CN109978047A - 一种田间小麦茎蘖数提取方法 - Google Patents
一种田间小麦茎蘖数提取方法 Download PDFInfo
- Publication number
- CN109978047A CN109978047A CN201910223270.1A CN201910223270A CN109978047A CN 109978047 A CN109978047 A CN 109978047A CN 201910223270 A CN201910223270 A CN 201910223270A CN 109978047 A CN109978047 A CN 109978047A
- Authority
- CN
- China
- Prior art keywords
- wheat
- layer
- stem
- point cloud
- tiller number
- 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.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 145
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 38
- 240000006716 Triticum compactum Species 0.000 claims abstract description 26
- 235000002037 Triticum compactum Nutrition 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 241000196324 Embryophyta Species 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 14
- 229910052757 nitrogen Inorganic materials 0.000 description 7
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 4
- 210000003608 fece Anatomy 0.000 description 4
- 239000010871 livestock manure Substances 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- YYRMJZQKEFZXMX-UHFFFAOYSA-L calcium bis(dihydrogenphosphate) Chemical compound [Ca+2].OP(O)([O-])=O.OP(O)([O-])=O YYRMJZQKEFZXMX-UHFFFAOYSA-L 0.000 description 2
- 229910000389 calcium phosphate Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 235000013877 carbamide Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 235000019691 monocalcium phosphate Nutrition 0.000 description 2
- 239000002686 phosphate fertilizer Substances 0.000 description 2
- 229940072033 potash Drugs 0.000 description 2
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 2
- 235000015320 potassium carbonate Nutrition 0.000 description 2
- 239000001103 potassium chloride Substances 0.000 description 2
- 235000011164 potassium chloride Nutrition 0.000 description 2
- 238000003044 randomized block design Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明公开了一种田间小麦茎蘖数提取方法，通过激光雷达获取田间小麦点云，提取研究区任意一行小麦点云，将Y轴投影到一个平面，保留X轴和Z轴，应用自适应分层，获得该行小麦的簇数；应用层次聚类分析，获得每簇小麦的分蘖数，进一步获得整行小麦的茎蘖数，从而提取田间小麦茎蘖数。本发明方法提取的小麦茎蘖数与田间实测的茎蘖数进行比较，验证了算法的可行性，说明本发明方法实现了对大田作物茎蘖数的快速、准确、无损提取，同时具有较高的普适性，为田间小麦茎蘖数的提取提供了理论基础和技术支撑。
Description
技术领域
本发明属于精确农业中作物生命信息无损监测领域，涉及一种田间小麦茎蘖数提取方法，尤其涉及一种利用激光雷达点云研究田间条件下小麦茎蘖数的提取方法。
背景技术
茎蘖数是指示小麦产量和生长状况的有力指标。过少的茎蘖数会造成产量降低，而过多的分蘖容易导致病虫害的发生。合理的小麦茎蘖数是高产稳产的基础，因此实际生产中必须及时准确地监测小麦茎蘖数的变化。
目前获取小麦茎蘖数的方法多采用传统的人工计数方法，该方法工作量大、费时费力、主观性强，不利于快速、准确地获取小麦长势信息，也无法应用于精确农业中大面积农田长势信息获取。而传统光学遥感难以获取小麦分蘖数等数量信息，并且光谱信息容易受到大气、光照条件等外界环境因素影响。
地面激光雷达作为一种大面积快速、准确获取对象点云提取三维结构的的表型分析工具，目前已经成功应用于获取作物冠层高度和地上部生物量，但是缺乏利用地面激光雷达提取小麦茎蘖数的算法，尤其是对大田作物茎蘖数的快速准确提取还未见报道。
发明内容
本发明的目的在于提供一种田间小麦茎蘖数提取方法，利用激光雷达获取田间生长的小麦点云，利用自适应分层—层次聚类分析算法，实现了基于地面激光雷达提取小麦茎蘖数，可以克服传统的茎蘖数获取方法的弊端。
本发明的目的是通过下述方案实现的：
一种田间小麦茎蘖数提取方法，包括以下步骤：
步骤(1)、采集小麦茎蘖数样本和点云；
步骤(2)、从步骤(1)得到的小麦点云图中任意获取一行小麦点云，对该行小麦点云预处理，将Y轴投影到一个平面，保留X轴和Z轴，获得小麦二维侧视图；
步骤(3)、应用自适应分层，获得该行小麦的簇数；
步骤(4)、应用层次聚类分析，获得每簇小麦的分蘖数，进一步获得整行小麦的茎蘖数；
步骤(5)、验证算法的可行性。
步骤(1)中，采用地面激光雷达获取小麦点云，同步获取小麦茎蘖数。
所述的小麦茎蘖数和点云采自不同年份、不同生育期、不同品种、不同种植密度和不同施氮水平。
所述的采集小麦茎蘖数的方法为：每个小区选定2行×1m的小麦测试区，进行人工茎蘖数测试，记录每个小区一米双行小麦的茎蘖数，取平均值，即为一米单行小麦的茎蘖数m，进而得到整个小区的小麦茎蘖数。
2个小麦品种：生选6号、扬麦16；小麦的种植方式：条播；2个密度水平：行距为25cm(2.4×106苗/ha)；行距为40cm(1.5×106苗/ha)。3个施氮水平：纯氮0kg/ha、150kg/ha、300kg/ha；氮肥、磷肥、钾肥分别为尿素、过磷酸钙、氯化钾，其中氮肥50％作基肥，50％拔节期追施，其他做基肥全部施入。试验采用随机区组设计，重复3次，共计36个小区。小区面积为30m2(6m×5m)，总面积约1080m2。
步骤(2)中，所述的小麦点云预处理为：经过点云配准和去噪处理后，首先从一个小区的小麦点云图中，任意获取一行小麦点云；将这行小麦表示为一个长方体，定义行距为X，行宽为Y，株高为Z；以X坐标轴为主，Z轴为辅，实现点云在空间上的立体排序，并将立体的点云投影到X-Z平面上，获得小麦二维侧视图。
其中，所述的点云配准：在点云处理软件RiSCAN PRO中，利用ICP算法将不同坐标系配准到同一坐标系；其中，ICP算法为：重复确定最邻近点对，并计算其坐标转换参数，直至满足给定的收敛精度，迭代结束；对于两个有一定重叠部分的点云数据集A、B，其中，A为基准点云数据集，点云B为待配准坐标系，需要经过旋转、平移转换到点云A所在的坐标系下。
所述的去噪处理：(1)、去除漂移点：利用设置高程阈值(设置为2m)去除漂浮在空中的噪声点；(2)、去除混杂点：利用设置Deviation值(设置为250)去除偏差点。
步骤(3)中，所述的自适应分层为：在株高Z方向区分叶层的小麦点云和茎层的小麦点云，将茎层叠加到叶层合成一层，按照X坐标值的大小对X轴进行排序，当遇到叶层和茎层混合体，且后面又遇到连续的叶层的点云而没有茎层的点云时，判定前面是一簇小麦，以此类推逐个判定该行的小麦簇数，确定该行小麦的总簇数。
具体的，所述的自适应分层包括：
a、将一行小麦沿X轴方向间隔分段，计算分段后每段小麦的株高(株高＝最高点的Z坐标值－最低点的Z坐标值)，得到该行小麦的平均株高H；优选的，该行小麦沿X轴方向按照步长0.1m间隔分段，避免间隔过小会增加计算量、过大可能会导致结果的低估；
b、按Z轴分层：分层数n＝平均株高H/切层高度h，按Z轴方向从上往下按照阿拉伯数字顺序对层数编号；其中，切层高度h为4cm；
c、标记叶层和茎层：同一块田里的小麦生长状况可能不同，对于某一去除最顶层后的最高层来说，可能是高植株的叶层，也可能是低矮植株的最顶层，判断标准不统一。因此，为了保证结果的精度和可靠性，去掉最低一层与最高一层，将剩余层的最高层和最底层的点云分别标记为叶层和茎层；
d、将步骤c确定的茎层和叶层叠加合成一层，按照X坐标值的大小对X轴进行排序，当遇到叶层和茎层混合体，且后面又遇到连续的叶层的点云而没有茎层的点云时，判定前面是一簇小麦，以此类推逐个判定该行的小麦簇数；
e、剩下的层数，按Z轴方向，从上到下以相邻的2层为一组合，依次重复步骤c和步骤d进行分析，得到该行的小麦簇数；若某组合得到的小麦簇数大于上一个组合得到的小麦簇数，说明该组合中数字高的一层为茎层，数字低的一层为叶层，该组合即为茎叶相接组合，将Z轴方向高于该茎叶相接组合的叶层的层数都标记为叶层，低于该茎叶相接组合的茎层数都标记为茎层；
f、在标记出的叶层中选择一层，茎层中选择一层，再次重复步骤c和步骤d，得到该行小麦的总簇数Tn，n＝1，2，3，……，n。
步骤(4)中，所述的层次聚类分析为：在每簇小麦点云中，每个点作为一个变量(包含坐标信息xpoint、ypoint、zpoint)，选用欧氏距离作为相似性度量，分别计算各变量之间的相似性度量，相似度高的点被归为一类，即一个分蘖，由此计算类的个数来获得小麦茎蘖数，计算每簇小麦分蘖数Tnk(k＝1，2，3，……，k；k表示每簇小麦中的分蘖数)；得到一行小麦的茎蘖数Tsum＝T1+T2+T3+…+Tn+T1k+T2k+T3k+…+Tnk，最后换算成整个小区的茎蘖数。
相似性度量的公式为：
其中，i，j表示为任意2个点，dij为变量i，j之间的欧氏距离，变量i的坐标信息为(xi，yi，zi)，变量j的坐标信息为(xj，yj，zj)。
优选的，所述的层次聚类分析为：在每簇小麦点云中，每个点作为一个变量，选用欧氏距离作为相似性度量，分别计算各变量之间的相似性度量，找到欧氏距离最近的聚类1、2，合并聚类1、2作为新的一类，计算新的一类与本簇中其他聚类的间距，设置迭代的条件为欧式距离d＝2cm(一簇小麦内两个分蘖之间的最小距离)，当满足条件d>2cm时，停止迭代，从而获得每簇小麦的分蘖数。
在步骤(5)中，利用独立年份茎蘖数样本数据验证测试算法的可行性和准确性，采用决定系数R2、均方根误差RMSE和相对均方根误差RRMSE对结果进行综合评价；
其中，n为样本数，Pi为算法预测值，Oi为试验观察值，为观察平均值。
算法验证的决定系数R2为0.65，均方根误差RMSE为111个/m2，相对均方根差RRMSE为22.84％。
本发明的有益效果：
本发明提供的田间小麦茎蘖数提取方法，通过激光雷达获取田间小麦点云，应用自适应分层—层次聚类分析算法，应用自适应分层获得小麦簇数，应用层次聚类分析计算每簇小麦的分蘖数，从而提取出田间小麦茎蘖数，实现了对大田作物茎蘖数的快速、准确提取。本发明方法简单，操作方便，为田间小麦茎蘖数的快速无损提取提供了理论基础和技术支撑。
将本发明方法提取出的田间小麦茎蘖数与田间实测的茎蘖数进行比较，验证结果决定系数R2为0.65，均方根误差RMSE为111个/每平方米，相对均方根差RRMSE为22.84％，说明了本发明方法的可行性。
此外，本发明通过不同年份、生育期、品种、种植密度和不同施氮水平的田间试验，证明了茎蘖数提取算法具有较高的普适性和准确性。在行距为25cm～40cm的种植密度、氮肥水平0～300kg/ha下，本发明方法能够降低“植株生长旺盛，点云密度大，植株间的遮盖效应强，点云噪声大”，确保小麦茎蘖数的估测精度。
附图说明
图1是本发明田间小麦茎蘖数提取方法的流程图。
图2是小麦点云预处理示意图；其中，图2a为一个小区的小麦点云图，图2b为一行小麦点云图(俯视图)，图2c为一行小麦三维示意图(侧视图)。
图3是一行小麦二维侧视图。
图4是一株小麦二维测试图。
图5是自适应分层示意图。
图6是结果验证图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，结合实施例对本发明的技术方案进行进一步详细说明。
如图1所示，本实施例田间小麦茎蘖数提取方法，包括以下步骤：
S101：获取研究小区的点云；
S102：提取任意一行小麦点云；
S103：将Y轴投影到一个平面，保留X轴和Z轴；
S104：自适应分层；
S105：层次聚类分析；
S106：得到最终小麦总茎蘖数Tsum；
S107：利用实测数据验证算法的准确性和普适性。
具体包括以下步骤：
S101：RIEGL VZ-1000三维激光扫描仪获取田间小麦点云，同步获取田间小麦茎蘖数实测数据。
2个小麦品种：生选6号(V1)、扬麦16(V2)。2个密度水平：D1行距为25cm(2.4×106苗/ha)；D2行距为40cm(1.5×106苗/ha)。3个氮肥水平：纯氮0kg/ha(N0)、150kg/ha(N1)、300kg/ha(N2)；氮肥、磷肥、钾肥分别为尿素、过磷酸钙、氯化钾，其中氮肥50％作基肥，50％拔节期追施，其他做基肥全部施入。小麦的种植方式：条播。试验采用随机区组设计，重复3次，共计36个小区。每个小区面积为30m2(6m×5m)，总面积约1080m2。
小麦点云的获取方法：采用8站点的激光雷达测试方案，扫描模式为60模式，即角分辨率为0.06°，每转过0.06°获取一个点数据。
田间小麦茎蘖数实测数据的获取方法：每个小区选定2行×1m的小麦测试区，进行人工茎蘖数测试，记录每个小区一米双行小麦的茎蘖数，取平均值，即为一米单行小麦的茎蘖数m，则整行小麦实测茎蘖数为6*m。整个小区的实测茎蘖数为6*m*所在小区行数(行距为25cm，则有26行；行距为40cm，则有17行)，得到整个小区的小麦茎蘖数。
表1田间试验具体情况
S102：对步骤S102获得的小麦点云进行数据配准和去噪处理。
点云配准：每个扫描站点都会有自身独立的坐标系——扫描仪坐标系(Scannercoordinate system)，在点云处理软件RiSCAN PRO中，利用ICP算法将不同坐标系配准到同一坐标系(Project coordinate system)；其中，ICP算法是一种基于最小二乘法的最优匹配方法，重复确定最邻近点对，并计算其坐标转换参数，直至满足给定的收敛精度，迭代结束。对于两个有一定重叠部分的点云数据集A、B，其中，A为基准点云数据集，点云B为待配准坐标系，需要经过旋转、平移转换到点云A所在的坐标系下。
去噪处理：(1)、去除漂移点：利用设置高程阈值来去除漂浮在空中的噪声点，通过高程筛选后，可以清晰看到异常点云数据，进行删除。本实施例中高程阈值设置为2m。(2)、去除混杂点：利用设置Deviation值来去除偏差点，其中，Deviation值是衡量发射脉冲波形和回波脉冲波形之间变化的指标。当Deviation值为0时，意味着波形没有失真，接收到的脉冲形状与发射的脉冲形状完全重合；当Deviation值很大时，表明波形严重失真，就需要将这些点云数据删除。本实施例中Deviation设置为250。
经过点云配准和去噪处理后，从一个小区的小麦点云图中(图2a)任意获取一行小麦点云(图2b)；将该行小麦表示为一个简单的长方体，定义行距为X，行宽为Y，株高为Z(图2c)。
S103：在点云处理软件RiSCAN PRO中，以X坐标轴为主，Z轴为辅，实现点云在空间上的立体排序，并将立体的点云投影到X-Z平面上，获得小麦二维侧视图(图3)，此时，一行小麦表示为一个大长方形，其中的任意一株小麦就是一个小的3维长方体(图4a)或者一个小的2维长方形(图4b)。
S104：自适应分层：
(1)、设置切层高度：基于不同生育期的小麦点云，根据经验法，设置切层高度h为4cm。
(2)、计算一行小麦平均株高：在X轴方向按照每0.1m步长的间隔将一行小麦分段，计算分段后每段小麦的株高，最后将每段株高进行平均，得到一行小麦的平均株高H。
(3)、按Z轴分层：分层数n＝平均株高H/切层高度h，按Z轴从上往下按照阿拉伯数字顺序对层数编号。如拔节期小麦株高H大约40cm，则分层数40/4＝10层(图5a)。
(4)、标记叶层和茎层：去掉最低一层(第10层，土层)与最高一层(第1层，顶层)，将剩余8层(10-2＝8)的最高层(第2层)和最底层(第9层)的点云分别采用属性字段进行标记：叶层(第2层)记为“1”，茎层(第9层)记为“0”。
(5)、将步骤(4)标记的茎层叠加到叶层合成一层，按照X坐标值的大小对X轴进行排序，当遇到叶层和茎层混合体，且后面又遇到连续的叶层的点云而没有茎层的点云时，判定前面是一簇小麦，以此类推逐个判定该行的小麦簇数(图5b，黑色表示一行小麦的叶层，灰色表示一行小麦的茎层；图5c，将叶层和茎层叠加为一层，黑色为叶层，灰色为茎层；图5d，当遇到叶层和茎层混合体，且后面又遇到只有连续的黑色(叶层)点云，判断该处前的叶层和茎层为一簇小麦)。
(6)、剩下的层数，从上到下以相邻的2层为一组合，依次重复步骤(4)和(5)进行分析，得到小麦簇数。如图5a中，依次分析的组合为2-3层、3-4层、4-5层、5-6层、6-7层、7-8层、8-9层。
(7)、对结果进行总体评价：若某组合得到的小麦簇数远大于上一个组合得到的小麦簇数(纯叶层的计算结果可能为0或个位数，茎叶混合层结果会上百)，说明该组合中数字高的一层为茎层，数字低的一层为叶层，该组合即为茎叶相接组合，将Z轴方向高于该茎叶相接组合的叶层的层数都标记为叶层，低于该茎叶相接组合的茎层数都标记为茎层，采用属性字段逐一标记叶层和茎层。
(8)、在叶层中选择一层，茎层中选择一层，再次重复步骤(4)和(5)，得到该行小麦的总簇数Tn(n＝1，2，3，……，n)。
S105：在每簇小麦点云中，每个点作为一个变量(包含坐标信息xpoint、ypoint、zpoint)，选用欧氏距离作为相似性度量，具体公式如下：
其中，i，j表示为任意2个点，dij为变量i，j之间的欧氏距离，变量i的坐标信息为(xi，yi，zi)，变量j的坐标信息为(xj，yj，zj)。
分别计算各变量之间的相似性度量，找到相似度矩阵中的欧氏距离最小的聚类1、2，合并聚类1、2作为新的一类，计算新的一类与本簇中其他聚类的间距，设置迭代的条件为欧式距离d＝2cm(一簇小麦内两个分蘖之间的最小距离)，当满足条件d>2cm时，停止迭代，此时，聚类的个数即为每簇小麦的分蘖数；如果不满足条件，就继续迭代。
S106：计算每簇小麦茎蘖数Tn+Tnk(k＝1，2，3，……，k；k表示每簇小麦中的分蘖数)；依次类推，得到整行小麦的茎蘖数Tsum＝T1+T2+T3+…+Tn+T1k+T2k+T3k+…+Tnk。
S107：利用田间测试获得的小麦茎蘖数数据(2017年-2018年)验证本实施例方法的准确性和普适性，采用决定系数(R2)、均方根误差(RMSE)、相对均方根误差(RRMSE)进行综合评价；
其中，评价指标RMSE和RRMSE的计算公式如下：
其中，n为样本数，Pi为模型预测值，Oi为试验观察值，为观察平均值；
如图6，验证结果决定系数R2为0.65，均方根误差RMSE为111个/每平方米，相对均方根差RRMSE为22.84％。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种田间小麦茎蘖数提取方法，其特征在于包括以下步骤：
步骤(1)、采集小麦茎蘖数样本和点云；
步骤(2)、从步骤(1)得到的小麦点云图中任意获取一行小麦点云，对该行小麦点云预处理，将Y轴投影到一个平面，保留X轴和Z轴，获得小麦二维侧视图；
步骤(3)、应用自适应分层，获得该行小麦的簇数；
步骤(4)、应用层次聚类分析，获得每簇小麦的分蘖数，进一步获得整行小麦的茎蘖数。
2.如权利要求1所述的田间小麦茎蘖数提取方法，其特征在于在步骤(1)中，采用RIEGLVZ-1000三维激光扫描仪获取小麦点云，同步获取小麦茎蘖数样本。
3.如权利要求1所述的田间小麦茎蘖数提取方法，其特征在于步骤(2)中，所述的小麦点云预处理为：经过点云配准和去噪处理后，首先从一个小区的小麦点云图中，任意获取一行小麦；将该行小麦表示为一个长方体，定义行距为X，行宽为Y，株高为Z；以X坐标轴为主，Z轴为辅，实现点云在空间上的立体排序，并将立体的点云投影到X-Z平面上，获得小麦二维侧视图。
4.如权利要求1所述的田间小麦茎蘖数提取方法，其特征在于在步骤(3)中，所述的自适应分层为：沿Z方向区分叶层的小麦点云和茎层的小麦点云，将茎层叠加到叶层合成一层，按照X坐标值的大小对X轴进行排序，当遇到叶层和茎层混合体，且后面又遇到连续的叶层的点云而没有茎层的点云时，判定前面是一簇小麦，以此类推逐个判定该行的小麦簇数，确定小麦簇数。
5.如权利要求4所述的田间小麦茎蘖数提取方法，其特征在于所述的自适应分层包括：
a、将一行小麦沿X轴方向间隔分段，计算分段后每段小麦的株高，得到该行小麦的平均株高H；
b、按Z轴分层：分层数n＝平均株高H/切层高度h，按Z轴方向从上往下按照阿拉伯数字顺序对层数编号；
c、标记叶层和茎层：去掉最低一层与最高一层，将剩余层的最高层和最底层的点云分别标记为叶层和茎层；
d、将步骤c确定的茎层和叶层叠加合成一层，按照X坐标值的大小对X轴进行排序，当遇到叶层和茎层混合体，且后面又遇到连续的叶层的点云而没有茎层的点云时，判定前面是一簇小麦，以此类推逐个判定该行的小麦簇数；
e、剩下的层数，按Z轴方向，从上到下以相邻的2层为一组合，依次重复步骤c和步骤d进行分析，得到该行的小麦簇数；若某组合得到的小麦簇数大于上一个组合得到的小麦簇数，说明该组合中数字高的一层为茎层，数字低的一层为叶层，该组合即为茎叶相接组合，将Z轴方向高于该茎叶相接组合的叶层的层数都标记为叶层，低于该茎叶相接组合的茎层数都标记为茎层；
f、在标记出的叶层中选择一层，茎层中选择一层，再次重复步骤c和步骤d，得到该行小麦的总簇数Tn，n＝1，2，3，……，n。
6.如权利要求5所述的田间小麦茎蘖数提取方法，其特征在于小麦沿X轴方向按照步长0.1m间隔分段；切层高度h为4cm。
7.如权利要求5所述的田间小麦茎蘖数提取方法，其特征在于在步骤(4)中，所述的层次聚类分析为：在每簇小麦点云中，每个点作为一个变量，选用欧氏距离作为相似性度量，分别计算各变量之间的相似性度量，相似度高的点被归为一类，即一个分蘖，由此计算类的个数来获得小麦分蘖数，计算每簇小麦分蘖数Tnk，k＝1，2，3，……，k；k表示每簇小麦中的分蘖数；得到一行小麦的茎蘖数Tsum＝T1+T2+T3+…+Tn+T1k+T2k+T3k+…+Tnk，最后换算成整个小区的茎蘖数。
8.如权利要求7所述的田间小麦茎蘖数提取方法，其特征在于相似性度量的公式为：
其中，i，j表示为任意2个点，dij为变量i，j之间的欧氏距离，变量i的坐标信息为(xi，yi，zi)，变量j的坐标信息为(xj，yj，zj)。
9.如权利要求7所述的田间小麦茎蘖数提取方法，其特征在于所述的层次聚类分析为：在每簇小麦点云中，每个点作为一个变量，选用欧氏距离作为相似性度量，分别计算各变量之间的相似性度量，找到欧氏距离最近的聚类1、2，合并聚类1、2作为新的一类，计算新的一类与本簇中其他聚类的间距，设置迭代的条件为欧式距离d＝2cm，当满足条件d>2cm时，停止迭代，从而获得该簇小麦的分蘖数。
10.如权利要求1所述的田间小麦茎蘖数提取方法，其特征在于还包括验证算法的可行性：利用独立年份茎蘖数样本数据验证测试算法的可行性和准确性，采用决定系数R2、均方根误差RMSE和相对均方根误差RRMSE对结果进行综合评价。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223270.1A CN109978047B (zh) | 2019-03-22 | 2019-03-22 | 一种田间小麦茎蘖数提取方法 |
| PCT/CN2020/080438 WO2020192586A1 (zh) | 2019-03-22 | 2020-03-20 | 一种田间小麦茎蘖数提取方法 |
| US17/441,877 US20220189053A1 (en) | 2019-03-22 | 2020-03-20 | Method of extracting number of stem and tillering for wheat under field condition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223270.1A CN109978047B (zh) | 2019-03-22 | 2019-03-22 | 一种田间小麦茎蘖数提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978047A true CN109978047A (zh) | 2019-07-05 |
| CN109978047B CN109978047B (zh) | 2022-05-27 |
Family
ID=67080169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223270.1A Active CN109978047B (zh) | 2019-03-22 | 2019-03-22 | 一种田间小麦茎蘖数提取方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220189053A1 (zh) |
| CN (1) | CN109978047B (zh) |
| WO (1) | WO2020192586A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
| WO2020192586A1 (zh) * | 2019-03-22 | 2020-10-01 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
| WO2021145130A1 (ja) * | 2020-01-16 | 2021-07-22 | キヤノン株式会社 | 画像診断装置、画像診断システム、画像診断方法、およびプログラム |
| CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20240013363A1 (en) * | 2022-07-11 | 2024-01-11 | Deere & Company | System and method for measuring leaf-to-stem ratio |
| CN115187803B (zh) * | 2022-08-12 | 2023-04-21 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
| CN115690585B (zh) * | 2022-11-11 | 2023-06-06 | 中国科学院空天信息创新研究院 | 一种基于数字相片提取小麦分蘖数的方法和系统 |
| CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
| CN118520530B (zh) * | 2024-07-23 | 2024-09-17 | 吉林大学 | 一种基于离散元法的成熟期小麦柔性根茬群体建模方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942838A (zh) * | 2014-05-13 | 2014-07-23 | 福州大学 | 基于点云数据的单树三维建模与形态参数提取的方法 |
| CN105910556A (zh) * | 2016-04-13 | 2016-08-31 | 中国农业大学 | 一种叶面积垂直分布信息提取方法 |
| CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065352B (zh) * | 2012-12-20 | 2015-04-15 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
| CN104776800B (zh) * | 2015-04-22 | 2017-12-08 | 湖南农业大学 | 水稻单蘖图像采集装置及形态参数提取方法 |
| EP3673458B1 (en) * | 2017-08-25 | 2024-11-06 | The Board of Trustees of the University of Illinois | Apparatus and method for agricultural data collection and agricultural operations |
| CN107705309B (zh) * | 2017-10-15 | 2020-12-04 | 南京林业大学 | 激光点云中林木参数评估方法 |
| CN107993243B (zh) * | 2017-12-21 | 2020-06-23 | 北京林业大学 | 一种基于rgb图像的小麦分蘖数自动检测方法 |
| US11275941B2 (en) * | 2018-03-08 | 2022-03-15 | Regents Of The University Of Minnesota | Crop models and biometrics |
| CN109978047B (zh) * | 2019-03-22 | 2022-05-27 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
-
2019
- 2019-03-22 CN CN201910223270.1A patent/CN109978047B/zh active Active
-
2020
- 2020-03-20 US US17/441,877 patent/US20220189053A1/en active Pending
- 2020-03-20 WO PCT/CN2020/080438 patent/WO2020192586A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942838A (zh) * | 2014-05-13 | 2014-07-23 | 福州大学 | 基于点云数据的单树三维建模与形态参数提取的方法 |
| CN105910556A (zh) * | 2016-04-13 | 2016-08-31 | 中国农业大学 | 一种叶面积垂直分布信息提取方法 |
| CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
Non-Patent Citations (2)
| Title |
|---|
| ATTICUS E.L.STOVALL: "Non-destructive aboveground biomass estimation of coniferous trees using terrestrial LiDAR", 《REMOTE SENSING OF ENVIRONMENT》 * |
| 王晓辉: "基于地面激光雷达点云的单树三维几何建模研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020192586A1 (zh) * | 2019-03-22 | 2020-10-01 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
| WO2021145130A1 (ja) * | 2020-01-16 | 2021-07-22 | キヤノン株式会社 | 画像診断装置、画像診断システム、画像診断方法、およびプログラム |
| JP7542954B2 (ja) | 2020-01-16 | 2024-09-02 | キヤノン株式会社 | 画像診断装置、画像診断システム、画像診断方法、およびプログラム |
| CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
| CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020192586A1 (zh) | 2020-10-01 |
| CN109978047B (zh) | 2022-05-27 |
| US20220189053A1 (en) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978047A (zh) | 一种田间小麦茎蘖数提取方法 | |
| 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 | |
| CN113177744B (zh) | 一种城市绿地系统碳汇量估算方法及系统 | |
| CN112381861A (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
| CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| CN107944018A (zh) | 一种基于激光点云数据的矢量地图位置精度自动质检方法 | |
| CN102096072B (zh) | 一种城市部件自动化测量方法 | |
| CN102955160A (zh) | 基于三维激光雷达技术的输电线路杆塔参数确定方法 | |
| CN107085710A (zh) | 一种基于多光谱LiDAR数据的单木自动提取方法 | |
| CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
| CN115829812B (zh) | 一种基于生态系统模拟的碳汇量测算方法及系统 | |
| CN108959705B (zh) | 一种预测亚热带森林生物量的方法 | |
| CN114689015B (zh) | 一种提高光学卫星立体影像dsm高程精度的方法 | |
| CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
| CN115808668A (zh) | 一种基于体素插值的均值漂移算法的田间小麦茎蘖数提取方法 | |
| CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
| CN114266868A (zh) | 基于机载激光雷达的桉树人工林蓄积量估测方法、装置 | |
| CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
| CN111913185B (zh) | 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 | |
| CN116486034A (zh) | 一种基于三维点云耦合法向量夹角和阈值分割法的田间小麦穗数提取方法 | |
| CN117253163A (zh) | 一种基于无人机激光雷达的田间花生株高估算方法 | |
| CN114184179B (zh) | 一种基于互联网的户外地理测绘管控系统 | |
| CN114047508B (zh) | 一种对海雷达探测范围统计评估方法及系统 | |
| CN113487636B (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
| CN116402879A (zh) | 玉米穗位高测量方法、装置、系统及存储介质 |
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 |