CN112215184A - 一种基于三维激光扫描仪的油茶果树产量检测方法 - Google Patents
一种基于三维激光扫描仪的油茶果树产量检测方法 Download PDFInfo
- Publication number
- CN112215184A CN112215184A CN202011131340.XA CN202011131340A CN112215184A CN 112215184 A CN112215184 A CN 112215184A CN 202011131340 A CN202011131340 A CN 202011131340A CN 112215184 A CN112215184 A CN 112215184A
- Authority
- CN
- China
- Prior art keywords
- fruit
- point cloud
- cloud data
- dimensional point
- tree
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 170
- 241000526900 Camellia oleifera Species 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000010495 camellia oil Substances 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 39
- 239000003921 oil Substances 0.000 claims description 5
- 241001122767 Theaceae Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 2
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims 1
- 240000003553 Leptospermum scoparium Species 0.000 claims 1
- 235000015459 Lycium barbarum Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 235000019198 oils Nutrition 0.000 description 3
- 244000147058 Derris elliptica Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000008157 edible vegetable oil Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 240000001548 Camellia japonica Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 235000018597 common camellia Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于三维激光扫描仪的油茶果树产量检测方法,通过三维激光扫描仪获取油茶果树的三维点云数据,对采集到的三维点云数据进行预处理得到油茶果树三维点云数据集;对油茶果树三维点云数据集进行分割得到包含树叶与果实信息的三维点云数据集;对所述树叶与果实信息的三维点云数据集进行密度统计,设定阈值,将叶片滤除,得到N个果实三维点云数据子集,N为正整数;根据所述果实三维点云数据子集计算出相对应的每个果实的果实半径,得到果实半径数组;根据果实半径与果实质量的关系模型中的基础参数计算出果实半径数组中的每个果实半径对应的果实质量,累加计算出整株果树的产量。
Description
技术领域
本发明涉及果树产量智能测量领域,特别涉及一种基于三维激光扫描仪的油茶果树产量检测方法。
背景技术
油茶属于山茶科植物,生长于干旱、贫瘠的丘陵地域,是上游特有的木本油料树种,被作为优选的健康食用油原料;具有不占用耕地、一次种植多年收益等优点;对中国乃至世界的食用植物油具有不可替代的贡献。
油茶果树产量的测量在农业生产经营和农学研究中均有着重要的应用需求。传统上果树产量的无损精确测量大部分是采用人工统计果实个数并估算单树总产量的方法,这种方法费时费力,且由于果实往往较多,因此人工统计果实个数的方法很容易引起较大的误差。
近年来,随着信息技术的快速发展,特别是机器视觉、声波检测、激光测量等技术的日趋成熟,为果树产量的智能测量提供了新的途径。传统的图像处理方法主要通过分析颜色、纹理、轮廓等特征来实现物体检测,泛化能力较差。近年来,深度学习在物体检测方面取得了不错的效果,但往往需要复杂的运算模型和大量的数据训练。由于果树冠层枝叶繁茂,遮挡严重,因此无论从哪个侧面拍摄图像,图像中也无法包含果树上的所有果实,这将导致最终通过所拍摄的数字图像中提取的果实数量与真实的数量存在较大的误差,并引起从果实数量计算得到的果实产量更大的误差。综上所述,如何实现准确的果实产量检测具有重要的应用价值。
发明内容
本发明的目的在于提供一种高效准确的基于三维激光扫描仪的油茶果树产量检测方法,以克服上述缺陷,实现准确的果实产量检测。
为实现上述目的,本发明提供如下技术方案:
一种基于三维激光扫描仪的油茶果树产量检测方法,具体步骤包括:
步骤S1:通过三维激光扫描仪获取油茶果树的三维点云数据,并对所述三维点云数据进行预处理得到油茶果树三维点云数据集;
步骤S2:对所述油茶果树三维点云数据集进行分割得到包含树叶与果实信息的三维点云数据集;
步骤S3:对所述树叶与果实信息的三维点云数据集进行密度统计,设定阈值,将叶片滤除,得到N个果实三维点云数据子集,N为正整数;
步骤S4:根据所述果实三维点云数据子集计算出相对应的每个果实的果实半径,得到果实半径数组;
步骤S5:根据果实半径与果实质量的关系模型中的基础参数计算出果实半径数组中的每个果实半径对应的果实质量,累加计算出整株果树的产量;
优选的,所述步骤S1中具体包括:
S11:通过三维激光扫描仪对带果状态的油茶果树从不同角度获取三维点云数据,并组成果树三维点云原始数据集;
S12:对所述果树三维点云原始数据中点云噪声点进行初步剔除;
优选地,所述步骤S2具体包括:
S21:由于三维激光扫描仪在扫描过程中,某些树干被树叶遮挡导致树干不连续,需要人工干预选取一些树干的样本点,从而提高枝叶分离的效果;
S22:对所述果树三维点云数据集采用kd-tree的半径搜索算法分割树干点云;
优选地,所述步骤S3具体包括:
对所述树叶与果实信息的三维点云数据集M进行分析,利用基于密度的聚类方法对数据点进行聚类,设定阈值,基于阈值将属于同一个果实的数据点划分到一个子集中,从而将整个数据集M分成将N个小的果实三维点云数据子集,N即为计算得到的果实个数。
优选地,所述步骤S4具体包括:
S41:找到两个接近最大间隔的点,这对点的空间距离作为初始球体的直径;
S42:将初始球体的每个点与当前球体进行比较,如果点在外面,则放大球体;
优选地,所述步骤S5具体包括:
S51:测量样本果实的果实半径和果实质量,建立果实半径与果实质量的关系模型,获取基础参数;
S52:计算得到的果实半径数组中取出每个果实的半径并计算得到每个果实的重量,累加计算即可得到整株果树的产量。
其中,步骤S12中噪声点剔除包括针对噪声数据的不同特点,采取不同的去噪方法。大尺度噪声使用直通滤波去除,小尺度噪声使用Statistical outlier removal滤波器去除。
与现有技术相比,本发明的有益效果如下:
1、本发明的技术方案只需要通过激光雷达采集不同角度的点云数据,通过点云处理便可分辨出果实,相较于人工测量检测速度较快,准确度较高;
2、本发明的技术方案对物体颜色和环境光照等影响因素不敏感,鲁棒性较好。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一实施例提供的检测方法的流程图;
图2是本发明一实施例提供的Kd-tree的构建示例图;
图3是本发明一实施例提供的Kd-tree的递归流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。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。
下面对照附图,通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明,目的是帮助本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解,并有助于其实施。
本发明实施例一中提供了一种基于三维激光扫描仪的油茶果树产量测量方法,步骤流程如图1所示,具体包括以下步骤:
步骤S1:通过三维激光扫描仪获取果树的三维点云数据,并对三维点云数据进行预处理得到果树三维点云数据集D。
其中,利用三维激光扫描仪从田间直接获取油茶果树的三维点云数据,并对获取的三维点云数据进行噪声点剔除等预处理,三维点云数据集的处理流程示例如图2所示,主要包括以下步骤:
步骤S11:通过三维激光扫描仪对带果状态的油茶果树从不同角度获取三维点云数据,并组成果树三维点云原始数据集。在油茶果基地对需要进行产量测量的成果期油茶果树利用三维激光扫描仪进行三维扫描,扫描时至少从果树的3个角度进行多站扫描,采集得到油茶果树三维点云原始数据集。但是利用激光雷达在自然环境下对果树进行三维点云数据获取的过程中,由于不同果树之间的遮挡,以及其他外部条件(如风吹)的影响,所获取的三维点云数据不可避免的会带有噪声点,因此需要进行噪声点去除操作。
步骤S12:对油茶果树三维点云原始数据噪声点进行剔除,噪声主要分为大尺度噪声与小尺度噪声,所获数据的大尺度噪声主要指扫描到的大片地面点云数据,小尺度噪声指围绕在树周围的离群散点。由于地面平坦,大尺度噪声点云密集、与树主干垂直在X-Z平面分布,小尺度噪声密度稀疏呈离散分布。噪声剔除的具体方法如下:针对噪声数据的不同特点,采取不同的去噪方法,大尺度噪声使用直通滤波去除,小尺度噪声使用Statisticaloutlier removal滤波器去除。直通滤波的具体做法为:建立直通滤波器,观察地面点云坐标,设定过滤时的Y轴的阈值区间。对阈值区间内的噪声点进行剔除。 Statisticaloutlier removal滤波器对果树三维点云原始数据集中的每个数据点进行最小邻域检查,若某个数据点的邻域内邻居(距离该点的直线距离不大于0.5cm的数据点即为该点的邻居)个数小于30个,即将该数据点从三维点云原始数据集中删除。经过以上两步的噪声点剔除处理,将果树的三维点云原始数据集中不属于果树的噪声点部分去掉,得到只包含果树信息的果树三维点云数据集P。
步骤S2:对果树三维点云数据集P进行分割得到只包含树叶与果实信息的果实三维点云数据集P1,该步骤主要是将上一步骤处理得到的果树三维点云数据集P进行分割,将其中不属于树叶与果实的数据点剔除,具体包括以下步骤:
步骤S21:由于三维激光扫描仪在扫描过程中,某些树干被树叶遮挡导致树干不连续,因此需要人工干预选取一些树干的样本点,从而提高枝叶分离的效果。根据所述单株树木点云数据,提取单株树木主干基部预定高度的点云数据。根据最小二乘法拟合圆计算所述单株树木主干基部点云数据的圆心作为基部根节点;其中,最小二乘法拟合圆表达式为:R2=(x-A)2+(y-B)2。其中,R为圆的半径,所述X、Y分别为点云数据的坐标值,A、B圆心点的坐标。
步骤S22:构建单株树木点云数据的Kd-Tree数据结构。根据Kd-Tree数据结构、所述单株树木点云数据的基部根节点以及邻居点搜索构建单株树木点云邻域图。所述Kd-Tree数据结构是一种分割k维数据空间的数据结构,应用于多维空间关键数据的搜索。在本实施例中,利用Kd-Tree数据结构对单株树木点云数据进行组织,以根节点作为起点,根据最近邻查找法得到点云数据集中各点与其近邻点并连线,从而建立点与点之间连通关系,具体包括:
根据所述Kd-Tree数据结构设定所述根节点的K个近邻点搜索数目;根据所述K个近邻点搜索数目和邻点搜索法,遍历点云中所有点,并将每个点与其近邻点连线得到所述单株树木点云数据邻域图。举例,假设有6个二维数据点{(2,3),(5,4),(9,6),(4,7),(8,1),(7,2)},数据点位于二维空间内(如图2所示)。kd树算法就是要确这些分割空间的分割线(多维空间即为分割平面,一般为超平面)。具体步骤如下:
1、分别计算x,y方向上数据的方差,得知x方向上的方差最大;
2、根据x轴方向的值2,5,9,4,8,7排序选出中值为7,所以该节点node 中的data=(7,2)。这样,该节点的分割超平面就是通过(7,2)并垂直于x 轴的直线x=7;
3、确定左子空间和右子空间。分割超平面x=7将整个空间分为两部分,。 x<=7的部分为左子空间,包含3个节点{(2,3),(5,4),(4,7)};另一部分为右子空间,包含2个节点{(9,6),(8,1)}。
k-d树的构建是一个递归的过程。然后对左子空间和右子空间内的数据重复根节点的过程就可以得到下一级子节点(5,4)和(9,6)(也就是左右子空间的'根'节点),同时将空间和数据集进一步细分。如此反复直到空间中只包含一个数据点,如图3所示。根据点云邻域图,获得单株油茶果树干点云数据,将其剔除获得树叶及果实点云数据M。
步骤S3:对所述树叶与果实信息的三维点云数据集进行密度统计,设定阈值,将叶片滤除;得到N个果实三维点云数据子集,N为正整数。具体步骤如下:对所述树叶与果实的三维点云数据集M进行分析,利用基于密度的聚类方法对数据点进行聚类,设定阈值,即将属于同一个果实的数据点划分到一个子集中,从而将整个果实三维数据集M分成将N个小的果实三维点云数据子集(记每个子集为Mi,其中i取值为1到N之间的自然数),N即为计算得到的果实个数。
步骤S4:根据果实三维点云数据子集Mi计算出相对应的每个果实的果实半径ri,得到果实半径数组,具体包括以下步骤:
步骤S41:找到两个接近最大间隔的点,这对点的空间距离作为初始球体的直径。包括:快速遍历一下所有的N个点并且找出如下六点:最小x的点,最大x的点;最小y的点,最大y的点;最小z的点,最大z的点;这三对点,每对都有其最大跨度尺寸;选择具有最大跨度的一对点(其可以大于最大尺寸跨度);计算初始球体,使用这对点的空间距离作为直径。
步骤S42:将初始球体的每个点与当前球体进行比较,如果点在外面,则放大球体,并最终得到果实半径。算法如下:再次遍历N个点:对于当前球体的每个外面的点,将当前球体更新为较大的球体,以便通过这个点,计算其到旧球面的背面的距离。每个新的球体就是旧的球体加上新的点。所需的更新将是N的一小部分。对于当前球体在测试每个点时,将点与当前球体的中心距离进行平方与当前球体的半径的平方进行比较,以避免做一个开根号(sqrt)计算。
步骤S5:根据果实半径与果实质量的关系模型中的基础参数计算出果实半径数组中的每个果实半径对应的果实质量,累加计算出整株果树的产量。具体步骤如下:
步骤S51:测量样本果实的果实半径和果实质量,建立果实半径与果实质量的关系模型,获取基础参数。方法为:在油茶果基地对需要进行产量测量的成果期果树,从树上采集不同大小的果实20个,测量每个果实的半径和重量,并利用回归分析等数学拟合方法建立果实半径和重量的关系模型 g=r×λ,其中g为果实重量,r为果实半径,λ为拟合得到的基础参数。
步骤S52:采用步骤S51建立的果实半径与果实重量的关系模型g=r×λ,从步骤S4计算得到的果实半径数组中取出每个果实的半径并计算得到每个果实的重量,累加计算即可得到整株果树的产量。
通过上述方法,在对果树和果实都无损的情况下,能够精确、快速地对油茶果树单树产量进行测量。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于三维激光扫描仪的油茶果树产量检测方法,其特征在于,所述方法具体包括:
步骤S1:通过三维激光扫描仪获取油茶果树的三维点云数据,并对所述三维点云数据进行预处理得到油茶果树三维点云数据集;
步骤S2:对所述油茶果树三维点云数据集进行分割得到包含树叶与果实信息的三维点云数据集;
步骤S3:对所述树叶与果实信息的三维点云数据集进行密度统计,设定阈值,将叶片滤除,得到N个果实三维点云数据子集,N为正整数;
步骤S4:根据所述果实三维点云数据子集计算出相对应的每个果实的果实半径,得到果实半径数组;
步骤S5:根据果实半径与果实质量的关系模型中的基础参数计算出果实半径数组中的每个果实半径对应的果实质量,累加计算出整株果树的产量。
2.根据权利要求1所述的方法,其特征在于:所述步骤S1具体包括:
S11:通过三维激光扫描仪对带果状态的油茶果树从不同角度获取三维点云数据,并组成果树三维点云原始数据集;
S12:对所述果树三维点云原始数据中点云噪声点进行初步剔除得到所述油茶果树三维点云数据集。
3.根据权利要求1所述的方法,其特征在于:所述步骤S2具体包括:
S21:由于三维激光扫描仪在扫描过程中,某些树干被树叶遮挡导致树干不连续,需要人工干预选取一些树干的样本点,从而提高枝叶分离的效果;
S22:对所述果树三维点云数据集采用kd-tree的半径搜索算法获得油茶果树树干点云数据,将其剔除获得包含树叶与果实信息的点云数据集M。
4.根据权利要求1所述的方法,其特征在于:所述步骤S3具体包括:对所述树叶与果实信息的三维点云数据集M进行分析,利用基于密度的聚类方法对数据点进行聚类,设定阈值,基于阈值将属于同一个果实的数据点划分到一个子集中,从而将整个数据集M分成将N个小的果实三维点云数据子集,N即为计算得到的果实个数。
5.根据权利要求1所述的方法,其特征在于:所述步骤S4具体包括:
S41:找到两个接近最大间隔的点,这对点的空间距离作为初始球体的直径;
S42:将初始球体的每个点与当前球体进行比较,如果点在外面,则放大球体。
6.根据权利要求1所述的方法,其特征在于:所述步骤S5具体包括:
S51:测量样本果实的果实半径和果实质量,建立果实半径与果实质量的关系模型,获取基础参数;
S52:计算得到的果实半径数组中取出每个果实的半径并计算得到每个果实的重量,累加计算即可得到整株果树的产量。
7.根据权利要求2所述的方法,其特征在于:所述步骤S12中噪声点剔除包括针对噪声数据的不同特点,采取不同的去噪方法。
8.根据权利要求7所述的方法,其特征在于:对于大尺度噪声使用直通滤波器去除,对于小尺度噪声使用Statistical outlier removal滤波器去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131340.XA CN112215184B (zh) | 2020-10-21 | 2020-10-21 | 一种基于三维激光扫描仪的油茶果树产量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131340.XA CN112215184B (zh) | 2020-10-21 | 2020-10-21 | 一种基于三维激光扫描仪的油茶果树产量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215184A true CN112215184A (zh) | 2021-01-12 |
CN112215184B CN112215184B (zh) | 2023-04-25 |
Family
ID=74056261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011131340.XA Active CN112215184B (zh) | 2020-10-21 | 2020-10-21 | 一种基于三维激光扫描仪的油茶果树产量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215184B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192206A (zh) * | 2021-04-28 | 2021-07-30 | 华南理工大学 | 基于目标检测和背景去除的三维模型实时重建方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
CN102682286A (zh) * | 2012-04-16 | 2012-09-19 | 中国农业大学 | 基于激光视觉系统的采摘机器人果实识别方法 |
CN103090946A (zh) * | 2013-01-15 | 2013-05-08 | 北京农业信息技术研究中心 | 果树单树产量测量的方法和系统 |
CN103942838A (zh) * | 2014-05-13 | 2014-07-23 | 福州大学 | 基于点云数据的单树三维建模与形态参数提取的方法 |
WO2015092799A1 (en) * | 2013-12-19 | 2015-06-25 | Phytech Ltd. | Method and system for crop management |
CN105794382A (zh) * | 2016-05-11 | 2016-07-27 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
CN111241739A (zh) * | 2020-01-17 | 2020-06-05 | 南京林业大学 | 一种有果有叶果树振动模型的构建方法 |
-
2020
- 2020-10-21 CN CN202011131340.XA patent/CN112215184B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
CN102682286A (zh) * | 2012-04-16 | 2012-09-19 | 中国农业大学 | 基于激光视觉系统的采摘机器人果实识别方法 |
CN103090946A (zh) * | 2013-01-15 | 2013-05-08 | 北京农业信息技术研究中心 | 果树单树产量测量的方法和系统 |
WO2015092799A1 (en) * | 2013-12-19 | 2015-06-25 | Phytech Ltd. | Method and system for crop management |
CN103942838A (zh) * | 2014-05-13 | 2014-07-23 | 福州大学 | 基于点云数据的单树三维建模与形态参数提取的方法 |
CN105794382A (zh) * | 2016-05-11 | 2016-07-27 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
CN111241739A (zh) * | 2020-01-17 | 2020-06-05 | 南京林业大学 | 一种有果有叶果树振动模型的构建方法 |
Non-Patent Citations (8)
Title |
---|
VALERIA ALBARRACÍN 等: "Responses of shoot growth, return flowering, and fruit yield to post-pruning practices and growth regulator application in olive trees" * |
吴升 等: "基于点云的果树冠层叶片重建方法", 《农业工程学报》 * |
朱佳文 等: "基于 CSIFT 算法的 UAV 影像配准技术研究", 《首都师范大学学报(自然科学版)》 * |
李永强 等: "行道树点云分割", 《车载激光扫描数据处理技术》 * |
步国超: "基于地面激光雷达点云数据的树木胸径及树干形态提取方法研究", 《中国优秀硕士论文全文数据库农业科技辑》 * |
程洪 等: "基于图像处理与支持向量机的树上苹果早期估产研究" * |
郭彩玲 等: "基于三维点云数据的苹果树冠层几何参数获取" * |
麦春艳 等: "基于RGB-D相机的果树三维重构与果实识别定位", 《农业机械学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192206A (zh) * | 2021-04-28 | 2021-07-30 | 华南理工大学 | 基于目标检测和背景去除的三维模型实时重建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112215184B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223314B (zh) | 一种基于树冠三维点云分布的单木分割方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
Faisal et al. | Deep learning and computer vision for estimating date fruits type, maturity level, and weight | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
CN111428784B (zh) | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 | |
CN116051976B (zh) | 一种融合高程信息的遥感影像的处理方法 | |
CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
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 | |
CN115953607A (zh) | 一种使用点云数据的树干胸径的提取方法和系统 | |
CN113780144A (zh) | 一种基于3d点云的作物株数及茎宽自动提取方法 | |
CN112215184B (zh) | 一种基于三维激光扫描仪的油茶果树产量检测方法 | |
CN109242786A (zh) | 一种适用于城市区域的自动化形态学滤波方法 | |
Xu et al. | Remote Sensing Mapping of Cage and Floating-raft Aquaculture in China's Offshore Waters Using Machine Learning Methods and Google Earth Engine | |
CN112580595A (zh) | 一种基于Shapelet的双季稻田遥感识别方法 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
CN117078821A (zh) | 基于深度学习的植物快速三维渲染与表征提取工具 | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN115147423A (zh) | 基于改进的链码法的棉花顶检测方法 | |
CN115187979A (zh) | 一种基于图论的单木点云枝叶分离方法 | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN115631136A (zh) | 基于3d点云图像的木荷苗表型参数快速测量方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |