CN111696122A - 农作物表型参数提取方法及装置 - Google Patents

Abstract

本发明公开了一种农作物表型参数提取方法及装置，该方法包括：获取农作物的群体点云数据；根据所述群体点云数据识别出所有农作物的根部位置；根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据；基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据；分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。本发明的技术方案自动化程度高，可适应叶片形状不规则的情况下的农作物表型参数提取、提取精度高。

Description

农作物表型参数提取方法及装置

技术领域

本发明涉及农业气象技术领域，具体而言，涉及一种农作物表型参数提取方法及装置。

背景技术

信息化是现代农业的一个重要特征，信息技术对农业经济的发展越来越重要。高效利用农业资源需要充分了解农作物的生长情况，研究农作物生长通常要获取叶长、叶宽、叶倾角、叶面积等参数。早期采用人工测量的方式对叶片进行提取，近年来发展为采用对农作物拍照并运用图像处理算法对叶片图像进行处理并结合轮廓跟踪、种子填充等方法完成叶片的提取。然而，以上农作物表型参数提取方法存在以下问题：

首先，采用人工测量手段，效率较低，同时由于叶片形状的不规则，肉眼观测造成的误差也比较大；

其次，采用拍照方式进行农作物表型参数提取，由于叶片形状的多样性、相似性、光照差别、背景因素等问题，会严重影响到分类的效果。若是人工对叶片进行特征提取并且对叶片进行标注测量，要花费大量的时间和精力，与此同时在人工操作时也会产生误差而影响到最终识别的准确率；

最后，拍照得到的农作物照片为二维数据，由于拍摄角度问题，很难保证提取出准确的叶子的长度、宽度、面积等参数，且无法提取出叶倾角。

发明内容

鉴于上述问题，本发明实施例的目的在于提供一种农作物表型参数提取方法及装置，以解决现有技术的不足。

根据本发明的一个实施方式，提供一种农作物表型参数提取方法，包括：

获取农作物的群体点云数据；

根据所述群体点云数据识别出所有农作物的根部位置；

根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据；

基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据；

分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

在上述的农作物表型参数提取方法中，所述获取农作物的群体点云数据之后还包括：

对所述群体点云数据进行去噪和归一化处理得到预处理后的群体点云数据；

相应地，所述根据所述群体点云数据识别出所有农作物的根部位置包括：

基于所述预处理后的群体点云数据识别出所有农作物的根部位置。

在上述的农作物表型参数提取方法中，所述根据所述群体点云数据识别出所有农作物的根部位置包括：

将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置。

在上述的农作物表型参数提取方法中，所述识别模型包括卷积层、池化层、分类层及回归层；

所述将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置包括：

将所述群体点云数据送入所述卷积层进行卷积操作后得到卷积特征向量；

将所述卷积特征向量送入所述池化层进行特征压缩得到池化特征向量；

将所述池化特征向量送入所述分类层进行分类识别出各农作物的根部；

将所述池化特征向量送入所述回归层对各农作物的根部定位进行修正得到所述农作物的根部位置。

在上述的农作物表型参数提取方法中，所述根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据包括：

以所述根部位置作为种子点；

针对任一种子点，在所述群体点云数据中迭代搜索预设邻域内的点云作为属于该单株农作物的点云数据，直至搜索不到属于该单株农作物的点云数据则停止搜索；

将所述种子点及迭代搜索的所有属于该单株农作物的点云数据作为所述种子点对应的单株农作物的单株点云数据。

在上述的农作物表型参数提取方法中，所述基于所述单株点云数据进行茎叶分割包括：

将所述单株点云数据送入预先训练好的分割模型得到单株农作物的茎秆和叶片，其中，所述分割模型由卷积层、池化层、分类层及回归层组成。

在上述的农作物表型参数提取方法中，所述分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积包括：

分别对所述叶片对应的单独点云数据及茎秆对应的单独点云数据进行拟合；

根据叶片对应的单独点云数据的拟合结果确定叶片长度、叶片宽度、叶倾角及叶面积；

根据茎秆对应的单独点云数据的拟合结果确定茎秆高度及茎秆直径。

根据本发明的另一个实施方式，提供一种农作物表型参数提取装置，该装置包括：

获取模块，用于获取农作物的群体点云数据；

识别模块，用于根据所述群体点云数据识别出所有农作物的根部位置；

提取模块，用于根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据；

分割模块，基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据；

拟合模块，用于分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

根据本发明的再一个实施方式，提供一种终端设备，所述终端设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行上述的农作物表型参数提取方法。

根据本发明的又一个实施方式，提供一种计算机可读存储介质，其存储有所述终端设备中所用的所述计算机程序。

本公开的实施例提供的技术方案可以包括如下有益效果：

本发明中一种农作物表型参数提取方法及装置，获取农作物的群体点云数据，由于该点云数据为三维，弥补了二维数据造成的特征缺失，增加检测维度，提升检测准确度；根据所述群体点云数据识别出所有农作物的根部位置；根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据，通过识别的根部位置进一步提取出与根部位置相应的单株农作物，识别结果更准确，在基于该单株点云数据计算叶片参数的精度更高；基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据，分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积，解决了传统方法中准确率较差，且效率较低的问题，可实现自动化测量，并且，由于针对群体农作物分离出单株农作物，又针对单株农作物分割叶片参数，各单株农作物的单株点云数据之间耦合度较小，可适用于不同形状、不同光照条件、不同背景下的农作物的叶片参数提取，减少外部因素对提取结果的影像，可适用于更多的检测范围。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明第一实施例提供的一种农作物表型参数提取方法的流程示意图；

图2示出了本发明第一实施例提供的一种识别模型的框架示意图；

图3示出了本发明第一实施例提供的一种根部位置识别结果的示意图；

图4示出了本发明第二实施例提供的一种农作物表型参数提取方法的流程示意图；

图5示出了本发明第四实施例提供的一种农作物表型参数提取装置的结构示意图。

标号：300-农作物表型参数提取装置；310-获取模块；320-识别模块；330-提取模块；340-分割模块；350-拟合模块。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

实施例1

图1示出了本发明第一实施例提供的一种农作物表型参数提取方法的流程示意图。

该农作物表型参数提取方法包括以下步骤：

在步骤S110中，获取农作物的群体点云数据。

具体地，可以通过激光雷达采集农作物的三维点云数据，由于激光雷达会存在对扫描范围的所有点云数据进行采集，因此在采集到的三维点云数据中不但包含周围环境、地表植被等的点云数据，还包括多株农作物的点云数据。由于本技术方案主要针对农作物的点云数据进行处理，因此，在这里将激光雷达采集的扫描范围的所有点云数据统称为农作物的群体点云数据。

本实施例中，所述农作物可包括具有茎叶特征的农作物，比如玉米、水稻、大豆、小麦及油菜等。

在步骤S120中，根据所述群体点云数据识别出所有农作物的根部位置。

进一步地，所述根据所述群体点云数据识别出所有农作物的根部位置包括：

将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置。

具体地，所述识别模型可以为基于机器学习的模型，可通过预先标识好的样本数据对建立的识别模型进行训练，学习到群体点云数据和农作物的根部位置之间的关系。

例如，可采集多个群体点云数据，针对每一群体点云数据而言，由于该群体点云数据中可能存在多株农作物，因此，可将该多株农作物中每一株(单株)农作物的根部位置进行标识，并将该标识及该群体点云数据作为一个训练样本。通过多个(例如可以为2000个，5000个或10000个等，在此不做限定)训练样本对所述识别模型进行训练，直到训练得到的识别模型的误差满足预设的误差阈值时停止训练，最终得到可用于识别农作物的根部位置的识别模型。

本实施例中，所述识别模型可以为RCNN(Region CNN(卷积神经网络))、Faster-RCNN卷积神经网络模型、神经网络等。

进一步地，所述识别模型包括卷积层、池化层、分类层及回归层；

所述将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置包括：

将所述群体点云数据送入所述卷积层进行卷积操作后得到卷积特征向量；将所述卷积特征向量送入所述池化层进行特征压缩得到池化特征向量；将所述池化特征向量送入所述分类层进行分类识别出各农作物的根部；将所述池化特征向量送入所述回归层对各农作物的根部定位进行修正得到所述农作物的根部位置。

具体地，如图2所示，所述识别模型可以包括卷积层、池化层、分类层及回归层。

所述卷积层用于执行卷积操作；所述池化层用于执行池化压缩操作，使输入的特征向量的尺寸尽可能的变小，减少算法的计算量；所述分类曾用于执行分类操作；所述回归层用于对分类操作的结果的位置框进行修正，使该位置框更准确。

在本技术方案中，将所述群体点云数据作为输入向量，送入到卷积层中，通过卷积操作进一步提取出更有意义的特征作为卷积特征向量(该更有意义的特征表征对识别模型的识别结果影响更大的特征)。由于卷积之后得到的特征的量还是比较大，因此，为了减少计算量，减少识别模型的时间复杂度，因此将所述卷积特征向量送入到池化层，通过池化层对卷积操作后的卷积特征向量进行压缩处理，得到维度更小的池化特征向量。将池化特征向量送入到分类层进行分类，确定所述池化特征向量中存在单株农作物的根部位置的概率；同时将所述池化特征向量送入到回归层，通过回归操作对单株农作物的位置框进行调整，以根据分类层及回归层确定属于单株农作物的根部的位置框，根据该位置框内的所有点云数据确定该单株农作物的根部位置。

在本实施例中，所述卷积层并不仅仅指单次的卷积操作，还可以包括多次的卷积操作。所述池化层也不仅仅指单次的池化操作，还可以包括多次的池化操作。所述分类层中可以涵盖整个分类器对应的分类算法，比如支持向量机、决策树、随机森林等。

在步骤S130中，根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据。

进一步地，所述根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据包括：

以所述根部位置作为种子点；针对任一种子点，在所述群体点云数据中迭代搜索预设邻域内的点云作为属于该单株农作物的点云数据，直至搜索不到属于该单株农作物的点云数据则停止搜索；将所述种子点及迭代搜索的所有属于该单株农作物的点云数据作为所述种子点对应的单株农作物的单株点云数据。

具体地，以获取的根部位置作为种子点，基于所述种子点进行区域增长，来提取出单株农作物。

例如，在所有种子点中任意选取一个种子点，以该种子点为基准，搜索预设邻域内的点云作为该种子点对应的单株农作物的点云数据，持续迭代上述搜索的步骤直至搜索不到属于该单株农作物的点云数据则停止搜索，至此，针对一个种子点的区域增长提取出该种子点对应的单株农作物的操作结束，将该种子点以及搜索得到的所有属于该单株农作物的点云数据作为所述种子点对应的单株农作物的单株点云数据。

本实施例中，所述预设邻域包括以种子点为基准，该种子点的胸径(DBH)值范围内的区域。在一些其他的实施例中，所述预设邻域还可以为距离种子点最近的点云所在的区域，在此不做限定。

进一步地，在提取单株农作物的误差比较大时，还可以基于用户的剪裁操作，对错分或者漏分的部分进行剪裁，在漏分的情况下，将剪裁的结果合并到剪裁之前的点云数据中，形成更准确的单株农作物的单株点云数据；在错分的情况下，将剪裁的错分部分的结果从剪裁之前的点云数据中删除，将剩余的点云数据作为该单株农作物的单株点云数据，该种技术方案更进一步地提高了单株农作物提取的准确性，进而提高叶片参数的准确性。

进一步地，还可以根据剪裁后得到的更准确的单株农作物的单株点云数据对上述的识别模型进行重新训练，以进步一地提高该识别模型的准确度，在后续的识别过程中可以得到更加准确的单株点云数据，提高自动化识别程度，减少手动裁剪的操作。

例如，如图3所示即为上述识别出的单株农作物，将该单株农作物对应的点云作为单株点云数据参与到下述步骤的运算中。

在步骤S140中，基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据。

进一步地，所述基于所述单株点云数据进行茎叶分割，得到叶片参数包括：

将所述单株点云数据送入预先训练好的分割模型得到单株农作物的茎秆和叶片，所述分割模型包括神经网络模型。

具体地，所述分割模型可以为基于机器学习的模型，和识别模型类似，同样可通过预先标识好的样本数据对建立的分割模型进行训练，学习到单株点云数据和叶片参数之间的关系。

例如，可采集多个单株点云数据，针对每一单株点云数据而言，由于该单株点云数据中可能存在多个叶片及多个茎秆，因此，可对该单株点云数据中所有的叶片及茎秆进行标识，并将该标识及该单株点云数据作为一个训练样本。通过多个(例如可以为2000个，5000个或10000个等，在此不做限定)训练样本对所述分割模型进行训练，直到训练得到的分割模型的分割误差满足预设的分割误差值时停止训练，最终得到可用于分割叶片参数的分割模型。

本实施例中，所述分割模型可以为由卷积层、池化层、分类层及回归层组成的V-Net模型、CNN模型、神经网络模型或其他3D卷积神经网络模型等。

进一步地，可基于卷积神经网络搭建基于体素化的多任务学习的分割模型，该分割模型以V-Net模型为基本结构，基于Adam优化方法迭代训练所述V-Net模型，使损失函数计算得到的训练误差和测试误差均达到一个满足标准的值(比如，可以为最小的误差)。将所述单株点云数据送入所述V-Net模型得到高维特征，最后对V-Net模型输出的高维特征进行聚类，得到完整的分割模型，以实现单株农作物的茎叶分割。

其中，Adam优化方法是一种可以替代传统随机梯度下降(SGD)过程的一阶优化算法，它能基于训练数据迭代地更新V-Net模型中权重。

在对单株农作物的茎叶分割完成后，将茎秆对应的点云数据和叶片对应的点云数据分割为独立的点云，得到茎秆对应的单独点云数据及叶片对应的单独点云数据。

在步骤S150中，分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

本实施例中，步骤S150可以通过以下方式实现：

分别对所述叶片对应的单独点云数据及茎秆对应的单独点云数据进行拟合；根据叶片对应的单独点云数据的拟合结果确定叶片长度、叶片宽度、叶倾角及叶面积；根据茎秆对应的单独点云数据的拟合结果确定茎秆高度及茎秆直径。

具体地，通过对每一片叶子对应的单独点云数据进行拟合得到叶片的三维表面，通过对每一茎秆的单独点云数据进行拟合得到骨架线；基于所述叶片的三维表面计算叶片参数，所述叶片参数包括叶片长度、叶片宽度、叶倾角及叶面积；基于茎秆拟合的骨架线计算茎秆参数，所述茎秆参数包括茎秆高度及茎秆直径。将所述叶片参数及所述茎秆参数作为所述农作物表型参数。

比如，可根据拟合得到的叶片表面，计算叶片表面的边缘中任意两点之间距离，将与叶片表面中骨架线平行的距离最大的边作为叶长，与所述叶长平行的距离最大的边作为叶宽。

根据叶长叶叶宽可计算叶面积，比如可通过积分的方式计算叶面积。

叶倾角可视为叶面与地平面的夹角，因此，可计算叶片骨架线与地面坐标系之间的夹角作为叶倾角。

将茎秆的切面拟合成圆，计算圆的直径作为茎直径。

进一步地，在提取到所述农作物表型参数之后，可通过预设方式对所述农作物表型参数进行输出。

具体地，所述预设方式可以为表格形式，也可以为三维图片形式。

比如，在表格中展示出各农作物表型参数的值。或者以三维图片展示所述农作物，在各农作物的旁边显示对应农作物表型参数。

进一步地，在分割叶片参数的误差比较大时，还可以基于用户的剪裁或合并等编辑操作，对错分或者漏分的部分进行剪裁，在漏分的情况下，将剪裁的结果合并到剪裁之前的点云数据中，得到更准确的叶片对应的单独点云数据或茎秆对应的单独点云数据；在错分的情况下，将剪裁的错分部分的结果从剪裁之前的点云数据中删除，将剩余的点云数据作为叶片对应的单独点云数据或茎秆对应的单独点云数据，该种技术方案更进一步地提高了叶片参数分割的准确性。

进一步地，还可以根据剪裁或合并等编辑操作后得到的更准确的茎秆分割结果对上述的分割模型进行重新训练，以进步一地提高该分割模型的准确度，在后续的分割过程中可以得到更加准确的单独点云数据，提高自动化分割程度，减少手动裁剪的操作。

本实施例的技术方案至少存在以下优点：

采用激光雷达设备采集的农作物的群体点云数据能够直观反映叶片三维形态，可精确提取更多参数信息；基于三维的群体点云数据对农作物进行单株分割，然后分离茎叶，极大提高农作物表型参数提取效率，节约人力成本；提取农作物表型参数的标准统一，不存在因不同人员测量所产生的误差影响，提升农作物生长研究的准确性。

实施例2

图4示出了本发明第二实施例提供的一种农作物表型参数提取方法的流程示意图。

该农作物表型参数提取方法包括以下步骤：

在步骤S210中，获取农作物的群体点云数据。

此步骤与步骤S110相同，在此不再赘述。

在步骤S220中，对所述群体点云数据进行去噪和归一化处理得到预处理后的群体点云数据。

具体地，为了进一步提高叶片参数提取的准确度，还可以对所述群体点云数据进行预处理，去除噪声点云，滤除地表植被环境等点云数据，保留有效群体点云数据。

进一步地，所述预处理的操作可以包括去噪和归一化处理。

具体地，对三维的群体点云数据进行去噪处理，然后采用滤波算法过滤掉植被等地表数据，提取地面点云数据，然后基于地面点云数据进行归一化处理，将所有农作物放置到一个平面内，得到预处理后的群体点云数据。

在步骤S230中，根据所述预处理后的群体点云数据识别出所有农作物的根部位置。

在步骤S240中，根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据。

此步骤与步骤S130相同，在此不做限定。

在步骤S250中，基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据。

此步骤与步骤S140相同，在此不做限定。

在步骤S260中，分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

此步骤与步骤S150相同，在此不做限定。

实施例3

图5示出了本发明第三实施例提供的一种农作物表型参数提取装置的结构示意图。该农作物表型参数提取装置300对应于实施例1中的农作物表型参数提取方法，实施例1中的农作物表型参数提取方法同样也适用于该农作物表型参数提取装置300，在此不再赘述。

所述农作物表型参数提取装置300包括获取模块310、识别模块320、提取模块330、分割模块340及拟合模块350。

获取模块310，用于获取农作物的群体点云数据。

识别模块320，用于根据所述群体点云数据识别出所有农作物的根部位置。

提取模块330，用于根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据。

分割模块340，用于基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据。

拟合模块350，用于分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

本发明另一实施例还提供了一种终端设备，所述终端设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行上述的农作物表型参数提取方法或上述的农作物表型参数提取装置中各模块的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

该终端设备可以为计算机终端(台式电脑、服务器等)，还可以为移动终端(手机、平板的电脑、笔记本电脑等)。

本实施例还提供了一种计算机存储介质，用于储存上述的终端设备中所使用的农作物表型参数提取方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种农作物表型参数提取方法，其特征在于，包括：

获取农作物的群体点云数据；

根据所述群体点云数据识别出所有农作物的根部位置；

根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据；

基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据；

分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

2.根据权利要求1所述的农作物表型参数提取方法，其特征在于，所述获取农作物的群体点云数据之后还包括：

对所述群体点云数据进行去噪和归一化处理得到预处理后的群体点云数据；

所述根据所述群体点云数据识别出所有农作物的根部位置包括：

基于所述预处理后的群体点云数据识别出所有农作物的根部位置。

3.根据权利要求2所述的农作物表型参数提取方法，其特征在于，所述根据所述群体点云数据识别出所有农作物的根部位置包括：

将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置。

4.根据权利要求3所述的农作物表型参数提取方法，其特征在于，所述识别模型包括卷积层、池化层、分类层及回归层；

将所述群体点云数据送入预先训练好的识别模型得到所有农作物的根部位置包括：

将所述群体点云数据送入所述卷积层进行卷积操作后得到卷积特征向量；

将所述卷积特征向量送入所述池化层进行特征压缩得到池化特征向量；

将所述池化特征向量送入所述分类层进行分类识别出各农作物的根部；

将所述池化特征向量送入所述回归层对各农作物的根部定位进行修正得到所述农作物的根部位置。

5.根据权利要求3所述的农作物表型参数提取方法，其特征在于，所述根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据包括：

以所述根部位置作为种子点；

针对任一种子点，在所述群体点云数据中迭代搜索预设邻域内的点云作为属于该单株农作物的点云数据，直至搜索不到属于该单株农作物的点云数据则停止搜索；

将所述种子点及迭代搜索的所有属于该单株农作物的点云数据作为所述种子点对应的单株农作物的单株点云数据。

6.根据权利要求1所述的农作物表型参数提取方法，其特征在于，所述基于所述单株点云数据进行茎叶分割包括：

将所述单株点云数据送入预先训练好的分割模型得到单株农作物的茎秆和叶片，其中，所述分割模型由卷积层、池化层、分类层及回归层组成。

7.根据权利要求1所述的农作物表型参数提取方法，其特征在于，所述分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积包括：

分别对所述叶片对应的单独点云数据及茎秆对应的单独点云数据进行拟合；

根据叶片对应的单独点云数据的拟合结果确定叶片长度、叶片宽度、叶倾角及叶面积；

根据茎秆对应的单独点云数据的拟合结果确定茎秆高度及茎秆直径。

8.一种农作物表型参数提取装置，其特征在于，包括：

获取模块，用于获取农作物的群体点云数据；

识别模块，用于根据所述群体点云数据识别出所有农作物的根部位置；

提取模块，用于根据所述根部位置在所述群体点云数据中提取出单株农作物对应的单株点云数据；

分割模块，基于所述单株点云数据进行茎叶分割，将每片叶子和茎秆分割成单独点云数据；

拟合模块，用于分别将分割的单独点云数据进行拟合，得到农作物表型参数，其中，所述农作物表型参数包括茎秆高度、茎秆直径、叶片长度、叶片宽度、叶倾角及叶面积。

Images