CN109816680B - 一种农作物株高的高通量计算方法 - Google Patents
一种农作物株高的高通量计算方法 Download PDFInfo
- Publication number
- CN109816680B CN109816680B CN201811558608.0A CN201811558608A CN109816680B CN 109816680 B CN109816680 B CN 109816680B CN 201811558608 A CN201811558608 A CN 201811558608A CN 109816680 B CN109816680 B CN 109816680B
- Authority
- CN
- China
- Prior art keywords
- crop
- point cloud
- image
- canopy
- color
- 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
Images
Abstract
本发明提供一种农作物株高的高通量计算方法,该方法包括采集农作物样本群的彩色图像、红外图像和深度图像。将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像。根据具有颜色信息的点云图像,提取农作物冠层三维点云。根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。本发明实施例能够快速精确地计算群体农作物中每一盆作物的株高,实现了自然环境下对农作物株高的高通量计算,与传统株高测量方法利用直尺、手持式激光测距仪等设备手动测量冠层最高点到植株根部的垂直长度相比,更加快速简便。与网络摄像机远程表型测量方法相比,提高了农作物株高测量的精确度。
Description
技术领域
本发明实施例涉及农作物三维重建及表型特征提取技术领域,尤其涉及一种农作物株高的高通量计算方法。
背景技术
农作物作物生长过程中所体现出的形态特征对选育农作物优良品种具有重要作用。株高的动态变化不同程度地影响农作物产量,该表型特征对提升作物性能至关重要。传统株高测量方法是利用直尺、手持式激光测距仪等设备手动测量冠层最高点到植株根部的垂直长度,不仅费时费力,而且结果易受测量者主观因素影响。由于传统测量技术的不足,信息化的测量技术被广泛地应用到农作物表型特征的研究中。
目前植物表型参数测量大多局限于实验室环境或是基于虚拟植株三维重建开展表型研究,其主要缺陷在于不能反映田间植株真实生长情况。基于田间的高通量表型参数测量手段是制约植物基因组研究和作物改良的主要瓶颈。国内外农作物冠层信息获取主要包括手持式传感器、双目立体视觉技术、激光扫描技术、无人机遥感技术等。手持式传感器采用接触式测量方法,会导致农作物发生形变。基于双目摄像机的立体视觉技术,可对作物冠层图像进行非接触式无损采集,且不破坏作物生长形态,但采集的图像质量受光照影较大,进而降低了表型参数计算的准确性。手持式激光扫描技术(例如 FastSCAN激光扫描仪,Artec EVA激光扫描仪)虽然能够高精度的重构作物冠层三维结构形态,不足之处是采集速度较慢。近年来,在地物表型参数分析的基础上,也提出了空间上高通量的测量方法,如网络摄像机远程表型测量方法,虽然实现了农作物表型特征的快速采集,但测量结果误差波动范围较大。
三维激光扫描及雷达技术(例如:FARO Focus3D 120型地物激光扫描),能快速精确地获取植物冠层点云信息,但获取三维点云中存在大量的背景冗余信息,需要进行点云筛选等操作才能精确构建冠层三维结构形态,且昂贵的价格进一步限制了该设备广泛应用。
发明内容
针对植物表型参数测量技术的上述缺陷。本发明实施例提供一种农作物株高的高通量计算方法。
本发明实施例提供一种农作物株高的高通量计算方法,包括:
S1,采集农作物样本群的彩色图像、红外图像和深度图像;
S2,将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像;
S3,根据具有颜色信息的点云图像,提取农作物冠层三维点云;
S4,根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。
其中,步骤S1中,所述采集群体盆栽农作物样本的彩色图像、红外图像和深度图像具体包括:
通过农作物冠层图像采集设备采集群体盆栽农作物样本的彩色图像、红外图像和深度图像;
所述农作物冠层图像采集设备包括KinectV2相机和铁架,所述KinectV2 相机通过云台悬挂部件固定安装于农作物样本群上方的铁架,所述KinectV2 相机包括彩色相机、深度相机和红外投影机,用于采集农作物样本群的彩色图像、红外图像和深度图像。
其中,所述通过农作物冠层图像采集设备采集群体盆栽农作物样本的彩色图像、红外图像和深度图像具体包括:
通过KinectV2相机采集农作物样本群发芽期、出枝期、开花期、结痂期和鼓粒期的彩色图像、红外图像和深度图像。
其中,所述农作物冠层图像采集设备还包括计算机,所述计算机通过套接部件和KinectV2相机连接。
其中,步骤S2中,所述将彩色图像与深度图像进行图像配准具体包括:
获取农作物样本群的棋盘格彩色图像和深度图像,利用MATLAB标定工具箱,对彩色相机和深度相机进行标定;
根据标定结果,将彩色相机坐标系映射到深度相机坐标系下。
其中,步骤S2中,所述构建具有颜色信息的点云图像具体包括:
根据彩色相机坐标系和相机图像坐标系的映射关系,将深度相机坐标系的每一深度点云及其对应颜色的R、G、B分量存于文本文档中;
通过scatter3函数进行农作物冠层三维点云的重建,对采集的点云颜色数据进行均值融合处理,并将其作为对应点云的颜色,获得重建的三维点云;其中,重建的三维点云包括农作物冠层点云和复杂背景点云。
其中,步骤S3中,所述根据具有颜色信息的点云图像,提取农作物冠层三维点云具体包括:
S31,读取具有颜色信息的三维点云的颜色值,建立颜色信息直方图;
S32,采用最大类间方差阈值分割法,确定背景点云和冠层点云的分割阈值;
S33,根据分割阈值,将具有颜色信息的点云图像分为农作物冠层和背景区域,删除背景区域对应的背景点云,保留农作物冠层对应的冠层点云。
其中,步骤S4中,所述根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像具体包括:
读取农作物冠层三维点云数据,提取每一点云在X-Y平面的坐标信息;
根据盛放农作物的盆的直径和盆间距,将冠层X-Y平面平分为多个区域,每个区域对应一单盆农作物冠层图像。
其中,步骤S4中,所述通过高通量计算方法计算每一农作物的株高具体包括:
测量Kinect相机距离地面的高度H,确定KinectV2相机发射点C的坐标;
根据单盆农作物对应的区域范围,确定农作物冠层顶点A的三维坐标;
根据点A和点C的坐标,计算点C与点A之间的距离S1;
计算KinectV2发射点C距离农作物冠层的距离ha1;
测量KinectV2相机距离地面的高度H,测量盛放农作物的盆的盆高hp,根据KinectV2相机距离地面的高度H、盆高hp、KinectV2发射点C距离农作物冠层的距离ha1,获得农作物株高的计算值h=H-ha1-hp。
其中,所述方法还包括:在获得农作物株高的计算值后,针对所述计算值以及预先获取的农作物株高的实测值进行相关性分析。
本发明提供的农作物株高高通量计算方法,采集农作物样本群的彩色图像、红外图像和深度图像。将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像。根据具有颜色信息的点云图像,提取农作物冠层三维点云。根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。本发明能够快速精确地计算群体农作物中每一盆作物的株高,实现了自然环境下对农作物株高的高通量计算,与传统株高测量方法利用直尺、手持式激光测距仪等设备手动测量冠层最高点到植株根部的垂直长度相比,更加快速简便。与网络摄像机远程表型测量方法相比,提高了农作物株高测量的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的农作物株高的高通量计算方法流程示意图;
图2为根据本发明实施例提供的农作物冠层图像采集设备的结构示意图;
图3为根据本发明实施例提供的大豆株高的高通量计算情景示意图;
图4(a)为根据本发明实施例提供的抗线9号大豆植株的株高计算值与实测值对比图;
图4(b)为根据本发明实施例提供的抗线13号大豆植株的株高计算值与实测值对比图;
图4(c)为根据本发明实施例提供的富豆6号大豆植株的株高计算值与实测值对比图;
图中,1.铁架;2.云台悬挂部件;3.KinectV2相机;4.大豆盆栽;5.套接部件;6.计算机;7.线轴。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“第一”、“第二”、仅用于描述目的,而不能理解为指示或暗示相对重要性。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
由于目前国内外农作物冠层信息获取主要包括手持式传感器、双目立体视觉技术、激光扫描技术、无人机遥感技术等。其中,手持式传感器采用接触式测量方法,会导致农作物发生形变。基于双目摄像机的立体视觉技术,可对作物冠层图像进行非接触式无损采集,且不破坏作物生长形态,但采集的图像质量受光照影较大,进而降低了表型参数计算的准确性。手持式激光扫描技术(例如FastSCAN激光扫描仪,Artec EVA激光扫描仪)虽然能够高精度的重构作物冠层三维结构形态,然而采集速度较慢。近年来,在地物表型参数分析的基础上,也提出了空间上高通量的测量方法,如网络摄像机远程表型测量方法,虽然实现了农作物表型特征的快速采集,但测量结果误差波动范围较大。
因此,本发明实施例提供了一种农作物株高高通量计算方法,采集农作物样本群的彩色图像、红外图像和深度图像。将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像。根据具有颜色信息的点云图像,提取农作物冠层三维点云。根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。本发明能够精确计算群体农作物中每一盆作物的株高,实现了自然环境下对农作物株高的高通量计算,提高了农作物株高测量的精确度。解决了传统农作物表型特征测量精确度较低的技术问题。
图1为根据本发明实施例提供的农作物株高的高通量计算方法流程示意图;如图1所示,该方法包括:
S1,采集农作物样本群的彩色图像、红外图像和深度图像;S2,将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像;S3,根据具有颜色信息的点云图像,提取农作物冠层三维点云;S4,根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。
其中,步骤S1中,所述采集群体盆栽农作物样本的彩色图像、红外图像和深度图像具体包括:
通过农作物冠层图像采集设备采集群体盆栽农作物样本的彩色图像、红外图像和深度图像;
图2为根据本发明实施例提供的农作物冠层图像采集设备的结构示意图,参照图2,农作物冠层图像采集设备包括KinectV2相机3和铁架1,所述 KinectV2相机3通过云台悬挂部件2固定安装于农作物样本群上方的铁架1,所述KinectV2相机3包括彩色相机、深度相机和红外投影机,用于采集农作物样本群的彩色图像、红外图像和深度图像。
本发明实施例选用的农作物为大豆,以大豆不同生长期的的株高计算作为研究对象,对农作物株高的高通量计算方法进行举例说明。
其中,KinectV2相机采用光编码技术而非传统的光飞行TOF(Time of Flight)来获取被测物的深度数据。它所发射的不是特定形状的结构光,而是一种类似结构光的激光散斑(Laser Speckle)。KinectV2的彩色相机用于拍摄视角范围内的彩色视频图像,彩色图像分辨率为1920×1080。深度相机分析红外光谱、创建可视范围内的物体深度图像,分辨率为512×424、30fps(帧/ 秒)。深度数据获取范围在0.5-4.5m之间,水平角度为70°,垂直角度为60 °获取的深度图像为保证大豆正常生长,数据采集工作均在室外自然光照下进行。
KinectV2相机所拍摄的所有图像均在自然光照条件下进行采集。为保证图像清晰、减少对大豆冠层图像的影响,选择垂直方式获取大豆冠层图像信息,基于深度信息开展大豆株高计算工作。其中,图像信息包括彩色图像、红外图像和深度图像。若因大豆冠层相互遮挡导致重叠区域较大时,通过手动调整盆间距,以保证每盆大豆冠层都能较大程度地显露出来,提高KinectV2 相机的拍摄图像的质量,从而提高大豆株高的计算精度。
采用农作物冠层图像采集设备获取大豆样本群的图像,设置KinectV2相机的图像采集周期为7~10天。将KinectV2相机置于大豆盆栽4上方的铁架1 中央,其中,该铁架1为可调铁架。通过调节铁架1高度以寻找最佳高度拍摄大豆冠层图像,使KinectV2相机拍摄的彩色图像和深度图像显示更为真实清晰。
步骤S2中,所述将彩色图像与深度图像进行图像配准具体包括:
获取农作物样本群的棋盘格彩色图像和深度图像,利用MATLAB标定工具箱,对彩色相机和深度相机进行标定;
根据标定结果,将彩色相机坐标系映射到深度相机坐标系下。
具体地,空间中的物体上任意一点都存在一个与摄像机拍摄所得图像的对应关系,其中这一点在二维图像中的位置经过针孔模型还原成三维,Kinect 相机标定就是求解此对应关系,将三维物体的空间坐标经过矩阵的旋转平移运算,再映射投影到相机的二维成像平面上。由于实际情况中的参照物不同,一般需要在统一的世界坐标系下表示不同相机坐标系下的空间信息。
获取农作物样本群的棋盘格彩色图像和深度图像,利用MATLAB标定工具箱,对彩色相机和深度相机进行标定。根据标定结果,将彩色相机坐标系映射到深度相机坐标系下。构建具有颜色信息的点云图像。
通过KinectV2相机采集农作物样本群发芽期、出枝期、开花期、结痂期和鼓粒期的彩色图像、红外图像和深度图像。参照图2,所述农作物冠层图像采集设备还包括计算机6,所述计算机6通过套接部件5和KinectV2相机连接。套接部件5还与线轴7连接。
步骤S2中,所述构建具有颜色信息的点云图像具体包括:
根据彩色相机坐标系和相机图像坐标系的映射关系,将深度相机坐标系的每一深度点云及其对应颜色的R、G、B分量存于文本文档中;
通过scatter3函数进行农作物冠层三维点云的重建,对采集的点云颜色数据进行均值融合处理,并将其作为对应点云的颜色,获得重建的三维点云;其中,重建的三维点云包括农作物冠层点云和复杂背景点云。
具体地,为重建具有完整颜色信息的大豆三维模型,通过scatter3函数进行农作物冠层三维点云的重建,对采集的点云颜色数据进行了均值融合处理。因为图像信息的R、G、B数值矩阵类型为unit8型,在0~255范围内,而在数据处理时使用double型,当大于1时就会被显示成白色,不能有效表达图像信息。故图像显示时对应像素点的RGB值需除以255。最后将点云数据的 RGB颜色信息赋值到点云数据中,实现了点云数据与颜色的映射,最终获得具有真实颜色信息的大豆冠层三维结构形态。
步骤S3中,所述根据具有颜色信息的点云图像,提取农作物冠层三维点云具体包括:
S31,读取具有颜色信息的三维点云的颜色值,建立颜色信息直方图;
S32,采用最大类间方差阈值分割法,确定背景点云和冠层点云的分割阈值;
S33,根据分割阈值,将具有颜色信息的点云图像分为农作物冠层和背景区域,删除背景区域对应的背景点云,保留农作物冠层对应的冠层点云。
本发明实施例采用最大类间方差阈值分割法,首先确定分割阈值。设(x, y,z)为点云图像中任意一点,f(x,y,z)是它的灰度级,如下式所述,若灰度值大于阈值,则标记为大豆植株,否则为背景。
上式中,T为分割阈值,分割阈值T的选取是大豆冠层三维点云有效提取的关键,其原理是将点云图像的直方图设定某一灰度为分割阈值,将点云图像分成两组并计算两组的方差,当两组之间的方差最大时,则将此灰度值确定为阈值。图像概率分布的直方图表示为:
式中:pi表示概率分布;N表示点云图像的像素,i∈[0,L-1]表示点云图像的灰度级,n表示灰度级i对应的像素。
已知分割阈值T,将具有颜色信息的点云图像中的像素按灰度值分为农作物冠层C0∈[0,T ]和背景区域C1∈[T+1,L-1]两类,对于这两类具有不同灰度分布概率的点云图像的像素均值uT表示为:
大豆冠层像素均值为u0,背景区域像素均值为u1,数学表达式如下:
其中:w0表示大豆冠层像素均值出现概率,w1表示背景区域像素均值出现概率,则它们的数学表达式分别为:
最终求得两类间的方差δT为:
δT=w0u0+w1u1σ2=w0w1(u0-u1)2
当阈值T的取值使得两类间的方差最大时,确定为最佳阈值,即最佳阈值满足下式:
根据最佳阈值分割具有颜色信息的点云图像,提取得到不同生长阶段的大豆冠层三维点云。
步骤S4中,根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像具体包括:
读取农作物冠层三维点云数据,提取每一点云在X-Y平面的坐标信息;
根据盛放农作物的盆的直径和盆间距,将冠层X-Y平面平分为多个区域,每个区域对应一单盆农作物冠层图像。
图3为根据本发明实施例提供的大豆株高的高通量计算情景示意图,参照图3,步骤S4中所述通过高通量计算方法计算每一农作物的株高具体包括:
测量Kinect相机距离地面的高度H,确定KinectV2相机发射点C的坐标;
根据单盆农作物对应的区域范围,确定农作物冠层顶点A的三维坐标;
根据点A和点C的坐标,计算点C与点A之间的距离S1。图3中,S1 表示KinectV2相机发射点C与大豆冠层顶点A之间的距离,S2是KinectV2 相机发射点C与另一盆大豆冠层顶点的距离。
计算KinectV2发射点C距离农作物冠层顶点A的距离ha1;
测量KinectV2相机距离地面的高度H,测量盛放农作物的盆的盆高hp,根据KinectV2相机距离地面的高度H、盆高hp、KinectV2发射点C距离农作物冠层顶点A的距离ha1,获得农作物株高的计算值h=H-ha1-hp。
本发明提供的农作物株高高通量计算方法,采集农作物样本群的彩色图像、红外图像和深度图像。将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像。根据具有颜色信息的点云图像,提取农作物冠层三维点云。根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高。本发明能够快速精确地计算群体农作物中每一盆作物的株高,实现了自然环境下对农作物株高的高通量计算,与传统株高测量方法利用直尺、手持式激光测距仪等设备手动测量冠层最高点到植株根部的垂直长度相比,更加快速简便。与网络摄像机远程表型测量方法相比,提高了农作物株高测量的精确度。
在上述实施例的基础上,所述方法还包括:在获得农作物株高的计算值后,针对所述计算值以及预先获取的农作物株高的实测值进行相关性分析。本实施例选用的农作物为大豆,以大豆盆栽为研究对象。大豆株高实测值的人工测量周期与设备采集周期相同为7~10天,一般在设备采集的前一天或后一天,测量工具为直尺或卷尺,测量单位为cm,实测值用于与计算值进行对比。
具体地,本实施例分别对2018年6月6日~9月5日的三个品种的大豆植株株高进行高通量计算,获得计算值,计算值与实测值对比平均误差0.14cm。采用上述实施例提供的农作物株高的高通量计算方法,可同时计算至少15盆大豆植株株高,所需时间约0.798435s。
图4(a)为根据本发明实施例提供的抗线9号大豆植株的株高计算值与实测值对比图。图4(b)为根据本发明实施例提供的抗线13号大豆植株的株高计算值与实测值对比图。图4(c)为根据本发明实施例提供的富豆6号大豆植株的株高计算值与实测值对比图。大豆样本群的大豆盆栽总数为60盆 /种,通过上述实施例提供的农作物株高的高通量计算方法,分别针对抗线9 号、抗线13号和富豆6号三个品种进行株高计算,分析获得计算值与实测值相关性R2分别为0.9717、0.973、0.9697。结果表明通过本发明实施例提供的农作物株高的高通量计算方法能够实现在自然环境下准确地进行大豆株高高通量的计算,与传统株高测量方法利用直尺、手持式激光测距仪等设备手动测量冠层最高点到植株根部的垂直长度相比,更加快速简便。与网络摄像机远程表型测量方法相比,提高了大豆株高测量的准确性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种农作物株高的高通量计算方法,其特征在于,包括:
S1,采集农作物样本群的彩色图像、红外图像和深度图像;
S2,将彩色图像与深度图像进行图像配准,构建具有颜色信息的点云图像;
S3,根据具有颜色信息的点云图像,提取农作物冠层三维点云;
S4,根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像,通过高通量计算方法计算每一农作物的株高;
所述通过高通量计算方法计算每一农作物的株高具体包括:
测量Kinect相机距离地面的高度H,确定KinectV2相机发射点C的坐标;
根据单盆农作物对应的区域范围,确定农作物冠层顶点A的三维坐标;
根据点A和点C的坐标,计算点C与点A之间的距离S1;
计算KinectV2发射点C距离农作物冠层顶点A的距离ha1;
测量KinectV2相机距离地面的高度H,测量盛放农作物的盆的盆高hp,根据KinectV2相机距离地面的高度H、盆高hp、KinectV2发射点C距离农作物冠层顶点A的距离ha1,获得农作物株高的计算值h=H-ha1-hp。
2.根据权利要求1所述的农作物株高的高通量计算方法,其特征在于,步骤S1中,所述采集群体盆栽农作物样本的彩色图像、红外图像和深度图像具体包括:
通过农作物冠层图像采集设备采集群体盆栽农作物样本的彩色图像、红外图像和深度图像;
所述农作物冠层图像采集设备包括KinectV2相机和铁架,所述KinectV2相机通过云台悬挂部件固定安装于农作物样本群上方的铁架,所述KinectV2相机包括彩色相机、深度相机和红外投影机,用于采集农作物样本群的彩色图像、红外图像和深度图像。
3.根据权利要求2所述的农作物株高的高通量计算方法,其特征在于,所述通过农作物冠层图像采集设备采集群体盆栽农作物样本的彩色图像、红外图像和深度图像具体包括:
通过KinectV2相机采集农作物样本群发芽期、出枝期、开花期、结痂期和鼓粒期的彩色图像、红外图像和深度图像。
4.根据权利要求2所述的农作物株高的高通量计算方法,其特征在于,所述农作物冠层图像采集设备还包括计算机,所述计算机通过套接部件和KinectV2相机连接。
5.根据权利要求2所述的农作物株高的高通量计算方法,其特征在于,步骤S2中,所述将彩色图像与深度图像进行图像配准具体包括:
获取农作物样本群的棋盘格彩色图像和深度图像,利用MATLAB标定工具箱,对彩色相机和深度相机进行标定;
根据标定结果,将彩色相机坐标系映射到深度相机坐标系下。
6.根据权利要求5所述的农作物株高的高通量计算方法,其特征在于,步骤S2中,所述构建具有颜色信息的点云图像具体包括:
根据彩色相机坐标系和相机图像坐标系的映射关系,将深度相机坐标系的每一深度点云及其对应颜色的R、G、B分量存于文本文档中;
通过scatter3函数进行农作物冠层三维点云的重建,对采集的点云颜色数据进行均值融合处理,并将其作为对应点云的颜色,获得重建的三维点云;其中,重建的三维点云包括农作物冠层点云和复杂背景点云。
7.根据权利要求6所述的农作物株高的高通量计算方法,其特征在于,步骤S3中,所述根据具有颜色信息的点云图像,提取农作物冠层三维点云具体包括:
S31,读取具有颜色信息的三维点云的颜色值,建立颜色信息直方图;
S32,采用最大类间方差阈值分割法,确定背景点云和冠层点云的分割阈值;
S33,根据分割阈值,将具有颜色信息的点云图像分为农作物冠层和背景区域,删除背景区域对应的背景点云,保留农作物冠层对应的冠层点云。
8.根据权利要求7所述的农作物株高的高通量计算方法,其特征在于,步骤S4中,所述根据农作物冠层三维点云,提取农作物样本群中每一农作物对应的冠层图像具体包括:
读取农作物冠层三维点云数据,提取每一点云在X-Y平面的坐标信息;
根据盛放农作物的盆的直径和盆间距,将冠层X-Y平面平分为多个区域,每个区域对应一单盆农作物冠层图像。
9.根据权利要求8所述的农作物株高的高通量计算方法,其特征在于,所述方法还包括:在获得农作物株高的计算值后,针对所述计算值以及预先获取的农作物株高的实测值进行相关性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558608.0A CN109816680B (zh) | 2018-12-19 | 2018-12-19 | 一种农作物株高的高通量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558608.0A CN109816680B (zh) | 2018-12-19 | 2018-12-19 | 一种农作物株高的高通量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816680A CN109816680A (zh) | 2019-05-28 |
CN109816680B true CN109816680B (zh) | 2020-10-27 |
Family
ID=66602151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811558608.0A Active CN109816680B (zh) | 2018-12-19 | 2018-12-19 | 一种农作物株高的高通量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816680B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610438B (zh) * | 2019-09-16 | 2022-02-15 | 黑龙江八一农垦大学 | 一种农作物冠层叶柄夹角计算方法及系统 |
CN110853702B (zh) * | 2019-10-15 | 2022-05-24 | 上海交通大学 | 一种基于空间结构的蛋白质相互作用预测方法 |
CN111445513B (zh) * | 2020-02-24 | 2024-01-16 | 浙江科技学院 | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 |
CN111739031B (zh) * | 2020-06-19 | 2023-09-26 | 华南农业大学 | 一种基于深度信息的作物冠层分割方法 |
CN112212801B (zh) * | 2020-09-30 | 2022-05-06 | 内蒙古师范大学 | 一种固沙灌木构型数据处理系统 |
CN113096027B (zh) * | 2021-03-02 | 2024-01-23 | 吉林农业大学 | 一种基于点云的农田土壤层水平校正及去除方法 |
CN113128462A (zh) * | 2021-05-07 | 2021-07-16 | 新疆农业科学院农业机械化研究所 | 一种基于lidar温室植物冠层结构识别方法 |
CN113554691B (zh) * | 2021-07-22 | 2022-05-10 | 河北农业大学 | 一种植株高度测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440648A (zh) * | 2013-08-22 | 2013-12-11 | 北京农业信息技术研究中心 | 农作物冠层整齐度的自动测量方法及装置 |
CN106643546A (zh) * | 2016-10-31 | 2017-05-10 | 南京林业大学 | 基于移动二维激光扫描的单木三维绿量测量方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793895A (zh) * | 2014-01-10 | 2014-05-14 | 中国农业大学 | 一种果树冠层器官图像拼接方法 |
CN107358610A (zh) * | 2017-06-08 | 2017-11-17 | 北京农业信息技术研究中心 | 作物高通量表型检测方法及系统 |
CN108120473B (zh) * | 2017-11-23 | 2019-07-16 | 浙江大学 | 基于深度相机的温室作物三维形态监测装置及监测方法 |
CN108895964B (zh) * | 2018-07-09 | 2020-07-17 | 南京农业大学 | 一种基于Kinect自主标定的高通量温室植物表型测量系统 |
CN108830272A (zh) * | 2018-08-03 | 2018-11-16 | 中国农业大学 | 基于rgb-d相机的马铃薯图像采集装置及芽眼识别和定位方法 |
-
2018
- 2018-12-19 CN CN201811558608.0A patent/CN109816680B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440648A (zh) * | 2013-08-22 | 2013-12-11 | 北京农业信息技术研究中心 | 农作物冠层整齐度的自动测量方法及装置 |
CN106643546A (zh) * | 2016-10-31 | 2017-05-10 | 南京林业大学 | 基于移动二维激光扫描的单木三维绿量测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109816680A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816680B (zh) | 一种农作物株高的高通量计算方法 | |
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
JP5020444B2 (ja) | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 | |
Jay et al. | In-field crop row phenotyping from 3D modeling performed using Structure from Motion | |
CN109708578B (zh) | 一种植株表型参数测量装置、方法及系统 | |
Khanna et al. | Beyond point clouds-3d mapping and field parameter measurements using uavs | |
CN106969730B (zh) | 一种基于无人机探测技术的果树树冠体积测量方法 | |
CN111551530B (zh) | 一种作物群体冠层叶绿素荧光三维分布信息获取方法与装置 | |
CN102331244B (zh) | 利用普通数码相机获取水稻冠层叶面积指数的方法 | |
Larsen | Crown modelling to find tree top positions in aerial photographs | |
CN110672020A (zh) | 一种基于单目视觉的立木高度测量方法 | |
CN107154050A (zh) | 一种基于机器视觉的石材几何参数的自动获取方法 | |
CN112200854B (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
Balenović et al. | Quality assessment of high density digital surface model over different land cover classes | |
CN112036407B (zh) | 一种植物群体三维表型原位获取方法及装置 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN109191520A (zh) | 一种基于色彩标定的植物叶面积测量方法及系统 | |
CN113538666A (zh) | 一种植物植株三维模型快速重建方法 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
CN113554691B (zh) | 一种植株高度测量方法 | |
Magnusson et al. | Aerial photo-interpretation using Z/I DMC images for estimation of forest variables | |
CN108917722A (zh) | 植被覆盖度计算方法及装置 | |
Schwalbe et al. | Hemispheric image modeling and analysis techniques for solar radiation determination in forest ecosystems |
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 |