CN111289997A - 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 - Google Patents
一种基于激光雷达传感器的田间作物冠层稠密度检测方法 Download PDFInfo
- Publication number
- CN111289997A CN111289997A CN202010057748.0A CN202010057748A CN111289997A CN 111289997 A CN111289997 A CN 111289997A CN 202010057748 A CN202010057748 A CN 202010057748A CN 111289997 A CN111289997 A CN 111289997A
- Authority
- CN
- China
- Prior art keywords
- canopy
- crop
- laser radar
- point cloud
- density
- 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 description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 15
- 239000000575 pesticide Substances 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 3
- 229920000742 Cotton Polymers 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于激光雷达传感器的田间作物冠层稠密度检测方法，选取冠层稠密度有明显差异的作物田地，搭建冠层稠密度检测装置，获取作物三维点云数据；将得到的原始三维点云数据进行分割去除、高度换算以及作物冠层区域划分；再采集叶面积数据并计算出各田块的叶面积指数LAI，由不同稠密程度的作物叶面积指数LAI与作物冠层区域点云数量，得到作物冠层区域点云数量与冠层稠密程度的数学模型。本发明不受光照影响、测量速度快，可以更高效地进行后续的施药作业。
Description
技术领域
本发明属于田间信息检测领域，特别涉及一种基于激光雷达传感器的田间作物冠层稠密度检测方法。
背景技术
叶面积指数是一块土地上所有植物、作物的叶片总面积与土地总面积的比值，它与植被的密度、结构(单层或复层)、树木的生物学特性(分枝角、叶着生角、耐荫性等)和环境条件(光照、水分、土壤营养状况)有关，是表示植被利用光能状况和冠层结构的一个综合指标。叶面积指数是表示冠层稠密度的一个重要指标，冠层稠密度不仅直接反映了植物的生长状况，描述了植物冠层的生长程度，并能体现冠层内的上、中、下部冠层的叶片分布情况，对其进行精确检测可以助于实际的田间作业。
中国专利(CN104457626A)利用地面激光雷达测量系统生成的二维点云数据，结合计算机图形学技术，将每一帧的点云拼接成三维点云图像，从点云图像中获取叶面积指数计算的相关参数得到数学模型，反演得到叶面积指数；此方法需要将点云数据图像化处理，多帧的二维点云拼接过程以及后续点云处理过程较为复杂，得到的叶面积指数并不能反映田间冠层的稠密度，没有得到深入的冠层上、中、下部的叶片分布信息。中国专利(CN109006749A)在分行器上安装多维力传感器检测田间随机分行阻力信息，并通过对田间冠层稠密度信息的人工测定及两者之间的对比建模，建立了基于分行阻力的田间冠层稠密度检测模型；此方法只是通过检测冠层的分行阻力侧面反映冠层稠密程度，同样无法测得植物冠层内部上、中、下部的叶片分布情况，且检测系统体量过于庞大，不易实施。
为了简洁、高效的对田间作物生长中后期的冠层稠密度进行检测，本发明提供了一种基于激光雷达传感器的田间作物冠层稠密度检测方法，该方法也为后续的田间施药量控制以及风送参数的设定提供更准确的依据。
发明内容
本发明提供了一种基于激光雷达传感器的田间作物冠层稠密度检测方法，将作物冠层区域划分为上部冠层区域、中部冠层区域、下部冠层区域和接近地面区域，并建立不同稠密度的作物冠层区域点云数量与叶面积指数的数学模型，从而标定作物冠层稠密度。
为实现上述目的，本发明的技术方案是：
一种基于激光雷达传感器的田间作物冠层稠密度测定方法，采集田间作物冠层的三维点云数据，对三维点云数据进行分割、高度换算以及作物冠层区域划分，建立不同稠密度的作物冠层区域点云数量与叶面积指数的数学模型，从而标定作物冠层稠密度。
进一步，所述三维点云数据的分割过程为：以激光雷达传感器的水平视场角平分面为基准面，根据采集点到该基准面的距离，对采集点进行分割。
进一步，所述三维点云数据的高度换算采用的公式为：H＝cos(45°-α)*cosω*R，其中H为采集点与激光雷达传感器之间的相对高度，α为点云采集的水平视场角，ω为点云采集的垂直视场角，R为采集点到激光发射原点的距离。
进一步，所述作物冠层区域划分具体为：上部冠层区域、中部冠层区域、下部冠层区域和接近地面区域。
更进一步，所述上部冠层区域范围是[H0，H1)，中部冠层区域范围是[H4，H2)，下部冠层区域范围是[H2，H3)，接近地面区域范围是[H3，H4]，其中H0是与激光雷达传感器原点距离最近的采集点的相对高度，H1为激光雷达传感器原点与上、中部冠层分界面的相对高度，H2为激光雷达传感器原点与中、下部冠层分界面的相对高度，H3为激光雷达传感器原点与下部冠层与地面分界面的相对高度，H4为激光雷达传感器原点与地面的相对高度。
更进一步，所述H1＝D1+H0、H2＝D2+H0、H3＝D3+H0，其中D1为上部冠层的高度范围，D2为中部冠层的高度范围，D3为中部冠层的高度范围。
更进一步，所述D1＝(H-H0)*a、D2＝(H-H0)*b、D3＝(H-H0)*c，其中a、b、c分别为作物上部、中部、下部冠层在整个植株的高度占比。
更进一步，所述作物冠层区域点云数量由相对高度H所在区域决定。
进一步，所述数学模型为叶面积指数与上、中、下部冠层区域点云数量以及接近地面区域点云数量之间的多元线性回归方程。
本发明的有益效果为：相较于现有技术，本发明提供了一种基于激光雷达传感器的田间作物冠层稠密度检测方法，通过搭建基于激光雷达传感器的田间作物冠层稠密度检测装置，扫描田间冠层，田间作物冠层的三维点云数据，对三维点云数据进行分割、高度换算以及作物冠层区域划分，具体包括上部冠层区域、中部冠层区域、下部冠层区域和接近地面区域，建立不同稠密度的作物冠层区域点云数量与叶面积指数的数学模型，得到冠层稠密度。本发明提出的田间冠层稠密度检测方法，相对于光学测量更加高效不受光照影响；相较于图像处理，没有复杂的数据处理过程，测量速度快。当作物冠层稠密度建模定标后，再次采集三维点云数据进行处理后，就能确定当前作物的冠层稠密度，更高效的进行后续的施药作业。本发明在农业精准施药上有很大应用价值。
附图说明
图1为本发明一种基于激光雷达传感器的田间作物冠层稠密度检测方法流程图；
图2为本发明作物冠层稠密度检测装置示意图；
图3为本发明中三维激光雷达的测定原理图；
图4为本发明中三维点云数据处理的程序框图；
图5为本发明中高度转换示意图；
其中：1、激光雷达传感器；2、田间行走架；3、电脑设备；4、电池；5、田间作物；6、点云采集点。
具体实施方式
为使本发明结构特征以及所达成的功效有更进一步的了解与认识，用以较佳的实施例以及附图配合详细的说明，说明如下。
如图1所示，本发明所述的一种基于激光雷达传感器的田间作物冠层稠密度测定方法(本实施例中的田间作物选取棉花)，包括以下步骤：
步骤(1)，在棉花生长中后期选取稀疏、较稀疏、中等、较稠密、稠密长势明显不同的5块田；检测装置以作物两行幅宽作为宽a，沿着行间采集长为b的矩形作物范围(b大于3a)；在该矩形范围内随机取3个以幅宽为边长的正方形区域，进行叶面积指数的计算。
步骤(2)，搭建检测装置
如图2所示，激光雷达传感器1垂直安装固定在田间行走架2边沿的正中位置，电池4与电脑设备3放置在田间行走架2上，电池4给激光雷达传感器1供电，激光雷达传感器1采集作物信息，并将信息通过以太网传给电脑设备3，电脑设备3用来采集作物冠层的三维点云数据。
步骤(3)，采集作物冠层的三维点云数据
如图3所示，激光雷达传感器1位于棉花行间的正上方，将激光雷达传感器1的水平视场角锁定在0°至90°的扇面，其水平视场角平分线方向垂直地面向下，激光雷达传感器1的水平视场角正好罩住两行棉花，扫描的水平幅宽为两行棉花的幅宽，朝着行间移动检测装置，扫描棉花的冠层。激光雷达传感器1采集到的三维点云数据通过以太网传输到电脑设备3，采集的数据包括行走一段时间内所有帧的作物冠层三维点云数据：包括点云采集点6到激光发射原点的距离R、点云采集的水平视场角α、点云采集的垂直视场角ω、点云采集点的坐标值(X，Y，Z)，该坐标值在以激光雷达传感器1激光发射原点为坐标原点的三维坐标系中(图5)。
步骤(4)，三维点云数据处理
将采集的作物冠层三维点云数据传输给电脑设备3，在PyCharm软件中进行处理，如图4所示。
①三维点云数据的分割
为了与后续采集的叶面积指数LAI对应分析，需要将三维点云数据的范围锁定在一个立方体区域内，将采集到的三维点云数据中不在立方体区域内的采集点进行分割去除。设激光雷达传感器1的水平视场角平分面(即水平视场角平分线所在的面)为基准面，水平视场角平分面在激光雷达传感器1三维坐标系下的方程为y＝x。根据采集点到该基准面的距离，判断其是否立方体区域内，设定阈值L为一行作物幅宽的
采集点到水平视场角平分面的距离(Y-X)小于阈值L则符合要求，按此进行三维点云数据的分割。
②三维点云数据高度的换算
将点云采集点6到激光发射原点的距离R转化为采集点与激光雷达传感器1之间的相对高度H，如图5所示，H的求解公式为：
H＝cos(45°-α)*cosω*R
由此确定三维点云数据相对高度的最大值H4和最小值H0。
③作物冠层进行区域划分
根据作物的冠层生长结构，将三维点云数据相对高度的最大值和最小值之间的高度，按照比例划分为上部冠层区域、中部冠层区域、下部冠层区域、接近地面区域。上部冠层区域为[H0，H1)、中部冠层区域为[H1，H2)、下部冠层区域为[H2，H3)、接近地面区域为[H3，H4]，其中H0是与激光雷达传感器1原点距离最近的采集点的相对高度，H1为激光雷达传感器1原点与上、中部冠层分界面的相对高度，H2为激光雷达传感器1原点与中、下部冠层分界面的相对高度，H3为激光雷达传感器1原点与下部冠层与地面分界面的相对高度，H4为激光雷达传感器1原点与地面的相对高度，D1为上部冠层的高度范围，D2为中部冠层的高度范围，D3为中部冠层的高度范围，D4为作物接近地面的高度范围，采用的计算公式如下：
D1＝(H-H0)*a，H1＝D1+H0
D2＝(H-H0)*b，H2＝D2+H0
D3＝(H-H0)*c，H3＝D3+H0
其中，a、b、c分别为作物上部、中部、下部冠层在整个植株的高度占比，由不同作物的生长结构确定。
首先判断相对高度H是否在[H0，H1)范围内，若H∈[H0，H1)，即采集点落在上部冠层区域，将相对高度H写入二维列表的第一行，若H不在[H0，H1)范围内，再判断相对高度H是否在[H1，H2)范围内，若H∈[H1，H2)，即采集点落在中部冠层区域，将相对高度数据写入二维列表的第二行，若H不在[H1，H2)范围内，再判断相对高度H是否在[H2，H3)范围内，如果H∈[H2，H3)，即采集点落在下部冠层区域，将相对高度数据写入二维列表的第三行，若H不在[H2，H3)范围内，判断相对高度H是否在[H3，H4]范围内，如果H∈[H3，H4]，即采集点落在接近地面区域，将相对高度数据写入二维列表的第四行。
步骤(5)，分区后三维点云数据统计
根据步骤(4)划分的四个区域，统计各区域的点云数量。
步骤(6)，获取样本田方块的叶面积指数
在每个正方形区域，测量每个正方形区域的占地面积，并采摘该区域内每株作物的叶片，使用便携式叶面积仪测量所有采摘的叶片的面积，并汇总。根据叶面积指数公式求得叶面积指数LAI，公式如下：
步骤(7)，将得到的叶面积指数LAI用来表征冠层稠密度的标定值，使用SPSS统计分析软件对稠密程度不同的5块田的LAI以及上、中、下部冠层区域的点云数量以及接近地面区域的点云数量进行线性回归分析，得到的数学模型为LAI与上、中、下部冠层区域点云数量以及接近地面区域点云数量之间的多元线性回归方程，叶面积指数LAI为因变量，上、中、下部冠层区域点云数以及接近地面区域点云数为自变量，从而标定作物冠层稠密度。
通过定标建立的冠层稠密度数学模型，当再次使用激光雷达传感器采集任一稠密程度棉田冠层的三维点云数量，获取其冠层稠密度。通过判断冠层稠密度是否匹配稀疏、较稀疏、中等、较稠密、稠密五种稠密程度(根据作物的具体类型，可获取稠密程度范围的经验区间)，得到较为精确的田间作物冠层稠密度，从而对后续施药机作业的设定相应的五种风送参数，以实现更高效、精准的田间作业。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。应当说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围之内。
Claims (9)
1.一种基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，采集田间作物冠层的三维点云数据，对三维点云数据进行分割、高度换算以及作物冠层区域划分，建立不同稠密度的作物冠层区域点云数量与叶面积指数的数学模型，从而标定作物冠层稠密度。
2.根据权利要求1所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述三维点云数据的分割过程为：以激光雷达传感器的水平视场角平分面为基准面，根据采集点到该基准面的距离，对采集点进行分割。
3.根据权利要求1所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述三维点云数据的高度换算采用的公式为：H＝cos(45°-α)*cosω*R，其中H为采集点与激光雷达传感器之间的相对高度，α为点云采集的水平视场角，ω为点云采集的垂直视场角，R为采集点到激光发射原点的距离。
4.根据权利要求1所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述作物冠层区域划分具体为：上部冠层区域、中部冠层区域、下部冠层区域和接近地面区域。
5.根据权利要求4所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述上部冠层区域范围是[H0，H1)，中部冠层区域范围是[H1，H2)，下部冠层区域范围是[H2，H3)，接近地面区域范围是[H3，H4]，其中H0是与激光雷达传感器原点距离最近的采集点的相对高度，H1为激光雷达传感器原点与上、中部冠层分界面的相对高度，H2为激光雷达传感器原点与中、下部冠层分界面的相对高度，H3为激光雷达传感器原点与下部冠层与地面分界面的相对高度，H4为激光雷达传感器原点与地面的相对高度。
6.根据权利要求5所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述H1＝D1+H0、H2＝D2+H0、H3＝D3+H0，其中D1为上部冠层的高度范围，D2为中部冠层的高度范围，D3为中部冠层的高度范围。
7.根据权利要求6所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述D1＝(H-H0)*a、D2＝(H-H0)*b、D3＝(H-H0)*c，其中a、b、c分别为作物上部、中部、下部冠层在整个植株的高度占比。
8.根据权利要求5所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述作物冠层区域点云数量由相对高度H所在区域决定。
9.根据权利要求1所述的基于激光雷达传感器的田间作物冠层稠密度测定方法，其特征在于，所述数学模型为叶面积指数与上、中、下部冠层区域点云数量以及接近地面区域点云数量之间的多元线性回归方程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010057748.0A CN111289997A (zh) | 2020-01-19 | 2020-01-19 | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010057748.0A CN111289997A (zh) | 2020-01-19 | 2020-01-19 | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111289997A true CN111289997A (zh) | 2020-06-16 |
Family
ID=71023243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010057748.0A Pending CN111289997A (zh) | 2020-01-19 | 2020-01-19 | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111289997A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112068153A (zh) * | 2020-08-24 | 2020-12-11 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
| CN113487636A (zh) * | 2021-07-01 | 2021-10-08 | 广西大学 | 基于激光雷达的宽垄作物株高及行间距自动提取方法 |
| CN115629393A (zh) * | 2022-11-30 | 2023-01-20 | 北京市农林科学院智能装备技术研究中心 | 生物量估算方法、装置、系统、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| 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 |
| CN106248003A (zh) * | 2016-08-24 | 2016-12-21 | 电子科技大学 | 一种三维激光点云提取植被冠层聚集度指数的方法 |
| CN108489432A (zh) * | 2018-05-15 | 2018-09-04 | 江苏大学 | 一种喷杆相对作物冠层高度实时测量系统及方法 |
-
2020
- 2020-01-19 CN CN202010057748.0A patent/CN111289997A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| 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 |
| CN106248003A (zh) * | 2016-08-24 | 2016-12-21 | 电子科技大学 | 一种三维激光点云提取植被冠层聚集度指数的方法 |
| CN108489432A (zh) * | 2018-05-15 | 2018-09-04 | 江苏大学 | 一种喷杆相对作物冠层高度实时测量系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张漫 等: "基于车载三维激光雷达的玉米叶面积指数测量", 《农业机械学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112068153A (zh) * | 2020-08-24 | 2020-12-11 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
| CN112068153B (zh) * | 2020-08-24 | 2022-07-29 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
| CN113487636A (zh) * | 2021-07-01 | 2021-10-08 | 广西大学 | 基于激光雷达的宽垄作物株高及行间距自动提取方法 |
| CN115629393A (zh) * | 2022-11-30 | 2023-01-20 | 北京市农林科学院智能装备技术研究中心 | 生物量估算方法、装置、系统、电子设备及存储介质 |
| CN115629393B (zh) * | 2022-11-30 | 2023-04-21 | 北京市农林科学院智能装备技术研究中心 | 生物量估算方法、装置、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| CN112381861B (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 | |
| CN111289997A (zh) | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 | |
| CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
| CN109978047B (zh) | 一种田间小麦茎蘖数提取方法 | |
| CN108594262A (zh) | 一种结合无人机和地基激光雷达提取树高的方法 | |
| CN108732129A (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
| CN110988909B (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| 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 | |
| CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
| CN109407112B (zh) | 基于LiDAR点云数据的果树树冠体积测算方法及系统 | |
| Liu et al. | Analysis of cotton height spatial variability based on UAV-LiDAR | |
| CN105371762A (zh) | 一种基于图像分析的果树树冠体积测量方法 | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| CN117636157A (zh) | 利用地面激光扫描确定银杏秋季落叶期物候变化的方法 | |
| CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
| Chen et al. | LAI-NOS: An automatic network observation system for leaf area index based on hemispherical photography | |
| Wei et al. | Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction | |
| 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 | |
| CN102509096A (zh) | 一种玉米植株叶倾角的提取处理方法 | |
| CN111814585A (zh) | 无人机近地空作物苗情遥感监测方法、装置及存储介质 | |
| CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
| CN110554406B (zh) | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 | |
| CN110781602B (zh) | 基于特征空间法来获取时空连续的土壤水方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |