与标定物之间的距离。

步骤6：建立平面直角坐标系

以无人机中心位置为坐标原点，搭载超声波测距传感器H₁～H₅和H_-1～H_-5的横轴2为x轴，相机主光轴为y轴建立平面直角坐标系，对每个采样点以坐标原点到超声波测距传感器的水平距离为横坐标，以超声波测距传感器的测量数据为纵坐标。

步骤7：构造树木轮廓拟合曲线

构造树木轮廓拟合曲线，将步骤4中未标记的传感器H_i对应采样点的坐标带入Matlab的拟合程序，运用交叉验证法进行多项式阶数确定，并基于最小二程法进行曲线拟合，从而构造树木轮廓的拟合曲线：x＝h(y)，其中x为拟合曲线横坐标，y为拟合曲线纵坐标；对超声波测距传感器测量值进行处理后的树冠轮廓拟合曲线如图7所示，其中曲线a为拟合轮廓线，曲线b为树木原轮廓。

步骤8：求得果树树冠体积

步骤7中得到树木轮廓拟合曲线x＝h(y)；

x₁、x₂为y取某一定值y_n(y_min≤y_n≤y_max)时，函数x＝h(y)的两个解，由图7可知，|x₁-x₂|亦为实际冠径，即|x₁-x₂|＝L₀；

步骤55中得到的单位像素的实际长度L与采样距离q之间的函数关系L＝g(q)，从而得出实际冠径的表达式m₂g(y)＝L₀；

将以上三式进行联立：

联立以上三式解得CCD相机1到树冠最大横截面的距离y_S；

代入步骤55中得到的单位像素所代表的实际面积S与采样距离q之间的函数关系：S＝f(q)，得出

树冠投影实际面积S₀＝f(y_s)m₁；

当量圆面积S₁＝π(L₁)²/4，其中，L₁为当量直径长度，由于树冠投影实际面积S₀与当量圆面积相等，因此：

实际冠径L₀＝g(y_s)m₂，带入与树形相应的遮挡体积补偿系数p，对被遮挡部分的漏测体积进行修正，结合图像处理结果采用下式求得体积：

L₀＝g(y_s)m₂

t＝L₁/L₀

其中，L₁为图像当量直径，L₀为图像实际冠径，t为图像当量直径与图像实际冠径比系数；V₁为无人机测得体积，V₂为遮挡部分体积，V为经过补偿处理后的树木树冠体积；p为遮挡体积补偿系数；y_min等于CCD相机1到树冠最大横截面的距离y_s,y_max为树冠轮廓拟合曲线顶点对应的y值。

Claims (4)

1.基于无人机探测技术的果树树冠体积实时测量方法，在无人机搭载的三轴稳定云台上设置CCD相机(1)，并在无人底部设置有相互垂直的横轴(2)和纵轴(3)，在横轴(2)和纵轴(3)上挂载有超声波测距传感器，其中，在三轴稳定云台两侧对称布置的横轴(2)上分别由内向外依次布置有超声波测距传感器H₁～H₅和H_-1～H_-5，在三轴稳定云台另外两侧对称布置的纵轴(3)上分别布置有超声波测距传感器Z₁和Z_-1，超声测距传感器H₁与H_-1，Z₁与Z_-1之间分别相距60cm，超声波测距传感器H₁～H₅的各个传感器之间以及超声波测距传感器H_-1～H_-5的各个传感器之间相隔30cm布置；

其特征在于：该方法包括以下步骤：

步骤1：获得果树树冠的遮挡体积补偿系数

选择果园外侧树行的六棵同品种果树作为样本，控制无人机采集所选取果树树冠的侧面图像，拍摄图片时，控制无人机的三轴稳定云台向果树树冠方向旋转，使CCD相机(1)的镜头主光轴与地面保持平行，所得图像包括完整的果树树冠且树冠至少占整个图像面积的1/2；对所采集的六张果树树冠的侧面图像分别进行图像处理，标记果树树冠的最大冠径L_m，求得以该最大冠径L_m为分界线划分出的果树树冠的上、下侧面积之比由于果树树冠的侧面积与体积的对数lnV之间具有线性相关性，即得出V₁与V₂的对应关系：遮挡体积补偿系数对六棵样本树的遮挡体积补偿系数p_i(i＝1,2……6)求算数平均值：得出最终果树树冠的遮挡体积补偿系数p；

步骤2：将无人机移动到正对树木中心上方的位置；

步骤3：分别采集各超声波测距传感器与地面或树冠之间的垂直距离和果树树冠的俯视图像；

关闭位于无人机纵轴(3)上的超声波测距传感器Z₁、Z_-1，除了步骤2中已经开启的位于横轴(2)最靠近三轴稳定云台的超声波测距传感器H₁、H_-1，进一步开启位于无人机横轴(2)上的超声波测距传感器H₂～H₅、H_-2～H_-5，开启位于三轴稳定云台上的CCD相机(1)，此时，CCD相机(1)的镜头主光轴与地面垂直；

通过位于横轴(2)的各超声波测距传感器测出各超声波测距传感器与地面或树冠之间的垂直距离h_i和h_-i(i＝1、2、3、4、5)；同时通过CCD相机(1)获取果树树冠的俯视图像，CCD相机(1)采集所得的图像要求树冠需至少占图像面积1/2；

步骤4：从最外侧超声波测距传感器测量数值h₅、h_-5开始，由外向内，对符合|h_i-h_-i|＝0条件的对应传感器进行标记；

步骤5：对CCD相机(1)采集所得的果树树冠的俯视图像进行分割，运用Matlab 2015a对采集图像进行滤波、图像分割、二值化、形态学处理，对树冠最大横截面进行分割并求取图像中单个像素点所对应的实际面积与长度，具体包括以下步骤：

步骤51：对步骤3采集的果树树冠的俯视图像进行中值滤波处理，选取的处理模板大小为5×5的矩阵，去除图像噪点；运用imresize算法对图像进行等比缩放，缩放比例为1:0.1；

步骤52：运用超绿算法对彩色图像进行灰度化处理，突出果树树冠；运用Ostu法获取最佳分割阈值并实现树冠与背景区域的图像分割，获取树冠投影，实现对图像的二值化处理；

步骤53：运用形态学处理中的开运算、bwareaopen算法，去除图片孤立区域，最后运用imfill算法对包围孔洞进行填充，完成图像形态学处理；

步骤54：运用bwarea函数遍历图像，统计出灰度值为1的像素数量，并运用regionprops函数获取二值图像的当量直径L₁所占像素数量m₁，运用find函数寻找图像(位于图像中部)中实际冠径L₀所占像素数量m₂；

步骤55：求取图像中单个像素点所对应的实际面积与长度：选用200mm×200mm的深色硬纸当做标定物，采用自动对焦模式，将镜头焦距固定为25mm，距白纸1000mm进行第一次拍照，之后每次拍摄向外侧移动200mm，连续取样30张，经过Matlab进行图像处理得到在每个采样距离下白纸所占像素量，进一步计算得到在不同采样距离下的像素所对应的实际面积、实际长度，将试验中每个树冠对应的在不同采样距离下所得到的像素所代表实际面积、实际长度与采样距离带入Matlab中，用最小二乘法建立单位像素所代表的实际面积S、实际长度L与采样距离q之间的函数关系：S＝f(q),L＝g(q)，采样距离q为相机镜头与标定物之间的距离；

步骤6：建立平面直角坐标系

以无人机中心位置为坐标原点，搭载超声波测距传感器H₁～H₅和H_-1～H_-5的横轴(2)为x轴，相机主光轴为y轴建立平面直角坐标系，对每个采样点以坐标原点到超声波测距传感器的水平距离为横坐标，以超声波测距传感器的测量数据为纵坐标；

步骤7：构造树木轮廓拟合曲线

构造树木轮廓拟合曲线，将步骤4中未标记的传感器H_i对应采样点的坐标带入Matlab的拟合程序，运用交叉验证法进行多项式阶数确定，并基于最小二程法进行曲线拟合，从而构造树木轮廓的拟合曲线：x＝h(y)，其中x为拟合曲线横坐标，y为拟合曲线纵坐标；

步骤8：求得果树树冠体积

步骤7中得到树木轮廓拟合曲线x＝h(y)；

x₁、x₂为y取某一定值y_n(y_min≤y_n≤y_max)时，函数x＝h(y)的两个解，|x₁-x₂|亦为实际冠径，即|x₁-x₂|＝L₀；

步骤55中得到的单位像素的实际长度L与采样距离q之间的函数关系L＝g(q)，从而得出实际冠径的表达式m₂g(y)＝L₀；

将以下 三式进行联立：

联立以上三式解得CCD相机1到树冠最大横截面的距离y_S；

代入步骤55中得到的单位像素所代表的实际面积S与采样距离q之间的函数关系：S＝f(q)，得出

树冠投影实际面积S₀＝f(y_s)m₁；

当量圆面积S₁＝π(L₁)²/4，其中，L₁为当量直径长度，由于树冠投影实际面积S₀与当量圆面积相等，因此：

树心冠径长L₀＝g(y_s)m₂，带入与树形相应的遮挡体积补偿系数p，对被遮挡部分的漏测体积进行修正，结合图像处理结果采用下式求得体积：

L₀＝g(y_s)m₂

t＝L₁/L₀

其中，L₁为图像当量直径，L₀为图像实际冠径，t为图像当量直径与图像实际冠径比；V₁为无人机测得体积，V₂为遮挡部分体积，V为经过补偿处理后的树木树冠体积；p为遮挡体积补偿系数；y_min等于CCD相机(1)到树冠最大横截面的距离y_s,y_max为树冠轮廓拟合曲线顶点对应的y值。

2.根据权利要求1所述的基于无人机探测技术的果树树冠体积实时测量方法，其特征在于：

在步骤2中，控制无人机水平悬停在待检测的一棵树木上方，超声波测距传感器的探头的主光轴与地面垂直，开启位于横轴(2)最靠近三轴稳定云台的超声波测距传感器H₁、H_-1以及位于纵轴(3)上的超声波测距传感器Z₁、Z_-1，并获取各传感器的测量数据:h₁、h_-1、z₁、z_-1，其中，h_i、z_i分别表示相应超声波测距传感器到达地面或果树树冠的距离；

判定无人机是否正对树木中心的上方的标准是：|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，其中，h₀为沿无人机横轴方向高度偏差的接受范围，z₀为沿无人机纵轴方向高度偏差的接受范围；

若|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀，则认定无人机正对树木中心；否则判定为偏离树木中心，进行如下步骤：

判定h_i(i＝1、-1)中较小值所在方向，认定h_i(i＝1、-1)中较小值所在方向为树木中心所在方向，控制无人机沿无人机横轴(2)向该方向移动的距离；判定z_i(i＝1、-1)中较小值所在方向，认定z_i(i＝1、-1)中较小值所在方向即为树木中心所在方向，控制无人机沿无人机纵轴(3)向该方向移动的距离；

无人机移动之后继续通过|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀进行判断，直到满足|h₁-h_-1|≤h₀且|z₁-z_-1|≤z₀。

3.根据权利要求1所述的基于无人机探测技术的果树树冠体积实时测量方法，其特征在于：

步骤53中，bwareaopen算法中，阈值定为750个像素点。

4.根据权利要求2所述的基于无人机探测技术的果树树冠体积实时测量方法，其特征在于：

h₀和z₀根据树木顶端的平滑程度进行设定，取值范围在0.05m-0.2m之间。