CN110849264A - 一种基于多行轨道的田间作物表型监测系统及方法 - Google Patents
一种基于多行轨道的田间作物表型监测系统及方法 Download PDFInfo
- Publication number
- CN110849264A CN110849264A CN201911170664.1A CN201911170664A CN110849264A CN 110849264 A CN110849264 A CN 110849264A CN 201911170664 A CN201911170664 A CN 201911170664A CN 110849264 A CN110849264 A CN 110849264A
- Authority
- CN
- China
- Prior art keywords
- crop
- vehicle
- mounted platform
- track
- shooting
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims 2
- 241000196324 Embryophyta Species 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D15/00—Other railway vehicles, e.g. scaffold cars; Adaptations of vehicles for use on railways
-
- 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
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
本发明涉及一种基于多行轨道的田间作物表型监测系统及方法，该监测系统包括：轨道，铺设在试验田块中；车载平台，可移动地设置在所述轨道上，用于搭载传感器及相关设备；定位机构，安装在所述车载平台顶部，用于接收信号并定位车载平台的运动轨迹；采集机构，安装在所述车载平台前部，用于扫描和拍摄作物表型；控制及动力机构，安装在所述车载平台上，用于控制整个监测系统并提供动力。本发明能够满足平台的自动化运动，多行重复监测，多个多种设备连续同时扫描摄像的要求，实现作物表型的高通量、高效实时监测获取。
Description
技术领域
本发明涉及一种智能农机装备，特别是关于一种基于多行轨道的田间作物表型监测系统及方法。
背景技术
作物表型是作物基因与环境交互作用的外在表达，包括作物生长发育过程的生理生态性状及其动态特征，例如，株高、密度、叶长、叶宽、叶倾角和叶面积指数等。在作物生育期内，连续、及时和准确的监测多种作物表型性状(即高通量表型)，是实现作物智能化管理和诊断的重要依据，如作物冠层的绿色部分是进行光合作用的主要器官，主要包括叶片茎秆等绿色部分，因而高通量表型叶面积指数和叶倾角等冠层结构性状是评价作物光合作用效率的关键。
目前，在大田条件下，几十甚至上百个田块，作物冠层结构性状的高通量监测是绝大多数农业实验的要求。现有的大田间作物表型监测方法可分为直接测量和间接测量两种方法：直接测量方法为人工取样式的破坏性测量，通过剪纸称重法、叶片称重法测定作物叶面积指数、米尺测定株高，费时费力，仅适用于小区域范围的作物采样，无法高通量和大区域范围获取作物表型信息；间接测量方法主要利用无人机、田间行走式机器人或半固定式移动平台等搭载可见光相机、多光谱相机或雷达等探头，借助图像分析软件和光传输模型等算法，实现对作物表型结构和功能特性的估算。相较于直接测量方法，间接测量方法更容易实现高的表型通量。但是，在大田条件下，基于无人机的监测系统，容易受到环境条件的影响，同时由于滞空时间的限制，无人机获取的影像信息的精度往往并不能很好满足精准的作物表型特性提取的要求。基于田间行走式机器人监测系统，其造价高昂，仅能在狭长布设的田块中自由行走，因而除了上千个模式化田块的育种实验，并不适用于大多数的农业实验。同时，就处于蓄水状态下的水稻田而言，地块较为泥泞，行走式机器人无法自由运动。基于半固定式的田间移动平台的监测系统，只能单一方向运动，适用于单条狭长状的田块，监测的通量和设备的使用效率受限严重。此外，现有方法大多数局限于应用单种相机或单一设备，只能以固定方向监测少量的作物表型性状，无法规模化监测多种表型性状。如冠层内茎秆和叶片分布的复杂性，单一角度拍摄的照片或单一设备采集的图像，反应的冠层结构信息单一，且精度不一定都能得到很好保证。
综上所述，满足大多数大田条件下，价格合理，能够节约人力便于操作，实现高通量高效率的作物表型监测设备及监测方法还有待进一步研发。
发明内容
针对上述问题，本发明的目的是提供一种基于多行轨道的田间作物表型监测系统及方法，能够满足平台的自动化运动，多行重复监测，多个多种设备连续同时扫描摄像的要求，实现作物表型的高通量、高效实时监测获取。
为实现上述目的，本发明采取以下技术方案：一种基于多行轨道的田间作物表型监测系统，包括：轨道，铺设在试验田块中；车载平台，可移动地设置在所述轨道上，用于搭载传感器及相关设备；定位机构，安装在所述车载平台顶部，用于接收信号并定位车载平台的运动轨迹；采集机构，安装在所述车载平台前部，用于扫描和拍摄作物表型；控制及动力机构，安装在所述车载平台上，用于控制整个监测系统并提供动力。
所述的田间作物表型监测系统，优选的，所述轨道包括若干组间隔铺设在所述试验田块中的纵向轨道，并且在所述纵向轨道的端部设有预留地。
所述的田间作物表型监测系统，优选的，所述车载平台包括：支撑杆本体，所述支撑杆本体为由多个长短不一的支架套接组成的上三棱体下梯体结合的对称结构；移动轮组，安装在所述支撑杆本体两侧底部并与所述轨道接触，用于带动所述车载平台相对于所述轨道移动。
所述的田间作物表型监测系统，优选的，所述移动轮组包括：主轮和导轮，两组所述主轮和导轮直接安装在所述支撑杆本体的两侧底部，所述主轮和导轮与所述纵向轨道配合安装并且能够相对于所述纵向轨道运动；副轮，两组所述副轮通过动力千斤顶安装在所述支撑杆本体的两侧底部并且能够相对于所述预留地水平运动，所述副轮通过所述动力千斤顶与所述主轮和导轮自由切换。
所述的田间作物表型监测系统，优选的，该系统还包括GPS基站，同时所述定位机构包括设置在所述支撑杆本体顶部的UHF高频天线和GPS天线，所述UHF高频天线用于接收所述GPS基站的传输信息，并由所述GPS天线实时定位所述车载平台的位置信息。
所述的田间作物表型监测系统，优选的，两个相同的所述采集机构对称的安装在所述支撑杆本体的前部，每一所述采集机构包括：支架副体，所述支架副体前部设置有直线滑轨，所述支架副体后部与所述支撑杆本体前部连接；多光谱相机、可见光相机和激光雷达，分别通过滑块滑动设置在所述支架副体的直线滑轨上，用于对作物表型特征进行全面化和精准化的扫描和拍摄。
所述的田间作物表型监测系统，优选的，所述控制及动力机构包括：控制箱，安装在所述支撑杆本体中部并与所述多光谱相机、可见光相机和激光雷达连接，用于控制所述多光谱相机和可见光相机的拍摄模式及所述激光雷达的扫描模式；电源箱，安装在所述支撑杆本体中部并与所述控制箱连接，用于为所述控制箱提供电能；驱动箱，两个所述驱动箱分别安装在所述支撑杆本体的两侧并与相应侧的所述移动轮组和动力千斤顶连接，用于为所述主轮和动力千斤顶提供驱动力。
一种田间作物表型监测方法，采用上述的田间作物表型监测系统，该方法包括如下步骤：
步骤一：通过RTK-GPS获取当地的地理位置，对应GPS基站中的位置点，UHF高频天线接收GPS基站的传输信息，GPS天线用于定位车载平台的位置信息；
步骤二：在PC端安装Pheno系统，并使Pheno系统与控制箱相匹配，车载平台在试验田块中的运动轨迹实时显示在Pheno系统界面；
步骤三：车载平台运动过程中，操作Pheno系统控制采集机构进行定位定点拍摄，并根据车载平台在试验田块中的运动轨迹，获得试验田块编号序列，然后再由定位获得的试验田块编号序列与实际田块编号信息匹配；
步骤四：通过操作Pheno系统，设定激光雷达的扫描模式，设定多光谱相机和可见光相机的摄像模式，按照定位定点摄像中车载平台的运动轨迹，在运动轨迹区域内，激光雷达实时获取作物三维点云数据，多光谱相机实时连续监测作物多光谱波段信息，可见光相机定点摄像分设置0°～90°摄像角度，获取多种拍摄角度下作物表型RGB图像信息，并将激光雷达、多光谱相机和可见光相机探头获得的原始数据压缩保存到Pheno系统中；
步骤五：通过解压缩分析软件，解压缩各传感器获取的原始数据，通过编程和图像处理工具，分析提取感兴趣的作物表型性状，并对提取效果进行验证。
所述的田间作物表型监测方法，优选的，在进行上述步骤五时，具体包括以下步骤：
1)解压缩原始数据：解压多光谱相机、可见光相机和激光雷达获取的原始数据，将多种原始数据以图像信息形式呈现；
2)图像分类：图像信息包括感兴趣的作物表型信息和无效的土壤背景值，通过阈值法分割剔除图像信息中的土壤背景值，同时将每一张作物图像中分割得到的感兴趣作物表型拼接完整成整个试验田采集区作物图像；
3)霍夫变换：通过“霍夫变换”方法去除边际噪声以及实现每一行作物图像之间相互平行；
4)数据反演：多光谱相机获取的作物光谱波段数据，通过耦合的冠层光传输和叶片光传输模型，实现对叶绿素含量的反演；可见光相机获取的作物表型RGB图像，设置0°～90°的拍摄角度，估算作物密度和绿色部分面积；激光雷达获取的作物三维点云数据，通过光传输模型反演作物冠层的叶面积指数和光截获信息；
5)效果验证：通过机器学习和人工神经网络方法，将反演后的数据划分为定标集、预测集和检验集作为稳定可靠的分析模型，以最小均方根误差RMSE作为分析模型评价标准，均方根误差RMSE值越小，分析模型越佳，效果越好。
所述的田间作物表型监测方法，优选的，在上述步骤2)中，多光谱相机有多个波段信息，且波段特征相异，需针对每个波段特征，找到相匹配的阈值范围，区分感兴趣区和无效值；同样的，可见光相机获取的0°～90°角度的作物表型RGB图像信息，需找到相匹配的阈值范围，区分感兴趣区和无效值；激光雷达通过扫描作物生成作物三维点云数据，作物三维点云数据通过光传输模型算法获取感兴趣作物的冠层结构特征和光截获率。
本发明由于采取以上技术方案，其具有以下优点：1、本发明设有移动轮组能够相对多行轨道往复运动，移动轮组包括导轮、主轮和副轮。主轮和导轮通过动力千斤和副轮自由切换，实现车载平台摆脱田块布局、监测环境的限制，能够灵活多方向运动。2、本发明将定位机构、采集机构和控制及动力机构集成在车载平台中，形成集作物位置信息、光谱波段信息和RGB图像信息于一体的自动化作物采集监测系统，实现了作物表型特征信息高效率、高通量、多维度和多角度无损实时的获取，有助于实现作物表型信息更为精确和有效的估算。3、本发明不仅可以控制可见光相机、多光谱相机和激光雷达自动化定位拍摄，还能灵活调整各探头的拍摄角度，进而通过对多种传感器摄像获取源信息的解译，分析一系列表征作物生长状态的重要性状，包括叶面积指数，叶绿素含量、株高和生物量等，使得监测的作物表型信息更立体化、精准化和全面化。4、本发明的车载平台为可装拆、自动化装置，便于携带和运输；采集机构的支架副体设有可移动宽长杆，可根据实验需要，灵活调整采集机构位置；自动化车载平台运动速度为可调节，且能实现平台在多行轨道间的往返重复监测。
附图说明
图1是本发明田间作物表型监测系统的整体结构示意图；
图2是本发明车载平台的结构示意图；
图3是本发明车载平台的局部结构示意图；
图4是本发明采集机构的结构示意图；
图5是本发明移动轮组的结构示意图；
图6是本发明轨道的结构示意图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。
如图1、图2所示，本发明提供的基于多行轨道的田间作物表型监测系统，包括：轨道1，铺设在试验田块10中；车载平台2，可移动地设置在轨道1上，用于搭载传感器及相关设备；定位机构4，安装在车载平台2顶部，用于接收信号定位车载平台2的运动轨迹以及定点拍摄作物；采集机构5，安装在车载平台2前部，用于扫描和拍摄作物表型；控制及动力机构6，安装在车载平台2上，用于控制整个监测系统并提供动力。
在上述实施例中，优选的，如图6所示，轨道1包括若干组间隔铺设在试验田块10中的纵向轨道101，并且在纵向轨道101的端部设有预留地102。
在上述实施例中，优选的，如图2所示，车载平台2包括：支撑杆本体3，支撑杆本体3为由多个长短不一的支架套接组成的上三棱体下梯体结合的对称结构；移动轮组7，安装在支撑杆本体3两侧底部并与轨道1接触，用于带动车载平台2相对于轨道1移动。
在上述实施例中，优选的，如图2、图5所示，移动轮组7包括：主轮71和导轮72，两组主轮71和导轮72直接安装在支撑杆本体3的两侧底部，主轮71和导轮72与纵向轨道101配合安装并且能够相对于纵向轨道101运动；副轮73，两组副轮73通过动力千斤顶9安装在支撑杆本体3的两侧底部并且能够相对于预留地102水平运动，副轮73通过动力千斤顶9与主轮71和导轮72自由切换。
在上述实施例中，优选的，该田间作物表型监测系统还包括GPS基站8，同时定位机构4包括设置在支撑杆本体3顶部的UHF高频天线41和2个GPS天线42，UHF高频天线41用于接收GPS基站8的传输信息，并由GPS天线42实时定位车载平台2的位置信息。
在上述实施例中，优选的，如图4所示，两个相同的采集机构5对称的安装在支撑杆本体3的前部，每一采集机构5包括：支架副体51，支架副体51前部设置有直线滑轨55，支架副体51后部与支撑杆本体3前部连接；多光谱相机52、可见光相机53和激光雷达54，分别通过滑块滑动设置在支架副体51的直线滑轨55上，用于对作物表型特征进行全面化和精准化的扫描和拍摄。
在上述实施例中，优选的，如图2、图3所示，控制及动力机构6包括：控制箱62，安装在支撑杆本体3中部并与多光谱相机52、可见光相机53和激光雷达54连接，用于控制多光谱相机52和可见光相机53的拍摄模式及激光雷达54的扫描模式；电源箱61，安装在支撑杆本体3中部并与控制箱62连接，用于为控制箱62提供电能；驱动箱63，两个驱动箱63分别安装在支撑杆本体3的两侧并与相应侧的移动轮组7和动力千斤顶9连接，用于为主轮71和动力千斤顶9提供驱动力。
基于上述实施例提供的田间作物表型监测系统，本发明还提出了一种田间作物表型监测方法，包括如下步骤：
步骤一：通过RTK-GPS获取当地的地理位置，对应GPS基站8中的位置点，UHF高频天线41接收GPS基站8的传输信息，GPS天线用于定位车载平台的位置信息；
步骤二：在PC端安装Pheno系统，并使Pheno系统与控制箱62相匹配，车载平台2在田块10中的运动轨迹实时显示在Pheno系统界面；
步骤三：车载平台2运动过程中，操作Pheno系统控制采集机构5进行定位定点拍摄，并根据车载平台2在试验田块10中的运动轨迹，获得试验田块编号序列，然后再由定位获得的田块编号序列与实际田块编号信息匹配；
步骤四：通过操作Pheno系统，设定激光雷达54的扫描模式，设定多光谱相机52和可见光相机53的摄像模式，按照定位定点摄像中车载平台2的运动轨迹，在运动轨迹区域内，激光雷达54实时获取作物三维点云数据，多光谱相机52实时连续监测作物多光谱波段信息，可见光相机53定点摄像分别设置0°～90°摄像角度，获取多种拍摄角度下作物表型RGB图像信息，并将激光雷达54、多光谱相机52和可见光相机53探头获得的原始数据压缩保存到Pheno系统中；
步骤五：通过解压缩分析软件，解压缩各传感器获取的原始数据，通过编程和图像处理工具，分析提取感兴趣的作物表型性状，并对提取效果进行验证，具体包括以下步骤：
1)解压缩原始数据：解压多光谱相机52、可见光相机53和激光雷达54获取的原始数据，多种原始数据以图像信息形式呈现；
2)图像分类：图像信息包括感兴趣的作物表型信息和无效的土壤背景值，通过阈值法分割剔除图像信息中的土壤背景值，同时将每一张作物图像中分割得到的感兴趣作物表型(绿色部分)拼接完整成整个试验田采集区作物图像。
其中，多光谱相机52有多个波段信息，且波段特征相异，需针对每个波段特征，找到相匹配的阈值范围，区分感兴趣区和无效值。同样的，可见光相机53获取的0°～90°角度的作物表型RGB图像信息，需找到相匹配的阈值范围，区分感兴趣区和无效值。激光雷达54通过扫描作物生成作物三维点云数据，作物三维点云数据通过特定光传输模型算法可以获取感兴趣作物的冠层结构特征和光截获率等信息。
3)霍夫变换：边际噪声主要包括杂草、石头等，通过“霍夫变换”方法去除边际噪声。同时，作物株高之间的差异使得多光谱相机52和可见光相机53拍摄图像时获取的作物原始图像未保持同一水平线，通过“霍夫变换”方法实现每一行作物图像之间相互平行。
4)数据反演：多光谱相机52获取的作物光谱波段数据，通过耦合的冠层光传输和叶片光传输模型，实现对叶绿素含量的反演；可见光相机53获取的作物表型RGB图像，设置0°～90°的拍摄角度，估算作物密度和绿色部分面积；激光雷达54获取的作物三维点云数据，通过光传输模型反演作物冠层的叶面积指数和光截获信息。
5)效果验证：通过机器学习和人工神经网络方法，将反演后的数据划分为定标集、预测集和检验集作为稳定可靠的分析模型，以最小均方根误差RMSE作为分析模型评价标准，均方根误差RMSE值越小，分析模型越佳，效果越好。
在上述实施例中，优选的，在Pheno系统中设定车载平台2的行驶速度，若运动速度超过设定值，可在Pheno系统界面实时反馈，并将车载平台2速度调整为设定值范围内。
在上述实施例中，优选的，在Pheno系统中设定激光雷达54扫描高度和角度，若扫描作物图像超过设定阈值，可在Pheno系统界面实时反馈，需重新设置激光雷达54扫描高度，并再次扫描。
在上述实施例中，优选的，车载平台2的运动速度范围为0.05～1.00m/s。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种基于多行轨道的田间作物表型监测系统，其特征在于，包括：
轨道(1)，铺设在试验田块(10)中；
车载平台(2)，可移动地设置在所述轨道(1)上，用于搭载传感器及相关设备；
定位机构(4)，安装在所述车载平台(2)顶部，用于接收信号并定位车载平台(2)的运动轨迹；
采集机构(5)，安装在所述车载平台(2)前部，用于扫描和拍摄作物表型；
控制及动力机构(6)，安装在所述车载平台(2)上，用于控制整个监测系统并提供动力。
2.根据权利要求1所述的田间作物表型监测系统，其特征在于，所述轨道(1)包括若干组间隔铺设在所述试验田块(10)中的纵向轨道(101)，并且在所述纵向轨道(101)的端部设有预留地(102)。
3.根据权利要求2所述的田间作物表型监测系统，其特征在于，所述车载平台(2)包括：
支撑杆本体(3)，所述支撑杆本体(3)为由多个长短不一的支架套接组成的上三棱体下梯体结合的对称结构；
移动轮组(7)，安装在所述支撑杆本体(3)两侧底部并与所述轨道(1)接触，用于带动所述车载平台(2)相对于所述轨道(1)移动。
4.根据权利要求3所述的田间作物表型监测系统，其特征在于，所述移动轮组(7)包括：
主轮(71)和导轮(72)，两组所述主轮(71)和导轮(72)直接安装在所述支撑杆本体(3)的两侧底部，所述主轮(71)和导轮(72)与所述纵向轨道(101)配合安装并且能够相对于所述纵向轨道(101)运动；
副轮(73)，两组所述副轮(73)通过动力千斤顶(9)安装在所述支撑杆本体(3)的两侧底部并且能够相对于所述预留地(102)水平运动，所述副轮(73)通过所述动力千斤顶(9)与所述主轮(71)和导轮(72)自由切换。
5.根据权利要求1到4任一项所述的田间作物表型监测系统，其特征在于，该系统还包括GPS基站(8)，同时所述定位机构(4)包括设置在所述支撑杆本体(3)顶部的UHF高频天线(41)和GPS天线(42)，所述UHF高频天线(41)用于接收所述GPS基站(8)的传输信息，并由所述GPS天线(42)实时定位所述车载平台(2)的位置信息。
6.根据权利要求3所述的田间作物表型监测系统，其特征在于，两个相同的所述采集机构(5)对称的安装在所述支撑杆本体(3)的前部，每一所述采集机构(5)包括：
支架副体(51)，所述支架副体(51)前部设置有直线滑轨(55)，所述支架副体(51)后部与所述支撑杆本体(3)前部连接；
多光谱相机(52)、可见光相机(53)和激光雷达(54)，分别通过滑块滑动设置在所述支架副体(51)的直线滑轨(55)上，用于对作物表型特征进行全面化和精准化的扫描和拍摄。
7.根据权利要求6所述的田间作物表型监测系统，其特征在于，所述控制及动力机构(6)包括：
控制箱(62)，安装在所述支撑杆本体(3)中部并与所述多光谱相机(52)、可见光相机(53)和激光雷达(54)连接，用于控制所述多光谱相机(52)和可见光相机(53)的拍摄模式及所述激光雷达(54)的扫描模式；
电源箱(61)，安装在所述支撑杆本体(3)中部并与所述控制箱(62)连接，用于为所述控制箱(62)提供电能；
驱动箱(63)，两个所述驱动箱(63)分别安装在所述支撑杆本体(3)的两侧并与相应侧的所述移动轮组(7)和动力千斤顶(9)连接，用于为所述主轮(71)和动力千斤顶(9)提供驱动力。
8.一种田间作物表型监测方法，采用如权利要求6或7所述的田间作物表型监测系统，其特征在于，该方法包括如下步骤：
步骤一：通过RTK-GPS获取当地的地理位置，对应GPS基站(8)中的位置点，UHF高频天线(41)接收GPS基站(8)的传输信息，GPS天线(42)用于定位车载平台的位置信息；
步骤二：在PC端安装Pheno系统，并使Pheno系统与控制箱(62)相匹配，车载平台(2)在试验田块(10)中的运动轨迹实时显示在Pheno系统界面；
步骤三：车载平台(2)运动过程中，操作Pheno系统控制采集机构(5)进行定位定点拍摄，并根据车载平台(2)在试验田块(10)中的运动轨迹，获得试验田块编号序列，然后再由定位获得的试验田块编号序列与实际田块编号信息匹配；
步骤四：通过操作Pheno系统，设定激光雷达(54)的扫描模式，设定多光谱相机(52)和可见光相机(53)的摄像模式，按照定位定点摄像中车载平台(2)的运动轨迹，在运动轨迹区域内，激光雷达(54)实时获取作物三维点云数据，多光谱相机(52)实时连续监测作物多光谱波段信息，可见光相机(53)定点摄像分设置0°～90°摄像角度，获取多种拍摄角度下作物表型RGB图像信息，并将激光雷达(54)、多光谱相机(52)和可见光相机(53)探头获得的原始数据压缩保存到Pheno系统中；
步骤五：通过解压缩分析软件，解压缩各传感器获取的原始数据，通过编程和图像处理工具，分析提取感兴趣的作物表型性状，并对提取效果进行验证。
9.根据权利要求8所述的田间作物表型监测方法，其特征在于，在进行上述步骤五时，具体包括以下步骤：
1)解压缩原始数据：解压多光谱相机(52)、可见光相机(53)和激光雷达(54)获取的原始数据，将多种原始数据以图像信息形式呈现；
2)图像分类：图像信息包括感兴趣的作物表型信息和无效的土壤背景值，通过阈值法分割剔除图像信息中的土壤背景值，同时将每一张作物图像中分割得到的感兴趣作物表型拼接完整成整个试验田采集区作物图像；
3)霍夫变换：通过“霍夫变换”方法去除边际噪声以及实现每一行作物图像之间相互平行；
4)数据反演：多光谱相机(52)获取的作物光谱波段数据，通过耦合的冠层光传输和叶片光传输模型，实现对叶绿素含量的反演；可见光相机(53)获取的作物表型RGB图像，设置0°～90°的拍摄角度，估算作物密度和绿色部分面积；激光雷达(54)获取的作物三维点云数据，通过光传输模型反演作物冠层的叶面积指数和光截获信息；
5)效果验证：通过机器学习和人工神经网络方法，将反演后的数据划分为定标集、预测集和检验集作为稳定可靠的分析模型，以最小均方根误差RMSE作为分析模型评价标准，均方根误差RMSE值越小，分析模型越佳，效果越好。
10.根据权利要求9所述的田间作物表型监测方法，其特征在于，在上述步骤2)中，多光谱相机(52)有多个波段信息，且波段特征相异，需针对每个波段特征，找到相匹配的阈值范围，区分感兴趣区和无效值；同样的，可见光相机(53)获取的0°～90°角度的作物表型RGB图像信息，需找到相匹配的阈值范围，区分感兴趣区和无效值；激光雷达(54)通过扫描作物生成作物三维点云数据，作物三维点云数据通过光传输模型算法获取感兴趣作物的冠层结构特征和光截获率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911170664.1A CN110849264A (zh) | 2019-11-26 | 2019-11-26 | 一种基于多行轨道的田间作物表型监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911170664.1A CN110849264A (zh) | 2019-11-26 | 2019-11-26 | 一种基于多行轨道的田间作物表型监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110849264A true CN110849264A (zh) | 2020-02-28 |
Family
ID=69604425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911170664.1A Pending CN110849264A (zh) | 2019-11-26 | 2019-11-26 | 一种基于多行轨道的田间作物表型监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110849264A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111707235A (zh) * | 2020-05-09 | 2020-09-25 | 广东省国土资源测绘院 | 一种基于三维激光扫描技术的地物测量方法 |
| CN112014330A (zh) * | 2020-07-30 | 2020-12-01 | 北京农业智能装备技术研究中心 | 作物近地光谱数据采集方法及装置 |
| CN112097839A (zh) * | 2020-09-29 | 2020-12-18 | 广西壮族自治区农业科学院 | 一种田间信息采集装置 |
| CN112698347A (zh) * | 2020-12-02 | 2021-04-23 | 北京华益瑞科技有限公司 | 地表植被参数监测装置、系统及方法 |
| CN112800935A (zh) * | 2021-01-25 | 2021-05-14 | 山东大学 | 一种基于激光雷达的虫群轨迹预测和虫害防治效果评估设备及布设方法 |
| WO2021184667A1 (zh) * | 2020-03-15 | 2021-09-23 | 南京星土科技有限公司 | 一种基于槽道的作物根系表型采集系统 |
| CN114088704A (zh) * | 2020-08-25 | 2022-02-25 | 中国科学院分子植物科学卓越创新中心 | 房车式田间植物光合表型平台 |
| CN114104143A (zh) * | 2021-11-29 | 2022-03-01 | 东北农业大学 | 一种自动获取水稻叶面积指数无人车 |
-
2019
- 2019-11-26 CN CN201911170664.1A patent/CN110849264A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021184667A1 (zh) * | 2020-03-15 | 2021-09-23 | 南京星土科技有限公司 | 一种基于槽道的作物根系表型采集系统 |
| CN111707235A (zh) * | 2020-05-09 | 2020-09-25 | 广东省国土资源测绘院 | 一种基于三维激光扫描技术的地物测量方法 |
| CN112014330A (zh) * | 2020-07-30 | 2020-12-01 | 北京农业智能装备技术研究中心 | 作物近地光谱数据采集方法及装置 |
| CN114088704A (zh) * | 2020-08-25 | 2022-02-25 | 中国科学院分子植物科学卓越创新中心 | 房车式田间植物光合表型平台 |
| CN112097839A (zh) * | 2020-09-29 | 2020-12-18 | 广西壮族自治区农业科学院 | 一种田间信息采集装置 |
| CN112698347A (zh) * | 2020-12-02 | 2021-04-23 | 北京华益瑞科技有限公司 | 地表植被参数监测装置、系统及方法 |
| CN112800935A (zh) * | 2021-01-25 | 2021-05-14 | 山东大学 | 一种基于激光雷达的虫群轨迹预测和虫害防治效果评估设备及布设方法 |
| CN114104143A (zh) * | 2021-11-29 | 2022-03-01 | 东北农业大学 | 一种自动获取水稻叶面积指数无人车 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110849264A (zh) | 一种基于多行轨道的田间作物表型监测系统及方法 | |
| CN110260789B (zh) | 一种田间高通量作物表型监测系统及方法 | |
| CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| CN106406178B (zh) | 一种温室作物生长信息实时对等监测装置及监测方法 | |
| CN111561873B (zh) | 自走式苗木树干表型信息采集系统及其采集方法 | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| CN106441442A (zh) | 一种大田作物表型信息高通量对等监测装置及监测方法 | |
| ES2951738T3 (es) | Escáner de cultivos | |
| Atkinson et al. | Field phenotyping for the future | |
| 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 | |
| Zhao et al. | Tree canopy differentiation using instance-aware semantic segmentation | |
| Belton et al. | Crop height monitoring using a consumer-grade camera and UAV technology | |
| CN212180636U (zh) | 一种田间作物表型五维数据采集车 | |
| CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
| CN109883323B (zh) | 一种田间作物表型参数的测量装置及方法 | |
| CN206177358U (zh) | 一种大田作物表型信息高通量对等监测装置 | |
| Fan et al. | A high-throughput phenotyping robot for measuring stalk diameters of maize crops | |
| CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
| CN211601855U (zh) | 一种基于多行轨道的田间作物表型监测系统 | |
| Kothawade et al. | High throughput canopy characterization of a commercial apple orchard using aerial RGB imagery | |
| CN210775193U (zh) | 一种用于田间农作物三维扫描的平台装置 | |
| Meyer et al. | For5g: Systematic approach for creating digital twins of cherry orchards | |
| CN211532340U (zh) | 一种定位栏母猪的监测系统 | |
| CN112598531A (zh) | 一种农场无人自动化巡田方法 | |
| CN117274359B (zh) | 一种作物群体的株高测算方法和系统 |
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 |