CN111768413A - 一种植物三维点云分割方法及系统 - Google Patents
一种植物三维点云分割方法及系统 Download PDFInfo
- Publication number
- CN111768413A CN111768413A CN202010475872.9A CN202010475872A CN111768413A CN 111768413 A CN111768413 A CN 111768413A CN 202010475872 A CN202010475872 A CN 202010475872A CN 111768413 A CN111768413 A CN 111768413A
- Authority
- CN
- China
- Prior art keywords
- point
- stem
- organ
- segmented
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 title claims abstract description 65
- 210000000056 organ Anatomy 0.000 claims abstract description 218
- 239000013598 vector Substances 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 210000005069 ears Anatomy 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 65
- 241001057636 Dracaena deremensis Species 0.000 description 17
- 240000008042 Zea mays Species 0.000 description 17
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 14
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 14
- 235000005822 corn Nutrition 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 208000003643 Callosities Diseases 0.000 description 2
- 241000037488 Coccoloba pubescens Species 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种植物三维点云分割方法及系统,该方法包括:分割出目标植株三维点云中的茎点云;将目标植株三维点云从全局坐标系转换到局部坐标系;提取出目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;从初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中;根据最优茎点集和每一最优非茎点集,获取目标植株中的茎和每一非茎器官。本发明实施例可实现植物植株中茎秆、叶片、雄穗和雌穗器官的三维点云分割;并且对于器官密集的场景,也能进行高精度的分割。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种植物三维点云分割方法及系统。
背景技术
利用三维扫描仪、多视角三维重建等技术手段,可以获得玉米植株的三维点云数据,然而,如何通过植株三维点云数据获取到面向农业科学研究的玉米植株表型参数,或,如何通过植株三维点云数据获取到面向可视化应用的三维网格模型,是植物三维数据处理与应用中面临的重要问题。其中,如何将玉米植株三维点云进行准确、高效的分割,得到器官尺度的三维点云数据集,是玉米植株点云数据处理中的重要环节。
玉米植株三维点云分割目前主要包括以下几类方法:
(1)基于骨架的分割方法。这类方法首先提取玉米植株的骨架,之后根据骨架拓扑进行器官骨架的分割,最后利用骨架点与原始点云的关系进行器官点云分割。该方法的难点在于如何获得质量较好的骨架,目前技术对于叶片完全展开、叶片间距较大的植株点云效果不错,但是当叶片较多、叶片密集的情况,很难提取用于分割的骨架,同时骨架方法也不能提取玉米雌雄穗。
(2)基于机器学习的方法。这类方法通过大量的手工器官点云标注对器官点云特征进行学习,之后通过构建的模型对点云进行分类和分割。这类方法只能对与样本相近的玉米植株器官进行识别,而玉米的品种非常多,且器官形态差异性非常大,很难构建通用的模型进行点云分割,同时这类方法目前的分割准确率也较低。
(3)基于区域增长的方法。这类方法主要用于茎—叶分割中,通过区域增长算法先对茎点云进行分割,之后再从叶茎交汇处开始,通过区域增长分割每个叶片点云。这类方法很难通过设置参数将密集的叶片进行分割。
以上三种玉米点云分割方法只是解决了叶片间距大的玉米茎-叶器官的点云分割问题,当多个叶片挨在一起等叶片之间间距较小的情况下,无法进行高质量的分割,同时,也不能进行雄穗和雌穗的分割。总体看,当器官非常密集时,分割误差非常大。
发明内容
为了解决上述问题,本发明实施例提供一种植物三维点云分割方法及系统。
第一方面,本发明实施例提供一种植物三维点云分割方法,包括:
分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
将所述目标植株三维点云从全局坐标系转换到局部坐标系;
根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
优选地,所述分割出目标植株三维点云中的茎点云,具体包括:
获取所述目标三维植株的顶端茎点和底端茎点,将所述顶端茎点和所述底端茎点加入所述初始茎点集中;
对于当前种子点,将所述当前种子点的第一预设半径内的所有三维点作为当前茎点,并将所有当前茎点加入所述初始茎点集;
根据所有当前茎点到所述当前种子点形成的中值归一化向量和所述底端茎点到所述顶端茎点之间形成的归一化向量,计算所述当前种子点的生长方向;
根据所述当前种子点的坐标、所述第一预设半径和所述生长方向,计算下一种子点的坐标;
计算所述下一种子点到基准线的投影点,若所述投影点未超过所述顶端茎点,将所述下一种子点重新作为所述当前种子点,重复上述过程,直到投影点超过所述顶端茎点,获取所述初始茎点集,所述基准线经过所述顶端茎点和所述底端茎点,所述基准线的方向与所述生长方向相同。
优选地,所述根据所有当前茎点到所述当前种子点形成的中值归一化向量和所述底端茎点到所述顶端茎点之间形成的归一化向量,计算所述当前种子点的生长方向,具体计算公式如下:
其中,表示所述当前种子点的生长方向,表示所有当前茎点到所述当前种子点形成的中值归一化向量,表示所述底端茎点到所述顶端茎点之间形成的归一化向量,|| ||2表示L2范式距离,median表示中值运算,A表示所有当前茎点组成的集合,α表示第一预设权重,β表示第二预设权重,pA表示任一当前茎点,sk表示所述当前种子点,sn表示所述顶端茎点,s0表示所述底端茎点。
优选地,所述根据所述当前种子点的坐标、所述第一预设半径和所述生长方向,计算下一种子点的坐标,具体计算公式如下:
其中,sk+1表示所述下一种子点的坐标,sk表示所述当前种子点的坐标, R1表示所述第一预设半径,vk表示所述生长方向。
优选地,所述将所述目标植株三维点云从全局坐标系转换到局部坐标系,具体包括:
将所有茎点云的中点作为所述局部坐标系的原点;
将所述全局坐标系中的所有三维点投影到以所述局部坐标系的Z轴为法向量的平面上,通过主成分分析法,获取所有三维点云的投影的第一主成分向量和第二主成分向量;
将所述第一主成分向量作为所述局部坐标系的X轴;
将所述第二主成分向量作为所述局部坐标系的Y轴。
优选地,所述将所述目标植株三维点云从全局坐标系转换到局部坐标系,具体计算公式如下:
其中,(x′,y′,z′)表示所述局部坐标系中的三维点坐标,(x,y,z)表示所述全局坐标系中的三维点坐标,[l1(x),l1(y),l1(z)]表示所述植株坐标系的X轴在所述全局坐标系下的单位方向向量,[l2(x),l2(y),l2(z)]表示所述植株坐标系的Y轴在所述全局坐标系下的单位方向向量,[l3(x),l3(y),l3(z)]表示所述植株坐标系的Z 轴在所述全局坐标系下的单位方向向量,[O(x),O(y),O(z)]表示所述局部坐标系原点在所述全局坐标系下的X坐标值。
优选地,所述将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,具体包括:
对于当前待分割点,计算所述当前待分割点与每一器官点集的平均欧式距离,器官点集包括所述初始茎点集和每一初始非茎器官点集;
选取出平均欧式距离最小的两个器官点集作为备选点集,若任一备选点集为所述初始茎点集,将所述当前待分割点加入所述初始茎点集中,否则,计算所述当前待分割点与每一备选点集的综合距离,所述综合距离由所述平均欧式距离和局部平面距离组成,所述局部平面距离表示所述当前待分割点到局部平面的距离,所述局部平面由所述当前待分割点在第二预设半径距离范围内的邻域点拟合生成;
将综合距离较小的备选点集作为所述当前待分割点对应的目标集。
优选地,所述计算所述当前待分割点到每一器官点集的平均欧式距离,具体计算公式如下:
若第m个器官点集中点的数量小于预设数值,将第m个器官点集中点的数量作为K的取值,否则,K为所述预设数值。
优选地,所述计算所述当前待分割点与每一备选点集的综合距离,具体计算公式如下:
f(x,y,z)=nxx+nyy+nzz+d,
其中,Cm表示所述当前待分割点到第m个器官点集的综合距离,表示所述当前待分割点到第m个器官点集的平均欧式距离,表示所述当前待分割点到第m个器官点集的局部平面距离,f(x,y,z)表示所述局部平面, (nx,ny,nz)表示所述局部平面的法向量,d表示所述局部平面的截距,(px,py,pz) 表示当前待分割点的坐标。
第二方面,本发明实施例提供一种植物三维点云分割系统,包括:
茎点云模块,用于分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
坐标转换模块,用于将所述目标植株三维点云从全局坐标系转换到局部坐标系;
非茎器官预分割模块,用于根据所述局部坐标系中每一非茎器官点云的 Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
器官分割模块,用于将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
最优分割模块,用于获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面提供的一种植物三维点云分割方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面提供的植物三维点云分割方法的步骤。
本发明实施例提供的一种植物三维点云分割方法及系统,可实现植物植株中茎秆、叶片、雄穗和雌穗器官的三维点云分割;并且可以处理器官密集的场景,即器官距离非常近乃至挨在一起的情况下,也能进行高精度的分割。本发明实施例大幅提高了玉米点云器官的分割精度,为进一步的玉米表型检测、器官三维网格生成提供了高质量的器官点云数据。此外,利用该方法可以得到高质量的玉米点云标注数据,为玉米植株三维深度学习提供数据支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种植物三维点云分割方法的流程图;
图2为本发明实施例中提供的玉米植株的三维点云、顶端茎点和底端茎点的示意图;
图3为本发明实施例中提供的一种玉米植株的非茎器官的最高点示意图;
图4为本发明实施例提供的一种植物三维点云分割系统的结构示意图;
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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作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。
图1为本发明实施例提供的一种植物三维点云分割方法的流程图,如图 1所示,该方法包括:
S1,分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
为了方便描述,本发明实施例中以玉米为目标植株进行说明。首先获取玉米植株的三维点云数据,一般而言,玉米植株可以看作是由茎、叶片、雄穗、雌穗等器官组成,叶片、雄穗和雌穗等统称为非茎器官,玉米植株中的茎对应的点云称之为茎点云,其它非茎器官对应的点云称之为非茎器官点云。对玉米植株的三维点云数据进行一个初步的分割,提取出茎器官对应的点云,称之为茎点云,此时,茎点云组成的集合称之为初始茎点集。
S2,将所述目标植株三维点云从全局坐标系转换到局部坐标系;
为了更加方便地通过坐标值明确点云在植株中的位置,本发明实施例将植株的三维点云坐标从原始的全局坐标系转换到局部坐标系中。
本发明实施例将原始三维点云坐标转换到局部坐标系之后,就可以通过 Z值的坐标来判断点云在植株的高度,Z值越大,则高度越高。后续的所有操作均在局部坐标系下进行。
S3,根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
然后需要在所有非茎器官点云中提取出每个非茎器官的最高点,作为该非茎器官点云的种子点,用于后续的分类。虽然此时本发明实施例并未对其他非茎器官进行分割,但是可以根据玉米器官的形态特征估测出每个非茎器官的最高点。
此处非茎器官点云为玉米植株的三维点云除去茎点云之后的其它点云,由于在局部坐标系中,可以通过非茎器官点云的Z值来表示所有点云的高度,因此,本发明实施例中,根据每个非茎器官点云的Z值,提取出玉米植株中每个非茎器官的最高点。并为每个非茎器官的最高点建立一个初始非茎器官点集,初始非茎器官点集刚开始时为空,得到每个非茎器官的最高点之后,将非茎器官的最高点加入到对应的初始非茎器官点集中。
具体地,本发明实施例中通过如下方法实现非茎器官的最高点的提取:
通过观察发现,玉米每个非茎器官的最高点都只有一个,因此可以通过寻找点云中的局部最大Z值点来确定器官的最高点。对于任意一点p,查找其某一半径球体范围的邻域点,如果p点的Z值比所有邻域点的Z值大,则该点即被看作是某个非茎器官的最高点。
S4,将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
分割出茎点云、非茎器官的最高点后,将玉米植株中剩下的点云全部作为待分割点。对待分割点的Z值按照从大到小的顺序进行排序,按照自顶向下的顺序进行计算。
以其中某一个待分割点为例进行说明,计算该待分割点与每个初始非茎器官点集之间的距离、该待分割点与初始茎点集之间的距离,根据该待分割点与每个点云集之间的距离,从中选取出该待分割点对应的目标集,并将该待分割点加入到目标集中。
对每一个待分割点都进行相应的操作,直到将每一个待分割点都分配完毕。
S5,获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
经过上述步骤后,将最后得到的初始茎点集作为最优茎点集,将最后得到的初始非茎器官点集作为最优非茎器官点集,并根据最优茎点集和每个最优非茎器官点集,得到玉米植株中的茎和每个非茎器官。
本发明实施例提供的一种植物三维点云分割方法,可实现植物植株中茎秆、叶片、雄穗和雌穗器官的三维点云分割;并且可以处理器官密集的场景,即器官距离非常近乃至挨在一起,也能进行高精度的分割。本发明实施例大幅提高了玉米点云器官的分割精度,为进一步的玉米表型检测、器官三维网格生成提供了高质量的器官点云数据。此外,利用该方法可以得到高质量的玉米点云标注数据,为玉米植株三维深度学习提供数据支撑。
在上述实施例的基础上,优选地,所述分割出目标植株三维点云中的茎点云,具体包括:
获取所述目标三维植株的顶端茎点和底端茎点,将所述顶端茎点和所述底端茎点加入所述初始茎点集中;
图2为本发明实施例中提供的玉米植株的三维点云、顶端茎点和底端茎点的示意图,如图2所示,图中S0表示底端茎点,Sn表示顶端茎点。
首先将玉米植株的顶端茎点和底端茎点提取出来,提取的方法可以通过预设算法进行提取,也可以通过人工手段标记,本发明实施例在此不做具体的限定。
另外,将这两个点加入到初始茎点集中,原来初始茎点集为空。
选取出底端茎点和顶端茎点之后,初始时以底端茎点为当前种子点进行茎点云分割。
对于当前种子点,将所述当前种子点的第一预设半径内的所有三维点作为当前茎点,并将所有当前茎点加入所述初始茎点集;
根据所有当前茎点到所述当前种子点形成的中值归一化向量和所述底端茎点到所述顶端茎点之间形成的归一化向量,计算所述当前种子点的生长方向;
根据所述当前种子点的坐标、所述第一预设半径和所述生长方向,计算下一种子点的坐标;
计算所述下一种子点到基准线的投影点,若所述投影点未超过所述顶端茎点,将所述下一种子点重新作为所述当前种子点,重复上述过程,直到投影点超过所述顶端茎点,获取所述初始茎点集,所述基准线经过所述顶端茎点和所述底端茎点,所述基准线的方向与所述生长方向相同。
该分割算法是一个迭代的过程,假设当前算法处于第k次迭代,本次迭代的当前种子点为sk,则茎分割过程如下:
以sk为球心,其第一预设半径(R1)内的点集A被分割为当前茎点,R1 参数值由用户设定。然后计算点A集合中每个点与sk之间的单位方向向量,之后求这些单位向量的中值向量,并进行归一化;接着计算底端茎点到顶端茎点之间形成的归一化向量,根据计算出的两个归一化向量,得到当前种子点的生长方向。底端茎点和顶端茎点之间的归一化向量起到矫正作用,确保整个区域增长的方向不会严重偏离茎的生长方向,从而能保证将茎杆正确的分割出来。
根据当前种子点的坐标、第一预设半径和生长方向,得到下一次迭代用的下一个种子点的坐标,计算下一个种子点到基准线的投影点,如果下一个种子点到基准线的投影点没有超过顶端茎点,说明下一个种子点还在茎杆上,将下一个种子点重新作为当前种子点,重复上述过程,直到下一个种子点到基准线的投影点超过了顶端茎点,说明下一个种子点不再茎杆上了,可以结束迭代过程。
本发明实施例中基准线为一条直线,该直线的方向与当前种子点的生长方向相同,并且经过顶端茎点和底端茎点。
在上述实施例的基础上,优选地,所述根据所有当前茎点到所述当前种子点形成的中值归一化向量和所述底端茎点到所述顶端茎点之间形成的归一化向量,计算所述当前种子点的生长方向,具体计算公式如下:
其中,表示所述当前种子点的生长方向,表示所有当前茎点到所述当前种子点形成的中值归一化向量,表示所述底端茎点到所述顶端茎点之间形成的归一化向量,|| ||2表示L2范式距离,median表示中值运算,A表示所有当前茎点组成的集合,α表示第一预设权重,β表示第二预设权重,pA表示任一当前茎点,sk表示所述当前种子点,sn表示所述顶端茎点,s0表示所述底端茎点。
在当前的执行中,本发明实施例中取α=0.2、β=0.8,在该参数下,能保证整个分割过程在不同第一预设半径值下,均可以正确地沿着茎底部分割到茎顶部。
在上述实施例的基础上,优选地,所述根据所述当前种子点的坐标、所述第一预设半径和所述生长方向,计算下一种子点的坐标,具体计算公式如下:
其中,sk+1表示所述下一种子点的坐标,sk表示所述当前种子点的坐标, R1表示所述第一预设半径,vk表示所述生长方向。
在上述实施例的基础上,优选地,所述将所述目标植株中三维点云从全局坐标系转换到局部坐标系,具体包括:
将所有茎点云的中点作为所述局部坐标系的原点;
将所述全局坐标系中的所有三维点云投影到以所述局部坐标系的Z轴为法向量的平面上,通过主成分分析法,获取所有三维点云的投影的第一主成分向量和第二主成分向量;
将所述第一主成分向量作为所述局部坐标系的X轴;
将所述第二主成分向量作为所述局部坐标系的Y轴。
本发明实施例中,局部坐标系以步骤S1得到的初始茎点集内所有茎点云的中点O为原点,由三个相互垂直的单位向量构成,其中Z轴为所有茎点云的中轴l3,本发明实施例中通过最小二乘方法拟合得到。
之后将所有三维点云投影到以局部坐标系Z轴为法向量的平面上,并采用主成分分析法计算投影点的第一主成分向量l1和第二主成分向量l2,l1为局部坐标系的X轴,l2为局部坐标系的Y轴,则初始全局坐标系下的任意点 (x,y,z)通过下式转到局部坐标系下的坐标(x′,y′,z′)。
在上述实施例的基础上,优选地,所述将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,具体包括:
对于当前待分割点,计算所述当前待分割点与每一器官点集的平均欧式距离,器官点集包括所述初始茎点集和每一初始非茎器官点集;
具体地,以某个待分割点作为当前待分割点进行说明,计算该当前待分割点与初始茎点集之间的平均欧式距离、该当前待分割点与每个初始非茎器官点集之间的平均欧式距离。
选取出平均欧式距离最小的两个器官点集作为备选点集,若任一备选点集为所述初始茎点集,将所述当前待分割点加入所述初始茎点集中,否则,计算所述当前待分割点与每一备选点集的综合距离,所述综合距离由所述平均欧式距离和局部平面距离组成,所述局部平面距离表示所述当前待分割点到局部平面的距离,所述局部平面由所述当前待分割点在第二预设半径距离范围内的邻域点拟合生成。
将平均欧式距离最小的两个器官点集作为备选点集,如果这两个备选点集中有一个为初始茎点集,则将该当前待分割点的目标集为该初始茎点集,并将该当前待分割点加入到初始茎点集中。
如果这两个备选点集中均为非茎器官点集,则计算该当前待分割点与这两个备选点集之间的综合距离,将综合距离小的备选点集作为该当前待分割点对应的目标集。
本发明实施例中,综合距离由两部分组成,一部分是平均欧式距离,一部分是局部平面距离,局部平面距离表示该当前待分割点到局部平面的距离,局部平面是由当前待分割点在第二预设半径距离范围内的领域点拟合而成。
将综合距离较小的备选点集作为所述当前待分割点对应的目标集。
然后将综合距离较小的备选点集作为当前待分割点对应的目标集。
在上述实施例的基础上,优选地,所述计算所述当前待分割点到每一器官点集的平均欧式距离,具体计算公式如下:
若第m个器官点集的点云数量小于预设数值,将第m个器官点集中的点云数量作为K的取值,否则,K为所述预设数值。
在上述实施例的基础上,优选地,所述计算所述当前待分割点与每一备选点集的综合距离,具体计算公式如下:
f(x,y,z)=nxx+nyy+nzz+d,
其中,Cm表示所述当前待分割点到第m个器官点集的综合距离,表示所述当前待分割点到第m个器官点集的平均欧式距离,表示所述当前待分割点到第m个器官点集的局部平面距离,f(x,y,z)表示所述局部平面, (nx,ny,nz)表示所述局部平面的法向量,d表示所述局部平面的截距,(px,py,pz) 表示当前待分割点的坐标。
本发明实施例的器官分割算法可以具体表达如下:图3为本发明实施例中提供的一种玉米植株的非茎器官的最高点示意图,如图3所示,假设共得到n个非茎器官的最高点,其中第j个最高点用pj(j=1,2,…,n)表示,则将n个最高点从φu中移除,并分别放到n个初始非茎器官点集中,放置的方法为:将 pj点放到器官集合中,表示初始茎点集。
按照从上到下的顺序依次对待分割点进行分类,即具有更大Z坐标值的待分割点被先进行分类。在具体实现时,本发明实施例的分类过程如下:
1)将φu中的点根据Z值按照从大到小的顺序进行排序,之后根据顺序依次取出点,执行下述步骤。
2)从φu中取出一点p,判断该点属于哪个器官,设点p到第m个器官点集合的平均欧式距离计算点p到所有器官点集的平均欧式距离从中取出值最小的两个器官和作为备选点集。如果两个备选点集中有一个表示的是茎器官,那么直接将点p分割到茎器官中,执行步骤 3)。
本发明实施例可实现植物植株中茎秆、叶片、雄穗和雌穗器官的三维点云分割;并且可以处理器官密集的场景,即器官距离非常近乃至挨在一起,也能进行高精度的分割。
图4为本发明实施例提供的一种植物三维点云分割系统的结构示意图,该系统包括:茎点云模块401、坐标转换模块402、非茎器官预分割模块403、器官分割模块404和最优分割模块405,其中:
茎点云模块401用于分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
坐标转换模块402用于将所述目标植株三维点云从全局坐标系转换到局部坐标系;
非茎器官预分割模块403用于根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
器官分割模块404用于将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
最优分割模块405用于获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504,其中,处理器501,通信接口 502,存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令,以执行包括如下的方法:
分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
将所述目标植株三维点云从全局坐标系转换到局部坐标系;
根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元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(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器 (ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
将所述目标植株三维点云从全局坐标系转换到局部坐标系;
根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种植物三维点云分割方法,其特征在于,包括:
分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
将所述目标植株三维点云从全局坐标系转换到局部坐标系;
根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
2.根据权利要求1所述的植物三维点云分割方法,其特征在于,所述分割出目标植株三维点云中的茎点云,具体包括:
获取所述目标三维植株的顶端茎点和底端茎点,将所述顶端茎点和所述底端茎点加入所述初始茎点集中;
对于当前种子点,将所述当前种子点的第一预设半径内的所有三维点作为当前茎点,并将所有当前茎点加入所述初始茎点集;
根据所有当前茎点到所述当前种子点形成的中值归一化向量和所述底端茎点到所述顶端茎点之间形成的归一化向量,计算所述当前种子点的生长方向;
根据所述当前种子点的坐标、所述第一预设半径和所述生长方向,计算下一种子点的坐标;
计算所述下一种子点到基准线的投影点,若所述投影点未超过所述顶端茎点,将所述下一种子点重新作为所述当前种子点,重复上述过程,直到投影点超过所述顶端茎点,获取所述初始茎点集,所述基准线经过所述顶端茎点和所述底端茎点,所述基准线的方向与所述生长方向相同。
5.根据权利要求1所述的植物三维点云分割方法,其特征在于,所述将所述目标植株三维点云从全局坐标系转换到局部坐标系,具体包括:
将所有茎点云的中点作为所述局部坐标系的原点;
将所述全局坐标系中的所有三维点投影到以所述局部坐标系的Z轴为法向量的平面上,通过主成分分析法,获取所有三维点云的投影的第一主成分向量和第二主成分向量;
将所述第一主成分向量作为所述局部坐标系的X轴;
将所述第二主成分向量作为所述局部坐标系的Y轴。
6.根据权利要求1所述的植物三维点云分割方法,其特征在于,所述将所述目标植株三维点云从全局坐标系转换到局部坐标系,具体计算公式如下:
其中,(x′,y′,z′)表示所述局部坐标系中的三维点坐标,(x,y,z)表示所述全局坐标系中的三维点坐标,[l1(x),l1(y),l1(z)]表示所述植株坐标系的X轴在所述全局坐标系下的单位方向向量,[l2(x),l2(y),l2(z)]表示所述植株坐标系的Y轴在所述全局坐标系下的单位方向向量,[l3(x),l3(y),l3(z)]表示所述植株坐标系的Z轴在所述全局坐标系下的单位方向向量,[O(x),O(y),O(z)]表示所述局部坐标系原点在所述全局坐标系下的X坐标值。
7.根据权利要求1所述的植物三维点云分割方法,其特征在于,所述将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,具体包括:
对于当前待分割点,计算所述当前待分割点与每一器官点集的平均欧式距离,器官点集包括所述初始茎点集和每一初始非茎器官点集;
选取出平均欧式距离最小的两个器官点集作为备选点集,若任一备选点集为所述初始茎点集,将所述当前待分割点加入所述初始茎点集中,否则,计算所述当前待分割点与每一备选点集的综合距离,所述综合距离由所述平均欧式距离和局部平面距离组成,所述局部平面距离表示所述当前待分割点到局部平面的距离,所述局部平面由所述当前待分割点在第二预设半径距离范围内的邻域点拟合生成;
将综合距离较小的备选点集作为所述当前待分割点对应的目标集。
10.一种植物三维点云分割系统,其特征在于,包括:
茎点云模块,用于分割出目标植株三维点云中的茎点云,所述目标植株的三维点云包括茎点云和非茎器官点云,分割出的茎点云组成初始茎点集;
坐标转换模块,用于将所述目标植株三维点云从全局坐标系转换到局部坐标系;
非茎器官预分割模块,用于根据所述局部坐标系中每一非茎器官点云的Z值,提取出所述目标植株中每一非茎器官的最高点,并将每一非茎器官的最高点分别加入对应的初始非茎器官点集中;
器官分割模块,用于将所有待分割点按照Z值从大到小的顺序,依次计算每一待分割点与每一初始非茎器官点集之间的距离和每一待分割点与所述初始茎点集之间的距离,从所述初始茎点集和每一初始非茎器官点集中选取出每一待分割点对应的目标集,并将每一待分割点加入到对应的目标集中,所述待分割点为去除所有茎点云、所有非茎器官的最高点之外的其它点;
最优分割模块,用于获取最优茎点集和每一最优非茎器官点集,根据所述最优茎点集和每一最优非茎点集,获取所述目标植株中的茎和每一非茎器官。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475872.9A CN111768413B (zh) | 2020-05-29 | 2020-05-29 | 一种植物三维点云分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475872.9A CN111768413B (zh) | 2020-05-29 | 2020-05-29 | 一种植物三维点云分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768413A true CN111768413A (zh) | 2020-10-13 |
CN111768413B CN111768413B (zh) | 2023-12-05 |
Family
ID=72720640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475872.9A Active CN111768413B (zh) | 2020-05-29 | 2020-05-29 | 一种植物三维点云分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768413B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
CN103218817A (zh) * | 2013-04-19 | 2013-07-24 | 深圳先进技术研究院 | 植物器官点云的分割方法和系统 |
CN104484873A (zh) * | 2014-11-28 | 2015-04-01 | 浙江大学 | 植株三维点云的叶杆分离方法 |
CN105354829A (zh) * | 2015-10-08 | 2016-02-24 | 西北农林科技大学 | 一种自适应的点云数据分割方法 |
US20180259496A1 (en) * | 2012-06-01 | 2018-09-13 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
CN109035286A (zh) * | 2018-06-29 | 2018-12-18 | 北京农业信息技术研究中心 | 植物三维点云数据高通量获取方法及装置 |
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 |
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 |
US20190278988A1 (en) * | 2018-03-08 | 2019-09-12 | Regents Of The University Of Minnesota | Crop models and biometrics |
US20200019777A1 (en) * | 2018-07-10 | 2020-01-16 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
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 |
-
2020
- 2020-05-29 CN CN202010475872.9A patent/CN111768413B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180259496A1 (en) * | 2012-06-01 | 2018-09-13 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
CN103218817A (zh) * | 2013-04-19 | 2013-07-24 | 深圳先进技术研究院 | 植物器官点云的分割方法和系统 |
US20150379350A1 (en) * | 2013-04-19 | 2015-12-31 | Shenzhen Institutes Of Advanced Technology | Method and system for dividing plant organ point cloud |
CN104484873A (zh) * | 2014-11-28 | 2015-04-01 | 浙江大学 | 植株三维点云的叶杆分离方法 |
CN105354829A (zh) * | 2015-10-08 | 2016-02-24 | 西北农林科技大学 | 一种自适应的点云数据分割方法 |
US20190278988A1 (en) * | 2018-03-08 | 2019-09-12 | Regents Of The University Of Minnesota | Crop models and biometrics |
CN109035286A (zh) * | 2018-06-29 | 2018-12-18 | 北京农业信息技术研究中心 | 植物三维点云数据高通量获取方法及装置 |
US20200019777A1 (en) * | 2018-07-10 | 2020-01-16 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
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 |
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 |
AU2019100886A4 (en) * | 2019-02-25 | 2019-09-12 | Agricultural Information Institute Of Caas | Plant organ image separation method and system |
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 |
Non-Patent Citations (7)
Title |
---|
"Automated classification of stems and leaves of potted plants based on point cloud data", ARXIV:2002.12536, pages 1 - 31 * |
J. LIU 等: "Point cloud based iterative segmentation technique for 3D plant phenotyping", 2018 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA), pages 1072 - 1077 * |
S. JIN 等: "Stem–Leaf Segmentation and Phenotypic Trait Extraction of Individual Maize Using Terrestrial LiDAR Data", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 57, no. 3, pages 1336 - 1346, XP011711854, DOI: 10.1109/TGRS.2018.2866056 * |
SHENG WU等: "MVS-Pheno: A Portable and Low-Cost Phenotyping Platform for Maize Shoots Using Multiview Stereo 3D Reconstruction", PLANT PHENOMICS, pages 1 - 8 * |
吴丹: "水稻植株三维重建技术研究", 中国硕士学位论文全文数据库 (农业科技辑), no. 2020, pages 047 - 16 * |
温维亮 等: "基于三维数字化的玉米株型参数提取方法研究", 中国农业科学, vol. 51, no. 6, pages 1034 - 1044 * |
温维亮: "玉米株型冠层三维数字化与结构解析技术研究", 中国博士学位论文全文数据库 (农业科技辑), no. 2018, pages 047 - 20 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768413B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An accurate skeleton extraction approach from 3D point clouds of maize plants | |
JP6891351B2 (ja) | 多特徴検索と変形に基づく人体髪型の生成方法 | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN108198244B (zh) | 一种苹果叶片点云精简方法及装置 | |
CN109993748B (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN109886094A (zh) | 一种作物苗情苗势采集分析方法和装置 | |
CN109166145A (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及系统 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN110895810B (zh) | 基于改进Mask RCNN的染色体图像实例分割方法及装置 | |
CN110232685A (zh) | 基于深度学习的空间骨盆参数自动测量方法 | |
CN110322497A (zh) | 一种基于三维可视化的交互式点云对象提取方法 | |
Sun et al. | High resolution 3D terrestrial LiDAR for cotton plant main stalk and node detection | |
CN107220647A (zh) | 一种叶片交叉条件下作物中心点定位方法及系统 | |
CN111429490A (zh) | 一种基于标定球的农林作物三维点云配准方法 | |
US20240013380A1 (en) | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
Zhu et al. | A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy | |
Zhu et al. | A method for detecting tomato canopies’ phenotypic traits based on improved skeleton extraction algorithm | |
Gao et al. | Maize seedling information extraction from UAV images based on semi-automatic sample generation and Mask R-CNN model | |
CN108133654B (zh) | 基于ar手机的棉花株型设计实验教学的方法 | |
Krause et al. | A guided multi-scale categorization of plant species in natural images | |
CN111768413B (zh) | 一种植物三维点云分割方法及系统 | |
CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |