CN110208815A - 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 - Google Patents
一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 Download PDFInfo
- Publication number
- CN110208815A CN110208815A CN201910388748.6A CN201910388748A CN110208815A CN 110208815 A CN110208815 A CN 110208815A CN 201910388748 A CN201910388748 A CN 201910388748A CN 110208815 A CN110208815 A CN 110208815A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- crop
- large area
- point cloud
- airborne laser
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003306 harvesting Methods 0.000 title claims abstract description 16
- 230000035800 maturation Effects 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims description 15
- 241001269238 Data Species 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 34
- 235000009566 rice Nutrition 0.000 abstract description 34
- 241000196324 Embryophyta Species 0.000 abstract description 25
- 238000005259 measurement Methods 0.000 abstract description 10
- 244000068988 Glycine max Species 0.000 abstract description 2
- 235000010469 Glycine max Nutrition 0.000 abstract description 2
- 240000005979 Hordeum vulgare Species 0.000 abstract description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 abstract description 2
- 240000008042 Zea mays Species 0.000 abstract description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 abstract description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 abstract description 2
- 235000005822 corn Nutrition 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 241000209140 Triticum Species 0.000 abstract 1
- 235000021307 Triticum Nutrition 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 37
- 241000209094 Oryza Species 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 244000038559 crop plants Species 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001632422 Radiola linoides Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法，采用无人机搭载激光雷达测量系统，大面积快速获取成熟作物的三维点云数据，经离线处理后，获得基于地理位置信息的株高、穗层、密度等作物属性信息，生成基于地理位置信息的株高、穗层和密度分布情况。本发明可大面积快速获取水稻、小麦、大麦、玉米、大豆等作物的株高、密度和穗层等属性信息，为联合收获机精准收获及智能控制提供核心数据支持。
Description
技术领域
本发明涉及农田作物属性信息测量和成熟时收获信息获取技术，具体为一种测量农作物株高、穗层、密度和地表形貌的方法。
背景技术
谷物联合收获机在田间作业时，作物的株高、密度、穗层长度等特征参数直接影响作业过程中喂入量大小的变化，因此与联合收获机的作业性能和效率密切相关，在作业过程中，机手通常根据肉眼观察经验判断机器的负荷，操控作业速度，以保持喂入量的稳定，从而获得较好的作业性能和较高的作业效率。考虑到每个人经验差异很大，通常会发生同样的机器作业性能和效率相差很大的现象。因此，田间成熟作物株高、密度、穗头长度等收获信息是实现联合收获机辅助(或自主)收获的前提。
作物株高、密度、穗头长度等特征参数测量方法大致可分为人工测量法和基于图像处理方法两大类。人工选点抽样测量方法不仅费时费力，也无法在收获过程中实时得到全部作物属性信息；图像处理方法可以获取作物表层信息，但容易受到光照和天气等因素的影响，测量精度波动较大，更缺少穿透能力，无法实现株高、穗层和地表形貌的精确测量。
发明内容
为了弥补现有的作物特征参数信息测量方法的不足，本发明提供了一种利用机载激光雷达测量系统获取作物的三维点云数据，通过分析作物的三维特征信息，计算作物的株高、穗层高度、密度的方法，为联合收获机精准收获及智能控制提供核心数据支持。
本发明的目的是这样实现的：
一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法，包括如下步骤：
步骤(1)，利用机载激光雷达测量系统，采集处理得到作物的三维点云数据；
步骤(2)，去除三维点云数据中地面点和作物点之外的其他点云数据；
步骤(3)，把步骤(2)去除其他点云数据后的点云数据分成地面点和作物点；
步骤(4)，计算作物高度、穗层高度、密度。
进一步，所述机载激光雷达测量系统包括激光雷达传感器、全球导航卫星系统和惯性导航系统。
进一步，所述作物高度通过作物高度模型CHM计算得到，所述CHM＝DSM-DEM，其中DSM为数字表面模型，DEM为数字高程模型。
进一步，所述数字表面模型DSM的构建过程为：寻找栅格内高程值最大的点云，将该点云的高程值作物该栅格的高程值大小，形成一组水稻的表面高程数Z＝{Z1,Z2,Z3····Zn}，Z＝f(x，y)为数字高程模型DSM。
进一步，所述数字高程模型DEM的构建过程为：寻找栅格内高程值最小的点云，将该点云的高程值作物该栅格的高程值大小，形成一组地面高程数据z＝{z1,z2,z3····zn}，z＝f(x，y)即数字高程模型DEM。
进一步，所述穗层高度的计算过程：从作物的三维点云数据中分离出穗层点云数据，进行上下穗层面曲面拟合，计算上下穗层面之间的平均距离作为穗层高度。
进一步，所述上下穗层面的曲面方程为：
z＝f(x，y)＝p00+p10*x+p01*y+p20*x2+p11*x*y+p02*y2+p30*x3+p21*x2*y+p12*x*y2+p03*y3，
其中p00、p10、p01、p20、p11、p02、p30、p21、p12、p03为方程系数。
进一步，所述密度利用超体素分割法对穗层点云数据进行分割，计算得到的超体素数量，即作物密度。
本发明的有益效果为：本发明利用机载激光雷达测量系统获取作物的点云数据，建立作物的三维点云模型，通过点云数据处理的方法获得作物的高精度株高、穗层高度和密度结果，再结合点云的地理位置信息，获得田间作物的株高、穗层高度和密度分布情况，为联合收获机精准收获及智能控制提供核心数据支持。
附图说明
图1为本发明的示意图；
图2为机载激光雷达测量系统设备示意图；
图3为获取的大面积作物点云数据图；
图4为滤波后的点云数据；
图5为株高计算流程图；
图6为穗层高度计算流程图；
图7为水稻原始点云数据图；
图8为基于强度提取后的点云数据图；
图9为滤波后的点云数据图；
图10为基于高程阈值提取后的点云数据图；
图11为穗层曲面拟合结果图，图11(a)为穗层上曲面拟合结果图，图11(b)为穗层下曲面拟合结果图；
图12为密度计算流程图；
图13为穗层点云数据图；
图14为聚类后的穗层点云数据图。
具体实施方式
下一步结合附图和具体实施例子对本发明的方法进行详细阐述。以下列举的实施例仅用于说明和解释本发明，而不构成对本发明技术方案的限制。
如图1所示，基于机载激光雷达的大面积成熟作物收获信息快速获取方法，所述作物可以为水稻、大麦、玉米、大豆等株型特征明显的作物，本实施例选择的作物是水稻，具体步骤为：
步骤1，数据获取：在水稻成熟时，利用机载激光雷达测量系统(如图2所示，包括无人机1和激光雷达测量系统2，激光雷达测量系统2包括激光雷达传感器、全球导航卫星系统GNSS和惯性导航系统INS)根据农田大小规划好无人机飞行路径，自动采集水稻的激光雷达点云数据；采集时的飞行高度在5-8米之间，避免无人机螺旋桨产生的气流影响植株姿态以及高度过高影响点云质量。如图1所示，通过机载激光雷达测量系统测得大面积水稻(品种为9018)的地理位置信息、激光雷达传感器的姿态信息和水稻的激光雷达点云数据，上述数据通过NovAtel公司的数据后处理软件IE解算得到点云的地理位置信息和LI-acquire解算得到水稻的三维点云数据(如图3所示)，通过MATLAB和PCL点云库对点云数据处理得到水稻的株高、穗层和密度分布情况。
步骤2，点云去噪：采用统计滤波剔除离群点的方法去除地面点和水稻点之外的其他点云数据；所述统计滤波方法包括：创建滤波器对象、读取待滤波的点云，设置统计时考虑查询点的临近点点云数量k＝20，计算查询点点云到所有临近点点云距离的平均值μ和标准差σ，设置是否为离群点的阈值大小lmax＝μ+5σ，对距离大于该阈值的离群点进行去除，保存滤波后的点云数据，如图4所示。
步骤3，点云分类：地面点和水稻点分类，首先对点云数据区域划分格网，提取该区域每个格网内的最低点作为地面种子点，然后基于这些地面种子点建立初始的稀疏不规则三角网(TIN)，对各网格内的点云数据进行判断，如果该点云数据到三角网面的垂直距离和角度小于设定的阈值，则将该点加入地面点集合，实现TIN的不断加密；接着重新计算不规则三角网，再对非地面点集合内的点云数据进行判别；如此迭代，直到不再增加新的地面点，由此分出地面点和水稻点。
步骤4，计算水稻株高，如图5为水稻株高计算流程图，水稻高度波动较小，可通过规则格网模型建立格网DEM(数字高程模型)的办法计算作物高度和地面高度。截取1m2的水稻点云数据，建立边长10cm×10cm的栅格，依次把步骤3分类出来的作物点和地面点数据存放在栅格内。
水稻株高的计算主要通过作物高度模型CHM构建，作物高度模型CHM是通过构建数字高程模型DEM和数字表面模型DSM的方法来得到，具体为：
步骤4.1，数字表面模型DSM的构建过程为：寻找栅格内高程值最大的点云，将该点云的高程值作物该栅格的高程值大小，形成一组水稻的表面高程数据Z＝{Z1,Z2,Z3····Zn}，Z＝f(x，y)即数字高程模型DSM，如表1所示；
表1数字表面模型DSM
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
| 1 | 107 | 105 | 103 | 103 | 107 | 106 | 102 | 111 | 113 | 105 |
| 2 | 102 | 102 | 105 | 104 | 100 | 99 | 104 | 99 | 99 | 95 |
| 3 | 108 | 105 | 99 | 104 | 97 | 103 | 102 | 97 | 97 | 103 |
| 4 | 110 | 101 | 100 | 96 | 96 | 98 | 102 | 96 | 100 | 100 |
| 5 | 108 | 103 | 97 | 102 | 99 | 98 | 95 | 98 | 101 | 104 |
| 6 | 104 | 99 | 94 | 97 | 101 | 102 | 98 | 98 | 106 | 94 |
| 7 | 101 | 99 | 96 | 99 | 101 | 103 | 96 | 103 | 103 | 96 |
| 8 | 110 | 100 | 100 | 103 | 101 | 101 | 105 | 102 | 103 | 105 |
| 9 | 108 | 101 | 104 | 103 | 96 | 104 | 106 | 106 | 101 | 103 |
| 10 | 108 | 98 | 96 | 100 | 97 | 99 | 103 | 96 | 104 | 96 |
步骤4.2，数字高程模型DEM的构建过程为：寻找栅格内高程值最小的点云，将该点云的高程值作物该栅格的高程值大小，形成一组地面高程数据z＝{z1,z2,z3····zn}，z＝f(x，y)即数字高程模型DEM，如表2所示；
表2数字高程模型DEM
步骤4.3，作物高度模型构建CHM：根据作物高度模型CHM＝DSM-DEM，即可得到水稻高度模型，如表3所示；人工测量的是水稻处于直立状态的高度，田间作物存在弯曲情况，需要建立高度修正系数λ(经验值范围是1.05-1.2)，该品种水稻取λ＝1.1；该区域水稻的平均高度为89.11cm，修正后该区域水稻平均高度为98.02cm。根据获取点云数据时全球导航卫星系统(GNSS)记录的地理位置信息，可得到不同位置的水稻株高分布情况。
表3作物高度模型CHM
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
| 1 | 94 | 87 | 95 | 93 | 93 | 87 | 83 | 95 | 104 | 96 |
| 2 | 62 | 75 | 66 | 87 | 91 | 77 | 81 | 73 | 85 | 86 |
| 3 | 86 | 87 | 74 | 95 | 87 | 92 | 70 | 75 | 84 | 92 |
| 4 | 101 | 87 | 85 | 82 | 80 | 90 | 93 | 85 | 89 | 91 |
| 5 | 97 | 91 | 89 | 93 | 67 | 78 | 88 | 90 | 93 | 94 |
| 6 | 86 | 81 | 78 | 87 | 82 | 93 | 88 | 91 | 97 | 83 |
| 7 | 94 | 88 | 75 | 83 | 74 | 99 | 87 | 93 | 94 | 54 |
| 8 | 102 | 92 | 89 | 93 | 91 | 97 | 98 | 94 | 92 | 95 |
| 9 | 104 | 97 | 95 | 98 | 92 | 100 | 102 | 99 | 95 | 97 |
| 10 | 105 | 93 | 91 | 97 | 96 | 97 | 100 | 92 | 102 | 94 |
步骤5，计算水稻穗层高度，图6为水稻穗层高度的计算流程图：同时对滤波后点云数据设置强度阈值和高程阈值，只保留大于强度和高程阈值的点云数据，如图7所示为滤波后的点云数据，图8为强度阈值为60保留的点云数据，图9为对保留的穗层点云数据再进行一次滤波(去除离散点)，图10为高度阈值50进行分离后得到的穗层点云数据。
步骤5.1，对穗层点云数据进行网格划分，分布统计出网格内高程值最大和最小的点云数据作为上下穗层面，然后进行均值曲面拟合，计算上下穗层面之间的平均距离作为穗层高度。
通过MATLAB拟合上下穗层面，如图11(a)所示，穗层上层曲面方程为：
z1＝f(x，y)＝p00+p10*x+p01*y+p20*x2+p11*x*y+p02*y2+p30*x3+p21*x2*y+p12*x*y2+p03*y3
其中，方程系数p00＝23.28，p10＝2.586，p01＝-3.309，p20＝-0.7206，p11＝-0.1512，p02＝0.8741，p30＝0.05027，p21＝0.01492，p12＝-0.00994，p03＝-0.05565；
如图11(b)所示，穗层下层曲面方程为：
z2＝f(x，y)＝p00+p10*x+p01*y+p20*x2+p11*x*y+p02*y2+p30*x3+p21*x2*y+p12*x*y2+p03*y3
其中，方程系数p00＝16.72，p10＝2.45，p01＝-6.769，p20＝-0.6197，p11＝-0.07441，p02＝0.9903，p30＝0.03722，p21＝0.01203，p12＝0.003168，p03＝-0.03959。
上下穗层曲面方程中的(x，y)为网格内某点坐标，由上下穗层曲面方程计算穗层上下曲面之间的体积v，并根据截取的点云面积(1m2)计算得到平均距离h(穗层高度)，h＝V/S＝10.58cm。穗层高度修正系数μ(通常情况取0.8-1)主要与水稻茎叶茂盛程度和穗头下垂程度有关，本实施例水稻测量时穗头下垂程度较小，μ取0.98，修正后穗层高度为10.37cm，该区域水稻穗层平均高度为10.37。结合点云数据的地理位置信息得到穗层高度分布情况。
步骤6，计算水稻密度，图12为水稻的密度计算流程图，利用超体素分割的方法对水稻穗层点云数据进行分割计算，首先设置体素尺寸大小对点云进行体素化，即空间八叉树的分辨率大小，该水稻设为0.01，然后设定种子点大小，根据水稻穗头长度设定为0.07，利用k-均值聚类的区域增长算法对点云进行增长形成超体素。
超体素的获取方法：从初始种子体素开始，向外遍历临近的体素，根据以下特征距离公式进行聚类：
其中：Ds是体素到种子体素的欧式距离值，Dn是体素法向量分布直方图的交叉和，ωs表示空间距离在距离测试上的权重，较高的值将会导致非常有规则的超级体素，较低的值会按照法线建立分割线；ωn表示法向量的权重，表示表面法向量影响超体素分割结果的比重，并用于控制体素群形状；这里ωs取0.5，ωn取1。
增长过程首先是以种子体素中心为半径，计算在该半径范围内的临近体素数量，删除没有足够的临近体素数量的种子点。超体素迭代产生，选代过程利用了局部k均值聚类同时考虑联通性和流向，大体过程如下：从离聚类中心最近的体素开始，向着邻近体素流动，利用特征距离公式对邻近体素进行评价，计算这些邻近体素与超体素中心的特征距离，如果距离是最小的，标记该体素属于该超体素，并将距离最小的体素赋予与该种子点相同的标签.同时将距离最小体素的邻域体素添加进该种子点的搜索队列。接下来迭代处理下一个超级体素，直到到达每个体素的搜索边界(或没有其他临近点可以遍历)。聚类过程采用的是广度优先的搜索策略，即在同一层所有的种子点都要重复上述聚类过程。如图13为穗层点云数据，设置好聚类参数后，聚类结果如图14所示，聚类完成后计算超体素的数量作为水稻的密度，计算结果为580，该区域水稻的密度为580株/m2，结合点云数据的地理位置信息可得到基于地理位置的水稻密度分布情况。
所述实例为本发明的优选的实施方式，但本发明并不限于上述实施方式。在不背离本发明的实质内容的前提下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (8)
1.一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，包括如下步骤：
步骤(1)，利用机载激光雷达测量系统，采集处理得到作物的三维点云数据；
步骤(2)，去除三维点云数据中地面点和作物点之外的其他点云数据；
步骤(3)，把步骤(2)去除其他点云数据后的点云数据分成地面点和作物点；
步骤(4)，计算作物高度、穗层高度、密度。
2.如权利要求1所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述机载激光雷达测量系统包括激光雷达传感器、全球导航卫星系统和惯性导航系统。
3.如权利要求1所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述作物高度通过作物高度模型CHM计算得到，所述CHM＝DSM-DEM，其中DSM为数字表面模型，DEM为数字高程模型。
4.如权利要求3所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述数字表面模型DSM的构建过程为：寻找栅格内高程值最大的点云，将该点云的高程值作物该栅格的高程值大小，形成一组水稻的表面高程数Z＝{Z1,Z2,Z3····Zn}，Z＝f(x，y)为数字高程模型DSM。
5.如权利要求3所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述数字高程模型DEM的构建过程为：寻找栅格内高程值最小的点云，将该点云的高程值作物该栅格的高程值大小，形成一组地面高程数据z＝{z1,z2,z3····zn}，z＝f(x，y)即数字高程模型DEM。
6.如权利要求1所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述穗层高度的计算过程：从作物的三维点云数据中分离出穗层点云数据，进行上下穗层面曲面拟合，计算上下穗层面之间的平均距离作为穗层高度。
7.如权利要求6所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述上下穗层面的曲面方程为：
z＝f(x，y)＝p00+p10*x+p01*y+p20*x2+p11*x*y+p02*y2+p30*x3+p21*x2*y+p12*x*y2+p03*y3，
其中p00、p10、p01、p20、p11、p02、p30、p21、p12、p03为方程系数。
8.如权利要求1或6所述的基于机载激光雷达的大面积成熟作物收获信息快速获取方法，其特征在于，所述密度利用超体素分割法对穗层点云数据进行分割，计算得到的超体素数量，即作物密度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910388748.6A CN110208815A (zh) | 2019-05-10 | 2019-05-10 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910388748.6A CN110208815A (zh) | 2019-05-10 | 2019-05-10 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110208815A true CN110208815A (zh) | 2019-09-06 |
Family
ID=67785774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910388748.6A Pending CN110208815A (zh) | 2019-05-10 | 2019-05-10 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110208815A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508015A (zh) * | 2020-03-03 | 2020-08-07 | 宝略科技(浙江)有限公司 | 一种基于三维实景数据的建筑物高度提取方法及其装置 |
| CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
| CN112595243A (zh) * | 2020-12-02 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
| CN113686600A (zh) * | 2021-07-13 | 2021-11-23 | 江苏省农业机械试验鉴定站 | 一种旋耕机、开沟机性能鉴定装置 |
| CN114009207A (zh) * | 2021-10-29 | 2022-02-08 | 北京市农林科学院智能装备技术研究中心 | 一种收割面积测量方法及收割机 |
| SE2100172A1 (en) * | 2021-11-09 | 2023-05-10 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| CN117253163A (zh) * | 2023-11-14 | 2023-12-19 | 山东科技大学 | 一种基于无人机激光雷达的田间花生株高估算方法 |
| CN117726775A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人系统有限公司 | 一种基于网格降采样的点云预处理方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105354811A (zh) * | 2015-10-30 | 2016-02-24 | 北京自动化控制设备研究所 | 一种地面用多线三维激光雷达点云数据的滤波方法 |
| CN105606123A (zh) * | 2015-12-18 | 2016-05-25 | 昆山数字城市信息技术有限公司 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
| CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
| CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
| CN106815850A (zh) * | 2017-01-22 | 2017-06-09 | 武汉地普三维科技有限公司 | 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法 |
| CN106950573A (zh) * | 2017-02-23 | 2017-07-14 | 北京农业信息技术研究中心 | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 |
| CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
-
2019
- 2019-05-10 CN CN201910388748.6A patent/CN110208815A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105354811A (zh) * | 2015-10-30 | 2016-02-24 | 北京自动化控制设备研究所 | 一种地面用多线三维激光雷达点云数据的滤波方法 |
| CN105606123A (zh) * | 2015-12-18 | 2016-05-25 | 昆山数字城市信息技术有限公司 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
| CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
| CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
| CN106815850A (zh) * | 2017-01-22 | 2017-06-09 | 武汉地普三维科技有限公司 | 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法 |
| CN106950573A (zh) * | 2017-02-23 | 2017-07-14 | 北京农业信息技术研究中心 | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 |
| CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘永霞等: "基于LIDAR数据的林冠层三维信息模型的提取与应用", 《北京林业大学学报》 * |
| 赵峰: "机载激光雷达数据和数码相机影像林木参数提取研究" * |
| 赵成伟等: "基于超体素的LiDAR点云粘连目标分割算法", 《集美大学学报(自然科学版)》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508015A (zh) * | 2020-03-03 | 2020-08-07 | 宝略科技(浙江)有限公司 | 一种基于三维实景数据的建筑物高度提取方法及其装置 |
| CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
| CN112595243A (zh) * | 2020-12-02 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
| CN112595243B (zh) * | 2020-12-02 | 2022-05-17 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
| CN113686600A (zh) * | 2021-07-13 | 2021-11-23 | 江苏省农业机械试验鉴定站 | 一种旋耕机、开沟机性能鉴定装置 |
| CN114009207A (zh) * | 2021-10-29 | 2022-02-08 | 北京市农林科学院智能装备技术研究中心 | 一种收割面积测量方法及收割机 |
| CN114009207B (zh) * | 2021-10-29 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种收割面积测量方法及收割机 |
| SE2100172A1 (en) * | 2021-11-09 | 2023-05-10 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| WO2023085996A1 (en) * | 2021-11-09 | 2023-05-19 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| CN117253163A (zh) * | 2023-11-14 | 2023-12-19 | 山东科技大学 | 一种基于无人机激光雷达的田间花生株高估算方法 |
| CN117726775A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人系统有限公司 | 一种基于网格降采样的点云预处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110208815A (zh) | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 | |
| CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
| CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
| CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| Estornell et al. | Tree extraction and estimation of walnut structure parameters using airborne LiDAR data | |
| CN109299739A (zh) | 基于法向量的曲面拟合对车载激光点云滤波的方法 | |
| CN106778749A (zh) | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 | |
| CN111428784A (zh) | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 | |
| CN112819846A (zh) | 一种面向多云雨地区的基于多载荷遥感图像的水稻估产方法 | |
| CN114548277B (zh) | 基于点云数据的地面点拟合、作物高度提取的方法及系统 | |
| CN107832849A (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN115953607B (zh) | 一种使用点云数据的树干胸径的提取方法和系统 | |
| CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
| CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
| CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
| Lei et al. | Extraction of maize leaf base and inclination angles using terrestrial laser scanning (TLS) data | |
| Li et al. | Multi-source data fusion improves time-series phenotype accuracy in maize under a field high-throughput phenotyping platform | |
| CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
| CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
| CN107194431A (zh) | 机载LiDAR点云数据分类技术 | |
| CN116977580A (zh) | 一种基于机载LiDAR的山区大比例尺DEM制作方法 | |
| CN116402879A (zh) | 玉米穗位高测量方法、装置、系统及存储介质 | |
| CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
| CN116977593A (zh) | 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
| RJ01 | Rejection of invention patent application after publication |