CN111487646A - 一种玉米植株形态在线检测方法 - Google Patents

一种玉米植株形态在线检测方法 Download PDF

Info

Publication number
CN111487646A
CN111487646A CN202010242247.XA CN202010242247A CN111487646A CN 111487646 A CN111487646 A CN 111487646A CN 202010242247 A CN202010242247 A CN 202010242247A CN 111487646 A CN111487646 A CN 111487646A
Authority
CN
China
Prior art keywords
point cloud
corn
point
plane
corn plant
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
Application number
CN202010242247.XA
Other languages
English (en)
Inventor
刘路
李亚伟
王玉伟
潘艳娟
奚冬冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202010242247.XA priority Critical patent/CN111487646A/zh
Publication of CN111487646A publication Critical patent/CN111487646A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optics & Photonics (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及农业检测技术领域，具体是一种玉米植株形态在线检测方法，包括有以下步骤：S1：通过工控机、三维激光雷达传感器和农业机器人移动平台组成三维激光雷达点云采集系统，获取玉米植株的点云信息；S2：过滤掉点云信息中多余的噪点和地面点云，S3：试验选取合适的距离阈值，并对玉米作物行点云进行识别；S4：对识别出来的玉米作物行点云作平面投影，将单株玉米植株点云分离出来；S5：根据单独提取出来的单株玉米植株点云对玉米植株进行形态检测，本发明在处理点云数据时能够快速有效的过滤掉与玉米植株无关的噪点信息；实现玉米植株的在线检测功能；实现了检测的高精度和可靠性强；能够广泛应用到农业作物的检测领域。

Description

一种玉米植株形态在线检测方法
技术领域
本发明涉及农业检测技术领域，具体是一种玉米植株形态在线检测方法。
背景技术
三维激光雷达传感器是获得三维环境信息的重要传感器之一，它具有精度高，可靠性好和实时性强等优良的特点，以此被广泛的应用到三维农业环境的感知上。三维激光雷达传感器是通过发射多条激光光束，按一定的频率对环境进行扫描的，每条光束扫描得到的离散点可表示为P(x，y，z)，x，y，z表示物体在三维激光雷达传感器感知坐标系中的坐标值，也是与三维激光雷达传感器的距离，单位：米，点云数据是大规模的离散型数据集，它能够感知到实际物体的基本特征和结构细节，为识别提供足够的信息。
玉米植株的在线检测是农业环境感知的一项热门研究方向，在农业环境中检测植物的形态信息和位置信息，也有利于智慧农业的实现，在农业环境中使用三维激光雷达传感器获取玉米植株的三维点云信息，根据点云数据对玉米植株进行识别和检测，这将对农业的生长检测有很大的作用，检测的玉米植株的位置信息，也能够帮助智能农业装备在玉米等高杆农业环境中的自走实现。在三维点云信息中检测到玉米植株也是具有很大的挑战和难点，在点云信息中先将点云进行分类，在预处理中需要过滤掉与玉米植株无关的噪点和地面点云。然后对玉米植株进行聚类识别，再结合玉米植株的点云特点，通过投影分析，得到玉米植株的点云密度判断玉米植株的位置。
目前国内外很多的学者也在研究农业作物的检测，对于点云数据处理的算法也有很多，如栅格法等，这些算法在计算上和应用中较为复杂，不利于工程的在线检测等问题。Vlaminck Michiel等提出了一个完整的三维激光雷达传感器扫描数据环路检测与校正系统。该系统在检测方面提出了一种结合全局点云匹配的一种新的高效匹配算法。KaiM.Wurm等人在研究三维环境映射时提出了一种新的多分辨率方法。通过将三维环境建模为3D映射概率的结构层次，对于其中每个单独的子映射进行更新和转换。除此之外，还提出了一种桌面分类任务的实现方法和一种信息驱动的探测算法，用于从传感器数据的自动构建和分层映射。并通过真实世界和模拟数据进行了评估。结果表明，该方法能够在较高的细节层次上有效地表示三维环境。使映射能够更快地生成，并减少的数据的内存。中国农大的张漫教授等提出了玉米三维点云的二次滤波的表面特征处理，通过对点云数据的滤波去除了植株表面的无效的噪点，优化三位玉米点云的识别和植株的提取。并结合三维激光雷达传感器应用到农业自主导航中的目标物的检测和可通行区域快速滤波和提取。
但是上述方法在处理点云的过程中较为复杂，不利于工程的实现，而且也无法较好的在线检测玉米植株的形态。
发明内容
本发明的目的在于提供一种玉米植株形态在线检测方法，以解决上述背景技术中提出的问题。
本发明的技术方案是：
一种玉米植株形态在线检测方法，包括有以下步骤：
步骤S1：通过工控机、三维激光雷达传感器和农业机器人移动平台组成三维激光雷达点云采集系统，获取玉米植株的点云信息；
步骤S2：通过滤波器的直通滤波算法和平面滤波算法过滤掉点云信息中多余的噪点和地面点云，保留玉米作物行点云区域；
步骤S3：通过欧式聚类算法计算点云之间的欧氏距离，试验选取合适的距离阈值，并对玉米作物行点云进行识别；
步骤S4：对识别出来的玉米作物行点云作平面投影，将点云投影到(x，y)平面上，根据点云密度的变化在每两棵玉米之间密度最小的区域作为划分边界，将单株玉米植株点云分离出来；
步骤S5：根据单独提取出来的单株玉米植株点云对玉米植株进行形态检测。
进一步的，所述步骤S1中的工控机与三维激光雷达传感器安放在农业机器人移动平台上，以三维激光雷达传感器为原点o；以农业机器人移动平台的前进方向为坐标系中的X轴方向，玉米植株位于农业机器人移动平台的两侧为坐标系中的Y轴方向，三维激光雷达传感器扫描田间环境，获取田间作物的点云信息，并使该采集系统与玉米植株点云放置在同一的坐标系下。
进一步的，所述步骤S2中，根据采集的玉米植株点云数据，在(x，y)平面中，结合平面滤波算法设置合理的平面距离阈值对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云；利用直通滤波算法对田间环境中的噪点进行滤波，保留玉米植株点云的区域，滤除玉米农田范围以外的无关噪点。
进一步的，所述步骤S3中，通过欧式聚类算法对玉米植株点云进行聚类识别，根据公式：
Figure BDA0002432947710000031
ρi＝∑β(x)*(dij-dc)··········2
β(x)＝1；x＜0；·······3
β(x)＝0；x＞＝0；·······4公式中：d表示点云之间的点距离；x，y，z表示点云的坐标值；ρ表示点云的密度；β表示符号函数；dc表示设定的距离阈值。
进一步的，所述步骤S4中，将上述识别出来的玉米作物点云在(x，y)平面上作投影处理，将点云投影到(x，y)平面上；
Figure BDA0002432947710000032
Figure BDA0002432947710000033
公式中，n为局部平面法线，d为局部平面到坐标原点的距离，x(n,d)为最小二乘法的x值，
Figure BDA0002432947710000041
是x的均值。
进一步的，所述步骤S4中，根据点云密度的变化在两棵玉米之间密度最小的区域作为划分边界，在密度最大的位置利用点云分布的集中，计算点云坐标的中间位置，记为玉米点云的位置，将单株玉米植株点云分离出来。
进一步的，所述步骤S2中，根据采集的玉米植株的点云数据和三维激光雷达点云采集系统的坐标系，在(x，y)平面中，结合平面滤波算法和三维激光雷达传感器安装的高度设置合理的高度距离阈值，在高度距离阈值以下的点云分类为地面点，高度距离阈值以上的点云分类为非地面点，对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云。
本发明通过改进在此提供一种玉米植株形态在线检测方法，与现有技术相比，具有如下改进及优点：
其一：本发明在处理点云数据时能够快速有效的过滤掉与玉米植株无关的噪点信息；然后在点与点之间的距离计算中根据距离阈值的对比能够快速的识别出玉米植株的点云，并对植株群进行标记，在对识别出来的植株群电影云信息根据植株之间存在的间隙，准确的划分出每棵植株的玉米点云，实现玉米植株的在线检测功能；
其二：本发明在检测精度上达到厘米级的要求，在点云中的坐标信息也与实际玉米植株位置匹配，实现了检测的高精度和可靠性强；
其三：本发明能够广泛应用到农业作物的检测领域，提高工业作物检测的准确度和检测数据的正确性。
附图说明
下面结合附图和实施例对本发明作进一步解释:
图1是本发明的整体流程示意图；
图2是本发明三维激光雷达点云采集系统的结构示意图；
图3是本发明玉米植株点云的识别分类图；
图4是本发明玉米植株点云的识别分割图；
图5是本发明玉米植株点云的定位图；
图6是本发明玉米植株点云的二维平面定位图；
图7是本发明单株玉米植株点云图；
附图标记说明：
三维激光雷达传感器1，农业机器人移动平台2，玉米植株3。
具体实施方式
下面对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明通过改进在此提供一种玉米植株形态在线检测方法，如图1-图7所示，包括有以下步骤：
步骤S1：通过工控机、三维激光雷达传感器1和农业机器人移动平台2组成三维激光雷达点云采集系统，获取玉米植株的点云信息；
如图2所示，将工控机和三维激光雷达传感器1安装在农业机器人移动平台2上，农业机器人移动平台2在玉米田间行驶，平台前进的方向是X轴的方向，玉米植株3分布在农业机器人移动平台2的两侧，即为坐标系的Y轴，采集玉米植株3的点云信息并处理；图2中β＝15deg，α＝30deg。
步骤S2：通过滤波器的直通滤波算法和平面滤波算法过滤掉点云信息中多余的噪点和地面点云，保留玉米作物行点云区域，过滤出干扰信息，保留需要点云区域。
三维激光雷达传感器1的感知范围达到百米，所以在三维激光雷达传感器感1知田间环境时，也会将一些无关玉米植株3的点云扫描进来，采用直通滤波和平面滤波对点云数据进行预处理，过滤掉玉米田范围内的其余噪点；
步骤S3：通过欧式聚类算法计算点云之间的欧氏距离，试验选取合适的距离阈值，并对玉米作物行点云进行识别，将根据属性分割出不同的点云。
通过欧式聚类算法计算出点云数据中各点之间的距离关系，根据玉米植株点云为紧凑型的特征，对点云信息中分布的玉米列进行快速识别，如图3所示；实现单株玉米植株3的提取检测；
步骤S4：对识别出来的玉米作物行点云作平面投影，将点云投影到(x，y)平面上，根据点云密度的变化在每两棵玉米之间密度最小的区域作为划分边界，将单株玉米植株点云分离出来，能够分离出具体单株点云，提高检测的准确度。
识别玉米列之后，在玉米农田中一些非玉米的高杆作物也会被误导为玉米，需要对玉米植株3进行更加精细的检测，实现单株玉米植株3的检测，以保证该检测的精度和可靠性；
步骤S5：根据单独提取出来的单株玉米植株点云对玉米植株3进行形态检测，对保留下来的点云数据进行分析，单独提取出来的玉米在三维点云的形态上与实际的玉米植株3进行对比，检测玉米植株3在生成点云后的缺陷，并根据玉米的检测完成玉米植株3的识别功能。
所述步骤S1中的工控机与三维激光雷达传感器安放在农业机器人移动平台2上，以三维激光雷达传感器为原点o；以农业机器人移动平台2的前进方向为坐标系中的X轴方向，玉米植株3位于农业机器人移动平台2的两侧为坐标系中的Y轴方向，三维激光雷达传感器1扫描田间环境，获取田间作物的点云信息，并使该采集系统与玉米植株点云放置在同一的坐标系下，将工控机和三维激光雷达传感器1安装在农业机器人移动平台2上，农业机器人移动平台2在玉米田间行驶，采集玉米植株3的点云信息并处理，并建立三维坐标系；
所述步骤S2中，根据采集的玉米植株点云数据，在(x，y)平面中，结合平面滤波算法设置合理的平面距离阈值对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云；利用直通滤波算法对田间环境中的噪点进行滤波，保留玉米植株点云的区域，滤除玉米农田范围以外的无关噪点，采用直通滤波和平面滤波对点云数据进行预处理，过滤掉玉米田范围内的其余噪点；具体操作如下：
首先将采集到的点云数据根据传感器安装的位置，对地面生成的点云数据进行判断，设置好平面滤波的高度阈值，保存该高度阈值以上的点云部分，将低于该阈值的点云分类到地面点云并滤除；
由于三维激光雷达传感器1的扫描范围较大，且反射的激光光束是360度的，玉米田周围的杂草等植株也会被三维激光雷达传感器1扫描进来，使用直通滤波对玉米田周围的点云进行滤波处理后，保留下来玉米植株3部分的点云；
利用欧式聚类算法对玉米植株点云进行聚类识别，具体操作步骤如下所示：
在预处理之后点云中的无关点大量的减少，因为在田间玉米枝叶也会存在摆动产生部分的噪点，所以在识别玉米植株点云时，通过欧式聚类算法将玉米植株3生成的点云中各点之间的距离如下公式进行计算：
所述步骤S3中，通过欧式聚类算法对玉米植株点云进行聚类识别，根据公式：
Figure BDA0002432947710000071
ρi＝∑β(x)*(dij-dc)··········2
β(x)＝1；x＜0；·······3
β(x)＝0；x＞＝0；·······4公式中：d表示点云之间的点距离；x，y，z表示点云的坐标值；ρ表示点云的密度；β表示符号函数；dc表示设定的距离阈值。
通过上述公式计算出点云数据中各点之间的距离关系，根据玉米植株点云为紧凑型的特征，对点云信息中分布的玉米列进行快速识别，如图3所示；实现单株玉米植株3的提取检测。
识别玉米列之后，在玉米农田中一些非玉米的高杆作物也会被误导为玉米，需要对玉米植株3进行更加精细的检测，实现单株玉米的检测，以保证该检测的精度和可靠性；具体步骤如下：
通过对识别出来的玉米田中的玉米；将点云投影到XY平面上，由于玉米植株3之间存在间隙，所以在XY平面的投影中；玉米植株3的点云密度由植株中心到边界的密度呈递减趋势，利用公式：
所述步骤S4中，将上述识别出来的玉米作物点云在(x，y)平面上作投影处理，将点云投影到(x，y)平面上；通过以下公式计算出点云坐标的中间位置：
Figure BDA0002432947710000081
Figure BDA0002432947710000082
公式中，n为局部平面法线，d为局部平面到坐标原点的距离，x(n,d)为最小二乘法的x值，
Figure BDA0002432947710000083
是x的均值。
计算玉米植株3的中心位置，根据中心向周围的变换将单株的玉米点云提取，对比玉米植株3实际的位置与坐标系中的坐标值判断玉米分布的正确性；
所述步骤S4中，根据点云密度的变化在两棵玉米之间密度最小的区域作为划分边界，在密度最大的位置利用点云分布的集中，计算点云坐标的中间位置，记为玉米点云的位置，将单株玉米植株点云分离出来，计算玉米植株3的中心位置，根据中心向周围的变换将单株的玉米点云提取，对比玉米植株3实际的位置与坐标系中的坐标值判断玉米分布的正确性；
再根据密度的变化在两棵玉米之间密度最小的区域作为划分边界，将单株玉米植株点云分离出来，如图4所示；
单独提取出来的玉米在三维点云的形态上与实际的玉米植株3进行对比，检测玉米植株3在生成点云后的缺陷，并根据玉米的检测完成玉米植株3的识别功能；
所述步骤S2中，根据采集的玉米植株3的点云数据和三维激光雷达点云采集系统的坐标系，在(x，y)平面中，结合平面滤波算法和三维激光雷达传感器安装的高度设置合理的高度距离阈值，在高度距离阈值以下的点云分类为地面点，高度距离阈值以上的点云分类为非地面点，对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云，所以利用直通滤波算法结合田间的空间大致位置，将玉米田地之外的数据进行滤波，根据直通滤波算法的原理，滤除了玉米植株3的有效区域，保留玉米植株点云的区域，滤除玉米田间以外的无关噪点。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种玉米植株形态在线检测方法，其特征在于：包括有以下步骤：
步骤S1：通过工控机、三维激光雷达传感器(1)和农业机器人移动平台(2)组成三维激光雷达点云采集系统，获取玉米植株的点云信息；
步骤S2：通过滤波器的直通滤波算法和平面滤波算法过滤掉点云信息中多余的噪点和地面点云，保留玉米作物行点云区域；
步骤S3：通过欧式聚类算法计算点云之间的欧氏距离，试验选取合适的距离阈值，并对玉米作物行点云进行识别；
步骤S4：对识别出来的玉米作物行点云作平面投影，将点云投影到(x，y)平面上，根据点云密度的变化在每两棵玉米之间密度最小的区域作为划分边界，将单株玉米植株点云分离出来；
步骤S5：根据单独提取出来的单株玉米植株点云对玉米植株(3)进行形态检测。
2.根据权利要求1所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S1中的工控机与三维激光雷达传感器(1)安放在农业机器人移动平台(2)上，以三维激光雷达传感器(1)为原点o；以农业机器人移动平台(2)的前进方向为坐标系中的X轴方向，玉米植株(3)位于农业机器人移动平台(2)的两侧为坐标系中的Y轴方向，三维激光雷达传感器(1)扫描田间环境，获取田间作物的点云信息，并使该采集系统与玉米植株点云放置在同一的坐标系下。
3.根据权利要求1所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S2中，根据采集的玉米植株点云数据，在(x，y)平面中，结合平面滤波算法设置合理的平面距离阈值对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云；利用直通滤波算法对田间环境中的噪点进行滤波，保留玉米植株点云的区域，滤除玉米农田范围以外的无关噪点。
4.根据权利要求1所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S3中，通过欧式聚类算法对玉米植株点云进行聚类识别，根据公式：
Figure FDA0002432947700000021
ρi＝∑β(x)*(dij-dc)··········(2)
β(x)＝1；x＜0；·······(3)
β(x)＝0；x＞＝0；·······(4)
公式中：d表示点云之间的点距离；x，y，z表示点云的坐标值；ρ表示点云的密度；β表示符号函数；dc表示设定的距离阈值。
5.根据权利要求1所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S4中，将上述识别出来的玉米作物点云在(x，y)平面上作投影处理，将点云投影到(x，y)平面上；通过以下公式计算出点云坐标的中间位置：
Figure FDA0002432947700000022
Figure FDA0002432947700000023
公式中，n为局部平面法线，d为局部平面到坐标原点的距离，x(n,d)为最小二乘法的x值，
Figure FDA0002432947700000024
是x的均值。
6.根据权利要求5所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S4中，根据点云密度的变化在两棵玉米之间密度最小的区域作为划分边界，在密度最大的位置利用点云分布的集中，计算点云坐标的中间位置，记为玉米点云的位置，将单株玉米植株点云分离出来。
7.根据权利要求3所述的一种玉米植株形态在线检测方法，其特征在于：所述步骤S2中，根据采集的玉米植株(3)的点云数据和三维激光雷达点云采集系统的坐标系，在(x，y)平面中，结合平面滤波算法和三维激光雷达传感器(1)安装的高度设置合理的高度距离阈值，在高度距离阈值以下的点云分类为地面点，高度距离阈值以上的点云分类为非地面点，对玉米植株点云中的地面点云进行滤除，保留农田中的环境点云。
CN202010242247.XA 2020-03-31 2020-03-31 一种玉米植株形态在线检测方法 Pending CN111487646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010242247.XA CN111487646A (zh) 2020-03-31 2020-03-31 一种玉米植株形态在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010242247.XA CN111487646A (zh) 2020-03-31 2020-03-31 一种玉米植株形态在线检测方法

Publications (1)

Publication Number Publication Date
CN111487646A true CN111487646A (zh) 2020-08-04

Family

ID=71812484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010242247.XA Pending CN111487646A (zh) 2020-03-31 2020-03-31 一种玉米植株形态在线检测方法

Country Status (1)

Country Link
CN (1) CN111487646A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113780144A (zh) * 2021-09-06 2021-12-10 广西大学 一种基于3d点云的作物株数及茎宽自动提取方法
CN113820682A (zh) * 2021-09-26 2021-12-21 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN114451234A (zh) * 2022-02-21 2022-05-10 山东登海种业股份有限公司 一种全周期统计玉米种植生长情况的方法及系统
CN114688997A (zh) * 2022-03-29 2022-07-01 华南农业大学 基于rls自适应滤波算法的叶片面积自动检测装置及方法
CN115191866A (zh) * 2021-04-09 2022-10-18 美智纵横科技有限责任公司 一种回充方法、装置、清洁机器人及存储介质
IL296946A (en) * 2022-09-29 2024-04-01 C Crop Ltd Phenotype characterization for plants

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法
CN108549087A (zh) * 2018-04-16 2018-09-18 北京瑞途科技有限公司 一种基于激光雷达的在线检测方法
CN109708578A (zh) * 2019-02-25 2019-05-03 中国农业科学院农业信息研究所 一种植株表型参数测量装置、方法及系统
CN109859099A (zh) * 2019-01-22 2019-06-07 华中农业大学 基于sfm点云深度的盆栽玉米杂草快速去除方法
KR20190064311A (ko) * 2017-11-30 2019-06-10 주식회사 모빌테크 라이다를 이용한 지도 생성 방법 및 장치
CN109887020A (zh) * 2019-02-25 2019-06-14 中国农业科学院农业信息研究所 一种植株器官分离方法及系统
CN109978047A (zh) * 2019-03-22 2019-07-05 南京农业大学 一种田间小麦茎蘖数提取方法
CN110363861A (zh) * 2019-07-14 2019-10-22 南京林业大学 基于激光雷达点云的田地作物三维重构方法
CN110853044A (zh) * 2019-04-25 2020-02-28 华中农业大学 基于条件欧式聚类的盆栽玉米点云快速分割方法
US20200081124A1 (en) * 2018-09-07 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd Method and device for filtering out non-ground points from point cloud, and storage medium

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法
KR20190064311A (ko) * 2017-11-30 2019-06-10 주식회사 모빌테크 라이다를 이용한 지도 생성 방법 및 장치
CN108549087A (zh) * 2018-04-16 2018-09-18 北京瑞途科技有限公司 一种基于激光雷达的在线检测方法
US20200081124A1 (en) * 2018-09-07 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd Method and device for filtering out non-ground points from point cloud, and storage medium
CN109859099A (zh) * 2019-01-22 2019-06-07 华中农业大学 基于sfm点云深度的盆栽玉米杂草快速去除方法
CN109887020A (zh) * 2019-02-25 2019-06-14 中国农业科学院农业信息研究所 一种植株器官分离方法及系统
CN109708578A (zh) * 2019-02-25 2019-05-03 中国农业科学院农业信息研究所 一种植株表型参数测量装置、方法及系统
CN109978047A (zh) * 2019-03-22 2019-07-05 南京农业大学 一种田间小麦茎蘖数提取方法
CN110853044A (zh) * 2019-04-25 2020-02-28 华中农业大学 基于条件欧式聚类的盆栽玉米点云快速分割方法
CN110363861A (zh) * 2019-07-14 2019-10-22 南京林业大学 基于激光雷达点云的田地作物三维重构方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BIETＲESATO M: "Evaluation of a LiDAR-based 3D-stereoscopic vision system for crop monitoring applications", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
吴婵玥: "玉米叶片点云去噪软件的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 *
张漫等: "基于车载三维激光雷达的玉米点云数据滤波算法", 《农业机械学报》 *
方志力等: "基于Kinect的三维玉米植株骨架提取", 《系统仿真学报》 *
管贤平: "基于机载三维激光扫描的大豆冠层几何参数提取", 《农业工程学报》 *
蒋剑飞等: "基于三维激光雷达的障碍物及可通行区域实时检测", 《激光与光电子学进展》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115191866A (zh) * 2021-04-09 2022-10-18 美智纵横科技有限责任公司 一种回充方法、装置、清洁机器人及存储介质
CN113487636B (zh) * 2021-07-01 2023-05-02 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
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
CN113780144A (zh) * 2021-09-06 2021-12-10 广西大学 一种基于3d点云的作物株数及茎宽自动提取方法
CN113820682A (zh) * 2021-09-26 2021-12-21 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN113820682B (zh) * 2021-09-26 2023-08-18 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN114451234A (zh) * 2022-02-21 2022-05-10 山东登海种业股份有限公司 一种全周期统计玉米种植生长情况的方法及系统
CN114451234B (zh) * 2022-02-21 2022-12-09 山东登海种业股份有限公司 一种全周期统计玉米种植生长情况的方法及系统
CN114688997B (zh) * 2022-03-29 2023-03-14 华南农业大学 基于rls自适应滤波算法的叶片面积自动检测装置及方法
CN114688997A (zh) * 2022-03-29 2022-07-01 华南农业大学 基于rls自适应滤波算法的叶片面积自动检测装置及方法
IL296946A (en) * 2022-09-29 2024-04-01 C Crop Ltd Phenotype characterization for plants
IL296946B1 (en) * 2022-09-29 2024-05-01 C Crop Ltd Phenotype characterization for plants
IL296946B2 (en) * 2022-09-29 2024-09-01 C Crop Ltd Phenotype characterization for plants

Similar Documents

Publication Publication Date Title
CN111487646A (zh) 一种玉米植株形态在线检测方法
Ge et al. Fruit localization and environment perception for strawberry harvesting robots
García-Santillán et al. Automatic detection of curved and straight crop rows from images in maize fields
García-Santillán et al. Curved and straight crop row detection by accumulation of green pixels from images in maize fields
Zhang et al. Automated robust crop-row detection in maize fields based on position clustering algorithm and shortest path method
CN110781827A (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
Chen et al. Navigation path extraction for greenhouse cucumber-picking robots using the prediction-point Hough transform
Bao et al. Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging
Li et al. A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds
Chen et al. Extracting the navigation path of a tomato-cucumber greenhouse robot based on a median point Hough transform
CN109886155B (zh) 基于深度学习的单株水稻检测定位方法、系统、设备及介质
Karkee et al. A method for three-dimensional reconstruction of apple trees for automated pruning
CN108596009A (zh) 一种用于农机自动驾驶的障碍物检测方法和系统
CN111539473B (zh) 基于3D Lidar的果园行间导航线提取方法
CN114067206B (zh) 一种基于深度图像的球形果实识别定位方法
Xiang et al. Field‐based robotic leaf angle detection and characterization of maize plants using stereo vision and deep convolutional neural networks
Zhou et al. Autonomous detection of crop rows based on adaptive multi-ROI in maize fields
CN103186773A (zh) 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法
Yoshida et al. A tomato recognition method for harvesting with robots using point clouds
CN116958559A (zh) 一种融合地形特征的果园环境三维点云数据去噪方法
CN111928860A (zh) 一种基于三维曲面定位能力的自主车辆主动定位方法
CN116524219A (zh) 一种基于激光雷达点云聚类的障碍物检测方法
Kraemer et al. From plants to landmarks: Time-invariant plant localization that uses deep pose regression in agricultural fields
Zhang et al. Cut-edge detection method for wheat harvesting based on stereo vision
CN113807309A (zh) 一种基于深度学习的果园机械行走路线规划方法

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: 20200804

RJ01 Rejection of invention patent application after publication