CN107507207B - 一种基于果树冠层光照分布计算的修剪评价方法 - Google Patents
一种基于果树冠层光照分布计算的修剪评价方法 Download PDFInfo
- Publication number
- CN107507207B CN107507207B CN201710552767.9A CN201710552767A CN107507207B CN 107507207 B CN107507207 B CN 107507207B CN 201710552767 A CN201710552767 A CN 201710552767A CN 107507207 B CN107507207 B CN 107507207B
- Authority
- CN
- China
- Prior art keywords
- tree
- canopy
- pruning
- illumination intensity
- fruit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 87
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 79
- 238000013138 pruning Methods 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006641 stabilisation Effects 0.000 claims abstract description 17
- 238000011105 stabilization Methods 0.000 claims abstract description 17
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 235000009508 confectionery Nutrition 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000029553 photosynthesis Effects 0.000 claims description 4
- 238000010672 photosynthesis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 1
- 235000011430 Malus pumila Nutrition 0.000 description 18
- 235000015103 Malus silvestris Nutrition 0.000 description 18
- 244000141359 Malus pumila Species 0.000 description 15
- 238000009966 trimming Methods 0.000 description 9
- 239000002420 orchard Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 241000894007 species Species 0.000 description 4
- 241000220225 Malus Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 244000182264 Lucuma nervosa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Forests & Forestry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Wood Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Cultivation Of Plants (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于果树冠层光照计算的修剪评价方法。该方法包括：在修剪评价当年的前N年中的任两年的每一年，在对样本树和待测树进行相同的春季修剪发芽后，取得样本树冠层三维点云数据在不同位置立方体网格内的计盒维数和叶幕稳定期该样本树每个所述立方体网格内的光照强度或相对光照强度，建立数学模型；通过该数学模型预测修剪评价当年待测树的叶幕稳定期光照强度或相对光照强度分布结果，评价果树是否合理修剪。该方法具有快速、便捷、计算方法合理、精确度较高，并适宜自动化编程实现的优点，还可大大提高作业效率，降低作业人员劳动强度。
Description
技术领域
本发明涉及基于果树冠层光照计算并利于该结果进行的修剪评价方法。
背景技术
果树整形修剪，作为综合管理实施中的一项重要技术，受到广大果农和科技工作者的普遍重视。它在很大程度上能合理调节果树生长与结果的关系，影响产量和品质的形成，是取得优质高效树形结构的主要技术手段，修剪还能为各项田间操作提供方便条件。
通过科学合理的整形修剪,能重新调节果树营养物质和激素的分配与运输、积累与消化，改变果树与周围环境的关系，调节果树各个部分之间的平衡关系，能使果树充分利用空间和光能结出质量好、受市场欢迎的果实。由于果树修剪具有不可逆性，果树修剪的“度”的把握至关重要。常规的果树修剪好坏一般根据果农的经验来确定，并用叶幕稳定期果树冠层的光照情况、果品的质量来衡量。由于修剪操作往往需要几个月甚至更长时间才能看到修剪的作用和影响，限制了用户对修剪技术效果的评估。一次错误的修剪往往带来不可弥补的损失，亟待一种可以在春季对修剪后或者正在修剪的果树给予评价性的方法，可以有效的评价春季的修剪效果。随着果园机械化设备的研究发展，果树修剪评价方法是有效地评价机械设备的初修剪和精修剪效果的标准。
目前，自动化修剪技术的研究尚处于开始阶段，在藤蔓类作物修剪机器人系统和树木剪枝优化方法研究上取得了一些进展，但在果园修剪评价方面尚且没有成型的技术或者方法，主要依靠农场主经验来判断修剪的好坏。
发明内容
针对现有技术中存在果树整形修剪缺乏有效的评判方法的问题，本发明的目的在于提供一种基于果树冠层光照计算的修剪评价方法，以解决果树是否合理修剪的评价问题。该方法利用一定的算法通过春季剪枝后的果树冠层结构的计盒维数可以快速方便地预测出果树叶幕稳定期光照分布情况。该设计方法精确度较高，并适宜自动化编程实现。利用预测出的果树叶幕稳定期光照分布情况，可以很好地评价果树是否合理修剪。
为达到以上目的，本发明采取的技术方案是：
一种基于果树冠层光照计算的修剪评价方法，包括如下步骤：
使用样本树的数据建立模型和利用该模型对待测树的修剪效果进行评价的步骤，样本树与待测树为田间管理方式、树种、树龄和树形相同或相似的果树，
所述使用样本树的数据建立模型包括如下步骤：
在修剪评价当年的前N年(N≥2)中的任两年，
其中较早的一年，在对样本树和待测树进行相同的春季修剪，发芽后，取得样本树冠层三维点云数据在不同位置的边长为L1的立方体网格C1内(即将样本树冠层划分成若干边长为L1的立方体网格)的计盒维数D1，和叶幕稳定期该样本树每个所述立方体网格C1内的光照强度II1或相对光照强度RII1，作为一个数据组1，
其中较晚的一年，在对样本树和待测树进行相同的春季修剪，发芽后，取得同一样本树冠层三维点云数据在不同位置的边长为L2的立方体网格C2内(即将样本树冠层划分成若干边长为L2的立方体网格)的计盒维数D2，和叶幕稳定期该样本树每个所述立方体网格C2内的光照强度II2或相对光照强度RII2，作为一个数据组2，
以数据组1和数据组2中任一个数据组作为训练集，以另一个数据组作为测试集(如以数据组1为训练集、数据组2为测试集；或以以数据组2为训练集、数据组1为测试集；考虑气候的影响，树生长也是一个动态的过程这两个因素，相邻两年的数据效果好一些。如果不是连续的数据也可以，但是效果差一些)，建立以冠层三维点云数据在立方体网格内的计盒维数为输入项，以叶幕稳定期冠层在立方体网格内的光照强度或相对光照强度为输出项的数学模型，
所述利用该模型对待测树的修剪效果进行评价包括如下步骤：
在修剪评价当年，在对样本树和待测树进行相同的春季修剪，发芽后，取得样本树冠层三维点云数据在不同位置的边长为L3的立方体网格C3内(即将样本树冠层划分成若干边长为L3的立方体网格)的计盒维数D3，作为输入项代入所述数学模型中，输出样本树叶幕稳定期在立方体网格C3内的光照强度II3或相对光照强度RII3；
根据已知的叶幕稳定期冠层光照强度或相对光照强度的分布情况与待测树所属树种目标性状(如：果实产量或品质等)之间的关系，评价样本树修剪评价当年的修剪效果(以进一步调整修剪)，即待测树的修剪效果。
在上述基于果树冠层光照计算的修剪评价方法中，所述立方体网格的划分方法为：选取果树(即实际检测的目标树如样本树)最下面的一根主枝为基准点，以水平面为基准面，从基准面开始每隔一定距离(如L1、L2或L3)将果树冠层划分为平行于基准面的水平层，垂直于基准面沿着方向a和方向b每隔一定距离(如L1、L2或L3)分别将冠层划分；
所述方向a与所述方向b为相互垂直的两个方向；
所述方向a为果树光合作用最好的时段太阳光或其它光源照射果树的方向。
本申请实施例1中方向a为南北向，方向b为东西向。因为树木生长过程中向阳的一面，比不向阳的一面要枝繁叶茂一些，最明显的就是南面的枝叶比的北面枝叶要繁茂，光照接受能力不同。因此，网格按照南北-东西向划分有益于提高预测精度。
在上述基于果树冠层光照计算的修剪评价方法中，L3＝(1～1.2)L2＝(1～1.2)(1～1.2)L1，具体可为L3＝L2＝L1；
L1、L2和L3分别为300—500mm；由于果树的冠层每年会有生长，因此在果树生长的不同年份，立方体网格的边长可适当延长。试验中发现，L1、L2和L3为500mm～300mm均可，超过500mm模型效果不显著。
和/或，树冠层每个立方体网格内的相对光照强度为树冠层每个立方体网格内的光照强度与该树冠层所有立方体网格内的光照强度中最大值的比值；
和/或，所述冠层三维点云数据利用地面三维激光扫描仪获取；
和/或，叶幕稳定期冠层光照强度或相对光照强度的测定时间应为果树光合作用最好的时段，如本申请申请实施例1中具体为晴天上午10点—下午3点。
在上述基于果树冠层光照计算的修剪评价方法中，所述计盒维数的计算方法包括：将树冠层不同位置的立方体网格内的三维点云数据投影于基准面上，得到任意切片的二维图，将二维图依次进行二值化、卷积和边缘提取，计算得到计盒维数。
在上述基于果树冠层光照计算的修剪评价方法中，所述二值化利用Bernsen算子进行，并设定图像区域与划分网格区域对应。
在上述基于果树冠层光照计算的修剪评价方法中，所述卷积优选为高斯卷积。(高斯卷积适用于消除噪声，本申请中的三维点云数据一些小噪声可以利用该方法消除，优于其他方法。滤波尺度具体可为5×5σ，σ＝1。)
在上述基于果树冠层光照计算的修剪评价方法中，所述边缘提取利用Candy算子进行。(相对于三维点云数据这类噪声比较多的数据，Candy算子在提取边缘时，在提高对边缘敏感性的同时，还抑制了噪声。与其他算子相比性能较好。)
在上述基于果树冠层光照计算的修剪评价方法中，所述数学模型为PSO-SVM模型，即选择C-支持向量分类(C-SVC)模型，通过粒子群优化算法(PSO)寻找最佳核函数及参数。
在上述基于果树冠层光照计算的修剪评价方法中，所述最佳核函数为径向基(RBF)核函数，(其中，RBF核函数的degree参数设置为3，RBF核函数中的coef0参数设置为0)
所述参数为惩罚函数c值和RBF核函数中的g参数设置。
在上述基于果树冠层光照计算的修剪评价方法中，在建立数学模型前，为了简化数据处理，还包括对数据组1和2进行如下处理：
定义阈值A为果树冠层顶层不受枝叶遮挡的立方体网格内的相对光照强度的下限值；(具体可为80％，见实施例1)
删除冠层立方体网格内的相对光照强度大于该阈值A所对应的数据；
和/或，定义阈值B为与待测树所属树种目标性状之间存在相关性的果树冠层立方体网格内的相对光照强度的下限值；(当所述待测树为苹果树时，阈值B可为30％，见实施例1)
将果树冠层网格内相对光照强度小于或等于阈值A且大于或等于阈值B的数据记为标记2(实施例1中记为2)，将果树冠层网格内相对光照强度小于阈值B的数据记为标记1(实施例1记为1)。
另外，本发明还提供了一种果树修剪后预测其叶幕稳定期冠层光照分布的方法，包括如下步骤：根据上述任一所述基于果树冠层光照计算的修剪评价方法，得到所述样本树叶幕稳定期在立方体网格C3内的光照强度II3或相对光照强度RII3，即得到待测树在修剪后叶幕稳定期冠层光照分布。
本发明保护所述方法在评价果树修剪效果中的应用。
本发明所述果树具体可为苹果树。
本发明所述的基于果树冠层光照计算的修剪评价方法，与现有技术相比，优点如下：
1、本发明的基于果树冠层光照计算的修剪评价方法根据春季发芽后的任意果树冠层三维点云数据可以快速、便捷的设计网格大小的冠层区间，并能预测出网格内在叶幕稳定期时的光照分布情况，可以满足对春季修剪的测评。
2、本发明的基于果树冠层光照计算的修剪评价方法设计的计算方法合理，适宜自动化编程实现，可提高作业效率，降低作业人员劳动强度。
附图说明
图1为基于苹果树冠层光照计算的修剪评价方法流程图。
图2为三维扫描仪获取的样本树的三维点云数据。
图3为苹果树冠层空间网格划分方法。
图4为将样本树冠层三维点云数据进行计算得到计盒维数。
图5为光照测量系统。
图6为使用光照测量系统测量冠层光照。
图7为确定模型最优后的运行结果。
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做进一步详细说明。
实施例1、基于苹果树冠层光照计算的修剪评价
相同管理模式下的果园，树种和树龄、树形相同(相似)的苹果树为一组。每组苹果树任选一棵树记做样本树，除样本树之外的苹果树记做待测树。
果园中待测树的修剪评价以样本树为准。
在实施过程中，利用样本树相邻两年的数据，第二年以第一年的数据为参照来评价修剪后的光照情况。
如图1所示，基于苹果树冠层光照计算的修剪评价按照如下步骤进行：
一、修剪评价当年(2016年)的前两年(2014年)
在田间建立样本树，果园所有果树进行春季修剪发芽后，按照如下步骤S1-S7计算出样本树各网格的计盒维数，记做D(Xi,Yj,Zk)train：
S1、利用地面三维激光扫描仪获取苹果树冠层三维点云数据(图2)，即冠层三维点云坐标(xi,yi,zi)；
S2、将冠层三维点云数据划分成网格(cellgrid)，即三维点云数据按照cellgrid切块，网格的划分方法如下：
苹果树冠层按照东西、南北方向划分网格。选取苹果树最下面的一根主枝为基准点，水平面为基准面，从基准面开始每隔400mm将果树冠层划分为平行于基准面的水平层，从距离地面依次记录为Z1，Z2，Z3，Z4，Z5。垂直于基准平面沿着东西向和南北向每隔400mm分别将冠层划分，依次记录为Y1，Y2，Y3，Y4，Y5，Y6；X1，X2，X3，X4，X5，X6。相应的网格记录为XiYjZk(i＝1，2，3，4，5，6；j＝1，2，3，4，5，6；k＝1,2，3，4，5)，其中X1Y1Z1在苹果树树冠西北角的第一层，如图3所示。
S3、分别提取每个网格XiYjZk的三维点云数据，XiYjZk网格中任意第r点数据记做
其在基准面上的投影记做
每个XiYjZk网格中所有点在基准面上的投影记做
S4、利用Bernsen算子计算投影
的二值化图像，记做
并设定该图像区域M×M为400×400；
S5、对二值化图像
进行高斯卷积，滤波尺度为5×5σ，σ＝1，得到
计算方法为：
S6、利用Candy算子对
边缘提取，得到
S7、
为欧式空间的非空有界子集，像素点覆盖法计算该子集的计盒维数DXiYjZk，计算方法为：
S7.1、以边长为m的正方形覆盖图像
即图像分成m×m数据块矩阵，m依次按照m＝1,2,4,…2t大小划分为若干块，直到m≤200，统计非零矩阵的块数，记做N(m)；
S7.2、以N(m)和m组成的数据对在双对数坐标中画点，进行最小二乘法拟合，若线性相关，则线性相关的斜率记为网格XiYjZk的计盒维数D(Xi,Yj,Zk)。如图4所示，其中，图a为苹果树冠层三维点云数据，图b为冠层三维点云数据水平切割图(从下到上依次为Z1-Z5)，图c为冠层三维点云数据任意水平层(图中Z3层)X和Y方向切割图，图d为c图任意一立方体网格点云数据在基准平面的投影图，图e为投影二值化图，图f为投影边缘检测图，图g为该小块三维点云数据的计盒维数，该图为双对数坐标图，横轴为边长的倒数，纵轴为盒数量。
S8、8月份(即果树叶幕稳定期)连续3-4个晴天上午10点至下午3点，按照图5的光照测量系统按图6所示测量样本树每个网格的光照强度，每个网格测量三次记录取平均值，记做II(Xi,Yj,Zk)，然后按照如下步骤S8.1-S8.3计算获得样本树各网格的相对光照强度，记做RII(Xi,Yj,Zk)train：
S8.1、各网格的相对光照强度RII(Xi,Yj,Zk)的计算方法为：
式(3)中，IImax(Xi,Yj,Zk)为II(Xi,Yj,Zk)中的最大值；
S8.2、RII(Xi,Yj,Zk)计入RII(Xi,Yj,Zk)train，计算方法如下：
RII(Xi,Yj,Zk)＞80％，记为3，30％≤RII(Xi,Yj,Zk)≤80％，记为2，RII(Xi,Yj,Zk)＜30％，记为1。
S8.3、删除RII(Xi,Yj,Zk)被记为3的数据和对应网格的D(Xi,Yj,Zk)，剩余RII(Xi,Yj,Zk)为样本树相对光照强度测试集RII(Xi,Yj,Zk)train，剩余D(Xi,Yj,Zk)为样本树计盒维数测试集D(Xi,Yj,Zk)train，即数据组1。
二、修剪评价当年的前一年(2015年)
S9、果园所有果树进行同样的春季修剪，发芽后，按照步骤一中S1-S7的方法计算出样本树各网格的计盒维数。
再按照S8的方法获得样本树相对光照强度测试集RII(Xi,Yj,Zk)test和样本树计盒维数测试集D(Xi,Yj,Zk)test，即数据组2。
S10、PSO-SVM数学模型建立
使用RII(Xi,Yj,Zk)train和D(Xi,Yj,Zk)train作为训练集，RII(Xi,Yj,Zk)test和D(Xi,Yj,Zk)test作为测试集，按照如下方法建立PSO-SVM模型：
将D(Xi,Yj,Zk)train、RII(Xi,Yj,Zk)train、D(Xi,Yj,Zk)test输入PSO-SVM模型(即选择C-支持向量分类(C-SVC)模型，通过粒子群优化算法(PSO)寻找最佳核函数及参数)中，进行训练和测试，输出结果为RII(Xi,Yj,Zk)test2015。将RII(Xi,Yj,Zk)test2015(模型预测值)与RII(Xi,Yj,Zk)test(真值)进行对比。发现核函数不同，准确率和决定系数均不同，其中径向基(RBF)核函数准确率和决定系数最高，结果如表1所示。因此本实施例采用的核函数为RBF核函数。其中，RBF核函数的degree参数设置为3，RBF核函数中的coef0参数设置为0，惩罚函数c值和RBF核函数中的g参数设置由粒子群优化算法(PSO)寻优(精度最大)确定。
S11.确定模型最优后，运行结果，见图7，图中圆圈代表RII(Xi,Yj,Zk)test2015，星形代表RII(Xi,Yj,Zk)test，当圆圈和星形重合时说明预测值和真值是吻合的。2014年数据对2015年预测的准确率为77.027％。
表1
| 核函数 | 准确率(分类) | 决定系数R<sup>2</sup> |
| Linear(线性函数) | 76.351％(113/148) | 0.61 |
| Polynomial(多项式函数) | 75.676％(112/148) | 0.57 |
| RBF(径向核函数) | 77.027％(114/148) | 0.64 |
| Sigmoid(型函数) | 74.324％(110/148) | 0.60 |
三、修剪评价当年(2016年)
果园所有果树进行同样的春季修剪，发芽后，按照步骤一中S1-S7的方法计算出样本树各网格的计盒维数D(Xi,Yj,Zk)2016。
将D(Xi,Yj,Zk)2016作为输入项代入步骤二的数学模型中，得到样本树冠层各网格内相对光照强度预测值。数值2越多说明修剪效果越好。即待测树的修剪效果与样本树相同。在修剪过程中按照预测值指导修剪工作是否完成，如果预测值不满足对苹果品质的要求，则继续对样本树修剪。如果预测值满足对苹果品质的要求，则停止对样本树修剪。同时根据样本树的修剪方式，对待测树进行同样修剪。
本发明的基于苹果树冠层光照分布计算的修剪评价方法是通过上述计算方法实现的。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于果树冠层光照计算的修剪评价方法，包括如下步骤：
使用样本树的数据建立模型和利用该模型对待测树的修剪效果进行评价的步骤，样本树与待测树为田间管理方式、树种、树龄和树形均相同或相似的果树，
所述使用样本树的数据建立模型包括如下步骤：
在修剪评价当年的前N年中的任两年，
其中较早的一年，在对样本树和待测树进行相同的春季修剪，发芽后，取得样本树冠层三维点云数据在不同位置的边长为L1的立方体网格C1内的计盒维数D1，和叶幕稳定期该样本树每个所述立方体网格C1内的光照强度II1或相对光照强度RII1，作为一个数据组1，
其中较晚的一年，在对样本树和待测树进行相同的春季修剪，发芽后，取得同一样本树冠层三维点云数据在不同位置的边长为L2的立方体网格C2内的计盒维数D2，和叶幕稳定期该样本树每个所述立方体网格C2内的光照强度II2或相对光照强度RII2，作为一个数据组2，
以数据组1和数据组2中任一个数据组作为训练集，以另一个数据组作为测试集，建立以冠层三维点云数据在立方体网格内的计盒维数为输入项，以叶幕稳定期冠层在立方体网格内的光照强度或相对光照强度为输出项的数学模型，
所述利用该模型对待测树的修剪效果进行评价包括如下步骤：
在修剪评价当年，在对样本树和待测树进行相同的春季修剪，发芽后，取得样本树冠层三维点云数据在不同位置的边长为L3的立方体网格C3内的计盒维数D3，作为输入项代入所述数学模型中，输出样本树叶幕稳定期在立方体网格C3内的光照强度II3或相对光照强度RII3；
根据已知的叶幕稳定期冠层光照强度或相对光照强度的分布情况与待测树所属树种目标性状之间的关系，评价样本树修剪评价当年的修剪效果，即待测树的修剪效果。
2.如权利要求1所述的基于果树冠层光照计算的修剪评价方法，其特征在于：
所述立方体网格的划分方法为：选取果树最下面的一根主枝为基准点，以水平面为基准面，从基准面开始每隔一定距离将果树冠层划分为平行于基准面的水平层，垂直于基准面沿着方向a和方向b每隔一定距离分别将冠层划分；
所述方向a与所述方向b为相互垂直的两个方向；
所述方向a为果树光合作用最好的时段太阳光或其它光源照射果树的方向。
3.如权利要求1或2所述的基于果树冠层光照计算的修剪评价方法，其特征在于：L3是L2的1到1.2倍，L2是L1的1到1.2倍，并且L1、L2和L3的取值范围为300—500mm；
和/或，树冠层每个立方体网格内的相对光照强度为树冠层每个立方体网格内的光照强度与该树冠层所有立方体网格内的光照强度中最大值的比值；
和/或，所述冠层三维点云数据利用地面三维激光扫描仪获取；
和/或，叶幕稳定期冠层光照强度或相对光照强度的测定时间应为果树光合作用最好的时段。
4.如权利要求1或2所述的基于果树冠层光照计算的修剪评价方法，其特征在于：所述计盒维数的计算方法包括：将树冠层不同位置的立方体网格内的三维点云数据投影于基准面上，得到任意切片的二维图，将二维图依次进行二值化、卷积和边缘提取，计算得到计盒维数。
5.如权利要求4所述的基于果树冠层光照计算的修剪评价方法，其特征在于：所述二值化利用Bernsen算子进行，并设定图像区域与划分网格区域对应；
和/或，所述卷积优选为高斯卷积；
和/或，所述边缘提取利用Candy算子进行。
6.如权利要求1或2所述的基于果树冠层光照计算的修剪评价方法，其特征在于：所述数学模型为PSO-SVM模型，即选择C-支持向量分类模型，通过粒子群优化算法寻找最佳核函数及参数。
7.如权利要求6所述的基于果树冠层光照计算的修剪评价方法，其特征在于：所述最佳核函数为径向基核函数，
所述参数为惩罚函数c值和RBF核函数中的g参数设置。
8.如权利要求1或2所述的基于果树冠层光照计算的修剪评价方法，其特征在于：在建立数学模型前，为了简化数据处理，还包括对数据组1和2进行如下处理：
定义阈值A为果树冠层顶层不受枝叶遮挡的立方体网格内的相对光照强度的下限值；删除冠层立方体网格内的相对光照强度大于该阈值A所对应的数据；
和/或，定义阈值B为与待测树所属树种目标性状之间存在相关性的果树冠层立方体网格内的相对光照强度的下限值；
将果树冠层网格内相对光照强度小于或等于阈值A且大于或等于阈值B的数据记为标记2，将果树冠层网格内相对光照强度小于阈值B的数据记为标记1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710552767.9A CN107507207B (zh) | 2017-07-07 | 2017-07-07 | 一种基于果树冠层光照分布计算的修剪评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710552767.9A CN107507207B (zh) | 2017-07-07 | 2017-07-07 | 一种基于果树冠层光照分布计算的修剪评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507207A CN107507207A (zh) | 2017-12-22 |
| CN107507207B true CN107507207B (zh) | 2020-09-08 |
Family
ID=60679887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710552767.9A Active CN107507207B (zh) | 2017-07-07 | 2017-07-07 | 一种基于果树冠层光照分布计算的修剪评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507207B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272553A (zh) * | 2018-09-03 | 2019-01-25 | 刘庆飞 | 用于棉花顶心摘除的定位方法、控制器及摘除装置 |
| CN109168724B (zh) * | 2018-10-15 | 2021-08-13 | 江门市百树源苗木有限公司 | 一种育苗系统及方法 |
| CN110249886B (zh) * | 2019-06-27 | 2022-04-22 | 云南省热带作物科学研究所 | 一种检验芒果树修剪合格的方法 |
| CN111275067B (zh) * | 2019-09-19 | 2022-08-02 | 成都理工大学 | 一种基于高度相关的垃圾分类方法 |
| CN111127312B (zh) * | 2019-12-25 | 2023-08-22 | 武汉理工大学 | 一种复杂物体点云提取圆的方法及扫描装置 |
| CN112991424B (zh) * | 2021-04-07 | 2024-02-13 | 重庆大学 | 一种基于八叉树算法的分形维数计算方法及装置 |
| CN114324253A (zh) * | 2021-12-09 | 2022-04-12 | 宁夏农林科学院园艺研究所(宁夏设施农业工程技术研究中心) | 一种葡萄叶幕透光率的测量方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
| CN104915982A (zh) * | 2015-05-15 | 2015-09-16 | 中国农业大学 | 树冠层光照分布预测模型构建方法及光照分布检测方法 |
| WO2015149302A1 (zh) * | 2014-04-02 | 2015-10-08 | 中国科学院自动化研究所 | 基于点云与数据驱动的树木模型重建方法 |
| CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧（宁夏）科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
-
2017
- 2017-07-07 CN CN201710552767.9A patent/CN107507207B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
| WO2015149302A1 (zh) * | 2014-04-02 | 2015-10-08 | 中国科学院自动化研究所 | 基于点云与数据驱动的树木模型重建方法 |
| CN104915982A (zh) * | 2015-05-15 | 2015-09-16 | 中国农业大学 | 树冠层光照分布预测模型构建方法及光照分布检测方法 |
| CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧（宁夏）科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507207A (zh) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507207B (zh) | 一种基于果树冠层光照分布计算的修剪评价方法 | |
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| Hui et al. | Image-based dynamic quantification and high-accuracy 3D evaluation of canopy structure of plant populations | |
| Stajnko et al. | Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging | |
| Whitehead et al. | Architectural distribution of foliage in individual Pinus radiata D. Don crowns and the effects of clumping on radiation interception | |
| CN106372730B (zh) | 利用机器学习的植被净初级生产力遥感估算方法 | |
| CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
| Yang et al. | Canopy structure and light interception partitioning among shoots estimated from virtual trees: comparison between apple cultivars grown on different interstocks on the Chinese Loess Plateau | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| Tang et al. | Light interception efficiency analysis based on three-dimensional peach canopy models | |
| Stephan et al. | Light interception and partitioning between shoots in apple cultivars influenced by training | |
| CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
| CN108122224B (zh) | 一种测算树冠郁闭度的系统 | |
| Yang et al. | Modeling canopy photosynthesis and light interception partitioning among shoots in bi-axis and single-axis apple trees (Malus domestica Borkh.) | |
| CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
| CN113920106B (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
| CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
| Guo et al. | Apple tree canopy leaf spatial location automated extraction based on point cloud data | |
| CN111191543A (zh) | 油菜产量估测方法 | |
| Wall et al. | Evaluation of easily measured stand inventory parameters as predictors of PAR transmittance for use in poplar silvopastoral management | |
| Xiao et al. | The Importance of Using Realistic 3D Canopy Models to Calculate Light Interception in the Field | |
| CN116645604A (zh) | 一种果树冠层光效评价方法及应用 | |
| Wang et al. | Extraction of Jujube Planting Areas in Sentinel-2 Image Based on NDVI Threshold—A case study of Ruoqiang County | |
| Tong et al. | An image-based system for locating pruning points in apple trees using instance segmentation and RGB-D images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |