CN112348802A - 植物叶倾角测量方法及装置 - Google Patents

植物叶倾角测量方法及装置 Download PDF

Info

Publication number
CN112348802A
CN112348802A CN202011269910.1A CN202011269910A CN112348802A CN 112348802 A CN112348802 A CN 112348802A CN 202011269910 A CN202011269910 A CN 202011269910A CN 112348802 A CN112348802 A CN 112348802A
Authority
CN
China
Prior art keywords
point cloud
cloud image
plant
inclination angle
blade
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
CN202011269910.1A
Other languages
English (en)
Inventor
马晓丹
关海鸥
张志超
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.)
Heilongjiang Bayi Agricultural University
Original Assignee
Heilongjiang Bayi Agricultural University
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 Heilongjiang Bayi Agricultural University filed Critical Heilongjiang Bayi Agricultural University
Priority to CN202011269910.1A priority Critical patent/CN112348802A/zh
Publication of CN112348802A publication Critical patent/CN112348802A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种植物叶倾角测量方法及装置，植物叶倾角测量方法包括：获取目标植物的植株点云图像；对植株点云图像进行聚类分割，得到多个叶片点云图像；对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积；基于实际面积和投影面积，确定任一叶片点云图像的倾角；基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。本发明提供的植物叶倾角测量方法，通过获取多个叶片点云图像，基于叶片点云图像的实际面积和投影面积，求得单个叶片的倾角，从而得到植株叶倾角，能够避免对植株造成伤害，且能够提高测量植株叶倾角的精度，提高测量植株叶倾角的效率。

Description

植物叶倾角测量方法及装置
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种植物叶倾角测量方法及装置。
背景技术
叶倾角是描述植被冠层结构的重要参数，决定了植被冠层对辐射的截获量，影响整个植物的光合作用速率。此外，叶倾角可以作为植物生长状态的指示器，如水分状况。因此，测量叶倾角这一表型参数对提高植物产量至关重要。
目前，在测量植物叶倾角相关技术中，主要通过倾斜仪、量角器和罗盘对植物叶倾角进行实地测量，这种实地测量可能对植株造成伤害，且依赖人的主观性，无法保证精度，这样比较费时费力，测算的效率较低。
发明内容
本发明提供一种植物叶倾角测量方法及装置，用以解决现有技术中实地测量可能对植株造成伤害，且依赖人的主观性，无法保证精度，这样比较费时费力，测算的效率较低的缺陷，实现避免对植株造成伤害，且能够提高测量植株叶倾角的精度，提高测量植株叶倾角的效率。
本发明提供一种植物叶倾角测量方法，所述植物叶倾角测量方法包括：获取目标植物的植株点云图像；对所述植株点云图像进行聚类分割，得到多个叶片点云图像；对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，并对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积；基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角；基于多个所述叶片点云图像的倾角，确定目标植物的植株叶倾角。
根据本发明提供的一种植物叶倾角测量方法，所述获取目标植物的植株点云图像，包括：获取目标植物的原始三维点云图像；对所述原始三维点云图像进行预处理，得到所述植株点云图像。
根据本发明提供的一种植物叶倾角测量方法，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：基于所述原始三维点云图像，生成长方体模型，所述长方体模型包覆所述原始三维点云图像的三维边界点，且所述长方体模型的任一面与所述原始三维点云图像所处坐标系的至少一个坐标轴平行；基于预设的比例特征，将所述长方体模型划分为多个栅格；基于预设的范围阈值，删除距离所述栅格的中心超过所述范围阈值的点云数据，得到所述植株点云图像。
根据本发明提供的一种植物叶倾角测量方法，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：基于所述原始三维点云图像的深度值和预设的深度阈值，删除噪声点云数据，得到所述植株点云图像。
根据本发明提供的一种植物叶倾角测量方法，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：基于对所述原始三维点云图像的统计分析，选取标记点；基于所述原始三维点云图像的点云数据与所述标记点的距离和预设距离阈值，删除噪声点云数据，得到所述植株点云图像。
根据本发明提供的一种植物叶倾角测量方法，所述对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，包括：基于Delaunay三角剖分方法，对任一所述叶片点云图像进行表面重建，得到多个三角形单元；基于公式
Figure BDA0002777347810000031
Figure BDA0002777347810000032
Figure BDA0002777347810000033
得到任一所述叶片点云图像的实际面积，其中，S(TLA)为任一所述叶片点云图像的实际面积，k为三角形单元的序号，n为三角形单元的个数，A为第k个三角形单元的面积，a、b、c为三角形单元的三个边长；所述对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积，包括：将所述任一所述叶片点云图像的坐标投影到栅格平面上，对所述任一所述叶片点云图像进行平面三角剖分，得到多个三角形单元；
基于公式
Figure BDA0002777347810000034
Figure BDA0002777347810000035
Figure BDA0002777347810000036
其中，S(PLA)为任一所述叶片点云图像的投影面积，i为三角形单元的序号，m为三角形单元的个数，B为第i个三角形单元的面积，x、y、z为三角形单元的三个边长。
根据本发明提供的一种植物叶倾角测量方法，所述基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角，包括：将所述实际面积与所述投影面积的比值，作为任一所述叶片点云图像的倾角。
本发明还提供一种植物叶倾角测量装置，所述植物叶倾角测量装置包括：获取单元，用于获取目标植物的植株点云图像；分割单元，用于对所述植株点云图像进行聚类分割，得到多个叶片点云图像；第一确定单元，用于对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，并对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积；第二确定单元，用于基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角；第三确定单元，用于基于多个所述叶片点云图像的倾角，确定目标植物的植株叶倾角。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述植物叶倾角测量方法的步骤。
本发明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，所述计算机程序被处理器执行时实现如上述任一种所述植物叶倾角测量方法的步骤。
本发明提供的植物叶倾角测量方法，通过获取三维状态的植株点云图像，利用聚类分割的方法得到多个叶片点云图像，基于叶片点云图像的实际面积和投影面积，求得植株单个叶片的倾角，从而得到植株叶倾角，能够避免对植株造成伤害，且能够提高测量植株叶倾角的精度，提高测量植株叶倾角的效率。
附图说明
为了更清楚地说明本发明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是本发明提供的植物叶倾角测量方法的流程示意图之一；
图2是本发明提供的植物叶倾角测量方法的采集位置示意图；
图3是本发明提供的植物叶倾角测量方法的聚类分割示意图；
图4是本发明提供的植物叶倾角测量方法的获取实际面积和投影面积的示意图；
图5是本发明提供的植物叶倾角测量方法的确定叶片点云图像的倾角的示意图；
图6是本发明提供的植物叶倾角测量方法的流程示意图之二；
图7是本发明提供的植物叶倾角测量方法的预处理过程的示意图之一；
图8是本发明提供的植物叶倾角测量方法的预处理过程的示意图之二；
图9是本发明提供的植物叶倾角测量方法的预处理过程的示意图之三；
图10是本发明提供的植物叶倾角测量方法的预处理过程的示意图之四；
图11是本发明提供的植物叶倾角测量方法的预处理过程的示意图之五；
图12是本发明提供的植物叶倾角测量方法的效果验证试验统计图之一；
图13是本发明提供的植物叶倾角测量方法的效果验证试验统计图之二；
图14是本发明提供的植物叶倾角测量方法的效果验证试验统计图之三；
图15是本发明提供的植物叶倾角测量装置的结构示意图；
图16是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
下面结合图1-图16描述本发明的植物叶倾角测量方法及装置。
本发明实施例提供的植物叶倾角测量方法可以应用在各种植物的叶倾角检测上，比如可以对大豆的植株叶倾角进行测量和计算。
以大豆为例的全冠层结荚作物，其产量的高低与冠层结构密切相关，而叶倾角是描述植被冠层结构的一种重要参数，决定了植被冠层对辐射的截获量，影响整个植物的光合作用速率。此外，叶倾角可以作为植物生长状态的指示器，如水分状况。因此，研究植物叶倾角这一表型参数对提高植物产量至关重要。
如图1所示，本发明实施例提供一种植物叶倾角测量方法，该植物叶倾角测量方法包括如下步骤110-步骤150。
其中，步骤110、获取目标植物的植株点云图像。
需要说明的是，如图2所示，可以采用Kinect 2.0相机来获取目标植物的植株点云图像，以Kinect 2.0相机为中心搭建数据采集平台，该平台由Kinect 2.0相机、笔记本电脑、可调节的铁架和线圈四部分组成。将Kinect 2.0相机放置在铁架固定位置，通过控制铁架的高度从而改变Kinect 2.0相机位置以确保获得信息的有效性。
为了减少光照对获取植株点云数据的影响，可以采用“顶视法”获取大豆植株出枝、开花、结荚以及鼓粒四个时期的原始三维点云数据。换言之，可以将Kinect 2.0相机放置于铁架的顶端，以Kinect 2.0相机的镜头朝下俯拍植株。
Kinect 2.0相机拍摄到的植株三维图像的尺寸可以为512像素×424像素，每个像素的深度值包含了目标植株与Kinect 2.0相机的距离信息，可通过深度值进行变换得到各个像素点所代表的点云信息，可以采用简化操作以及去噪操作等方法对原始三维点云数据进行预处理，得到目标植物的植株点云图像。
步骤120、对植株点云图像进行聚类分割，得到多个叶片点云图像。
如图2所示，可以理解的是，以大豆为例的植物，其植株往往有很多叶片，Kinect2.0相机俯拍得到的植株三维图像中有多个叶片，因此需要对植株点云图像进行分割，得到多个单独的叶片点云图像。
可以采用K-means聚类算法，来对植株点云图像进行聚类分割。
K-means是一种基于划分的动态聚类算法,它以误差平方和SSE作为聚类准则函数。
聚类分割的过程可以为：
第一，从植株点云图像中随机取f个聚类中心点。
第二，分别计算植株点云图像中的每个样本点与f个聚类中心点的距离，将这些点分别归类到距离最近的聚类中心点的簇。
第三，根据聚类中现有的对象重新计算f个簇各自的中心点，公式如下：
Figure BDA0002777347810000071
其中，Lj表示样本点数据；
Figure BDA0002777347810000072
表示样本点平均值；Qj表示各个簇的集合。
第四，重复上述第二步和第三步，直到前后两次聚类中心点不再变化或者小于设定精度。
第五，输出结果聚类分割的结果。
其中，在分割不同的植株时，将t值设置为对应的叶片数量即可。
步骤130、对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积。
可以理解的是，叶片点云图像的实际面积为叶片在三维空间中的一个表面的真实面积，叶片点云图像的投影图像为叶片在某个平面的投影的面积，比如可以为地面，也可以为水平面，还可以是预设的X-Y平面。
如图4所示，针对叶片表面形状不规则的问题，为了精确的计算叶片面积，在单个叶片点云图像分割的基础上进行了三角化处理。以单个叶片三维点云为目标，对其使用基于Delaunay三角剖分的方法实现叶片点云图像的表面重建。其基本原理是首先构建一个种子三角形，对该三角形的边进行扩张生成新的三角形，重复上述过程，直到没有三角形的边可以扩张为止。
通过点云三角化表面重建之后的叶片点云图像由多个三角网格组成，本研究采用海伦凯勒公式计算单个网格三角形的面积来推导出叶片点云图像的实际面积。
其中，对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，可以包括：
基于Delaunay三角剖分方法，对任一叶片点云图像进行表面重建，得到多个三角形单元。
基于公式
Figure BDA0002777347810000081
Figure BDA0002777347810000082
Figure BDA0002777347810000083
得到任一叶片点云图像的实际面积，其中，S(TLA)为任一叶片点云图像的实际面积，k为三角形单元的序号，n为三角形单元的个数，A为第k个三角形单元的面积，a、b、c为三角形单元的三个边长。
对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积，可以包括：
将任一叶片点云图像的坐标投影到栅格平面上，对任一叶片点云图像进行平面三角剖分，得到多个三角形单元；
基于公式
Figure BDA0002777347810000091
Figure BDA0002777347810000092
Figure BDA0002777347810000093
其中，S(PLA)为任一叶片点云图像的投影面积，i为三角形单元的序号，m为三角形单元的个数，B为第i个三角形单元的面积，x、y、z为三角形单元的三个边长。
步骤140、基于实际面积和投影面积，确定任一叶片点云图像的倾角。
可以对实际面积和投影面积进行相除或者做差，或者采用三角函数来就散叶片点云图像的倾角。
如图5所示，可以将实际面积与投影面积的比值，作为任一叶片点云图像的倾角。
需要说明的是，叶倾角为叶片腹面的法线L与天顶轴(z轴)的夹角θL，叶倾角以z轴为0度，换言之，叶倾角也是叶面与地平面的夹角，可以基于公式
Figure BDA0002777347810000094
计算叶片点云图像的倾角θL。
步骤150、基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。
需要说明的是，可以对多个叶片点云图像的倾角求平均值，将多个叶片点云图像的倾角的均值作为目标植物的植株叶倾角。
或者，可以对多个叶片点云图像的倾角做加权平均，可以将叶片点云图像的实际面积作为权重对叶片点云图像进行赋权，将多个叶片点云图像的倾角的加权平均结果作为目标植物的植株叶倾角。
本发明实施例提供的植物叶倾角测量方法，通过获取三维状态的植株点云图像，利用聚类分割的方法得到多个叶片点云图像，基于叶片点云图像的实际面积和投影面积，求得植株单个叶片的倾角，从而得到植株叶倾角，能够避免对植株造成伤害，且能够提高测量植株叶倾角的精度，提高测量植株叶倾角的效率。
如图6所示，在一些实施例中，上述步骤110、获取目标植物的植株点云图像，包括如下步骤111-步骤112。
其中，步骤111、获取目标植物的原始三维点云图像。
可以理解的是，可以采用Kinect 2.0相机来获取目标植物的植株点云图像，Kinect 2.0相机拍摄到的植株三维图像的尺寸可以为512像素×424像素，每个像素的深度值包含了目标植株与Kinect 2.0相机的距离信息，可通过深度值进行变换得到各个像素点所代表的点云信息，得到目标植物的原始三维点云图像。
步骤112、对原始三维点云图像进行预处理，得到植株点云图像。
可以理解的是，可以采用简化操作以及去噪操作等方法对原始三维点云数据进行预处理，得到目标植物的植株点云图像。
通过对原始三维点云数据进行简化操作和去噪操作等预处理过程，能够得到叶片特征突出的植株点云图像，排除了其他无关特征，能够提高叶倾角测量的效率。
如图7和图8所示，在一些实施例中，上述步骤112、对原始三维点云图像进行预处理，得到植株点云图像，包括：
基于原始三维点云图像，生成长方体模型，长方体模型包覆原始三维点云图像的三维边界点，且长方体模型的任一面与原始三维点云图像所处坐标系的至少一个坐标轴平行。
可以理解的是，可以对原始三维点云图像进行简化操作，读取原始三维点云图像，建立一个包围整个原始三维点云图像，且三面都平行于原始三维点云图像的坐标系的三个坐标轴的长方体模型。
该长方体模型的三个边长ax、by和cz可以基于公式
Figure BDA0002777347810000111
表示，其中，amax和amin表示原始三维点云图像沿着x轴的两个边界点的坐标，bmax和bmin表示原始三维点云图像沿着y轴的两个边界点的坐标，cmax和cmin表示原始三维点云图像沿着z轴的两个边界点的坐标。
基于预设的比例特征，将长方体模型划分为多个栅格。
可以理解的是，将长方体模型划分为多个形状大小相同的栅格，可以通过调整栅格的边长，边长越大，简化后的点云密度越小，这就就可以调整简化操作的效果。
栅格的边长d基于公式
Figure BDA0002777347810000112
确定，其中，β表示预设比例特征，t表示原始三维点云图像的点云总个数。
基于预设的范围阈值，删除距离栅格的中心超过范围阈值的点云数据，得到植株点云图像。
可以理解的是，预设范围阈值，以栅格的中心为基点，删除超过范围阈值的点云数据，保留在范围阈值内的点云数据，实现了对原始三维点云图像的简化操作，起到了精简效果。
需要说明的是，原始三维点云图像可能具有噪声，噪声一般分为主观噪声和客观噪声两类。主观噪声是由于扩大被测物的扫描范围所引起的。客观噪声是由设备自身和外部环境影响引起的，而对于不同的噪声类型，所采用的去噪方法也不同。
如图9所示，在一些实施例中，上述步骤112、对原始三维点云图像进行预处理，得到植株点云图像，包括：基于原始三维点云图像的深度值和预设的深度阈值，删除噪声点云数据，得到植株点云图像。
可以理解的是，这是一种深度阈值过滤法，用于去除主观噪声，针对由扩大被测物的扫描范围所引起的主观噪声，通常称之为背景点云，为了缩减点云文件大小以达到快速高效的处理有效点云数据，需要对物体进行背景点云的分割，即选择包含带重建物体的矩形区域进行分割。采用深度阈值过滤的方法进行深度有效区域选择，即认为不超过预设的深度阈值的点云为有效数据，将超过深度阈值的点云即主观噪声点云直接删除。
如图10所示，在一些实施例中，上述步骤112、对原始三维点云图像进行预处理，得到植株点云图像，包括：基于对原始三维点云图像的统计分析，选取标记点；基于原始三维点云图像的点云数据与标记点的距离和预设距离阈值，删除噪声点云数据，得到植株点云图像。
可以理解的是，针对由设备自身和外部环境所引起的客观噪声问题，可以采用统计滤波的方法对其进行处理。其原理是先对原始三维点云数据中所有点进行统计，可以选择其中一个为标记点，计算标记点与周围临近点之间的平均距离，并删除在预设的距离阈值之外的点。
假设原始三维点云图像有g个点，其中一个点标记为Pg(Xg，Yg，Zg)，g＝1,2,3……h，其中，h为点云总数目，标记点与周围临近点之间的平均距离du可以基于公式
Figure BDA0002777347810000121
Figure BDA0002777347810000122
表示，其中，r表示为标记点Pg周围临近点的个数，
Figure BDA0002777347810000123
表示为标记点Pg与临近点之间的平均距离。
可以对多个临界点的分布情况采用高斯分布进行表示，均值为μ，标准差为σ。可以引入标准差倍数阈值std作为距离阈值，如果标记点Pg对应的平均距离
Figure BDA0002777347810000131
时为有效点，反之则为离群点，将离群点从原始三维点云图像中剔除。
如图11所示，在一些实施例中，在自然光照条件下利用构建的数据采集平台以垂直方式获取每个时期单盆大豆植株原始三维点云图像，并对其进行预处理。为了说明预处理的效果，选取单盆大豆植株为例，显示了随着时间推移的大豆植株出枝、开花、结荚以及鼓粒四个时期的点云图像变化。经过预处理后，可以清楚的观察到冠层特征，能够清晰观察到大豆叶片结构，实现了高精度的三维重建。由此可见，对大豆原始三维点云图像的预处理能够为大豆叶倾角计算精准度提供扎实的前期基础。
对于出枝期单盆大豆样本植株，原始三维点云图像的点云个数为180340，简化操作后点云个数为126238，去噪操作后点云个数为14663；对于开花期单盆大豆样本植株，原始三维点云图像的点云个数为170714，简化操作后点云个数为116085，去噪操作后点云个数为13248；对于结夹期单盆大豆样本植株，原始三维点云图像的点云个数为182217，简化操作后点云个数为127551，去噪操作后点云个数为15564；对于鼓粒期单盆大豆样本植株，原始三维点云图像的点云个数为185246，简化操作后点云个数为127819，去噪操作后点云个数为16598，该方法同样适用于群体大豆叶倾角计算。
如图12、图13和图14所示，为评估实验结果，在垂直采集方式下，对富豆6号、抗线9号，抗线13号三个品种分别选取10株具有代表性的盆栽大豆植株，并对其随机组合采用本发明实施例提出的方法计算其出枝、开花、结荚和鼓粒四个生殖生长时期的叶倾角参数，共测量了140个数据，将计算值与实测值进行对比，本发明实施例提供的植物叶倾角测量方法的平均相对误差为3.58％，决定系数R2分别为0.8317，0.9075，0.9186，实验结果证明了本发明实施例提供的植物叶倾角测量方法的有效性。
下面对本发明提供的植物叶倾角测量装置进行描述，下文描述的植物叶倾角测量装置与上文描述的植物叶倾角测量方法可相互对应参照。
如图15本发明实施例提供一种植物叶倾角测量装置，包括：获取单元151、分割单元152、第一确定单元153、第二确定单元154和第三确定单元155。
其中，获取单元151，用于获取目标植物的植株点云图像；
分割单元152，用于对植株点云图像进行聚类分割，得到多个叶片点云图像；
第一确定单元153，用于对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积；
第二确定单元154，用于基于实际面积和投影面积，确定任一叶片点云图像的倾角；
第三确定单元155，用于基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。
本发明实施例提供的植物叶倾角测量装置，用于执行上述实施例所述的植物叶倾角测量方法，本实施例不再赘述。
图16示例了一种电子设备的实体结构示意图，如图16所示，该电子设备可以包括：处理器(processor)161、通信接口(Communications Interface)162、存储器(memory)163和通信总线164，其中，处理器161，通信接口162，存储器163通过通信总线164完成相互间的通信。处理器161可以调用存储器163中的逻辑指令，以执行植物叶倾角测量方法，该植物叶倾角测量方法包括：获取目标植物的植株点云图像；对所述植株点云图像进行聚类分割，得到多个叶片点云图像；对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积；基于实际面积和投影面积，确定任一叶片点云图像的倾角；基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。
此外，上述的存储器163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-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，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的植物叶倾角测量方法，该植物叶倾角测量方法包括：获取目标植物的植株点云图像；对所述植株点云图像进行聚类分割，得到多个叶片点云图像；对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积；基于实际面积和投影面积，确定任一叶片点云图像的倾角；基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。
又一方面，本发明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提供的植物叶倾角测量方法，该植物叶倾角测量方法包括：获取目标植物的植株点云图像；对所述植株点云图像进行聚类分割，得到多个叶片点云图像；对任一叶片点云图像进行表面重建，确定任一叶片点云图像的实际面积，并对任一叶片点云图像进行平面投影，确定任一叶片点云图像的投影面积；基于实际面积和投影面积，确定任一叶片点云图像的倾角；基于多个叶片点云图像的倾角，确定目标植物的植株叶倾角。
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)

1.一种植物叶倾角测量方法，其特征在于，包括：
获取目标植物的植株点云图像；
对所述植株点云图像进行聚类分割，得到多个叶片点云图像；
对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，并对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积；
基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角；
基于多个所述叶片点云图像的倾角，确定目标植物的植株叶倾角。
2.根据权利要求1所述的植物叶倾角测量方法，其特征在于，所述获取目标植物的植株点云图像，包括：
获取目标植物的原始三维点云图像；
对所述原始三维点云图像进行预处理，得到所述植株点云图像。
3.根据权利要求2所述的植物叶倾角测量方法，其特征在于，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：
基于所述原始三维点云图像，生成长方体模型，所述长方体模型包覆所述原始三维点云图像的三维边界点，且所述长方体模型的任一面与所述原始三维点云图像所处坐标系的至少一个坐标轴平行；
基于预设的比例特征，将所述长方体模型划分为多个栅格；
基于预设的范围阈值，删除距离所述栅格的中心超过所述范围阈值的点云数据，得到所述植株点云图像。
4.根据权利要求2所述的植物叶倾角测量方法，其特征在于，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：
基于所述原始三维点云图像的深度值和预设的深度阈值，删除噪声点云数据，得到所述植株点云图像。
5.根据权利要求2所述的植物叶倾角测量方法，其特征在于，所述对所述原始三维点云图像进行预处理，得到所述植株点云图像，包括：
基于对所述原始三维点云图像的统计分析，选取标记点；
基于所述原始三维点云图像的点云数据与所述标记点的距离和预设距离阈值，删除噪声点云数据，得到所述植株点云图像。
6.根据权利要求1-5任一项所述的植物叶倾角测量方法，其特征在于，所述对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，包括：
基于Delaunay三角剖分方法，对任一所述叶片点云图像进行表面重建，得到多个三角形单元；
基于公式
Figure FDA0002777347800000021
Figure FDA0002777347800000022
Figure FDA0002777347800000023
得到任一所述叶片点云图像的实际面积，其中，S(TLA)为任一所述叶片点云图像的实际面积，k为三角形单元的序号，n为三角形单元的个数，A为第k个三角形单元的面积，a、b、c为三角形单元的三个边长；
所述对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积，包括：
将所述任一所述叶片点云图像的坐标投影到栅格平面上，对所述任一所述叶片点云图像进行平面三角剖分，得到多个三角形单元；
基于公式
Figure FDA0002777347800000024
Figure FDA0002777347800000031
Figure FDA0002777347800000032
其中，S(PLA)为任一所述叶片点云图像的投影面积，i为三角形单元的序号，m为三角形单元的个数，B为第i个三角形单元的面积，x、y、z为三角形单元的三个边长。
7.根据权利要求1-6任一项所述的植物叶倾角测量方法，其特征在于，所述基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角，包括：将所述实际面积与所述投影面积的比值，作为任一所述叶片点云图像的倾角。
8.一种植物叶倾角测量装置，其特征在于，包括：
获取单元，用于获取目标植物的植株点云图像；
分割单元，用于对所述植株点云图像进行聚类分割，得到多个叶片点云图像；
第一确定单元，用于对任一所述叶片点云图像进行表面重建，确定任一所述叶片点云图像的实际面积，并对任一所述叶片点云图像进行平面投影，确定任一所述叶片点云图像的投影面积；
第二确定单元，用于基于所述实际面积和所述投影面积，确定任一所述叶片点云图像的倾角；
第三确定单元，用于基于多个所述叶片点云图像的倾角，确定目标植物的植株叶倾角。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述植物叶倾角测量方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述植物叶倾角测量方法的步骤。
CN202011269910.1A 2020-11-13 2020-11-13 植物叶倾角测量方法及装置 Pending CN112348802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011269910.1A CN112348802A (zh) 2020-11-13 2020-11-13 植物叶倾角测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011269910.1A CN112348802A (zh) 2020-11-13 2020-11-13 植物叶倾角测量方法及装置

Publications (1)

Publication Number Publication Date
CN112348802A true CN112348802A (zh) 2021-02-09

Family

ID=74363665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011269910.1A Pending CN112348802A (zh) 2020-11-13 2020-11-13 植物叶倾角测量方法及装置

Country Status (1)

Country Link
CN (1) CN112348802A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170573A (zh) * 2022-09-08 2022-10-11 山东政信大数据科技有限责任公司 基于大数据与物联网的智慧农业监控管理系统
CN115937151A (zh) * 2022-12-12 2023-04-07 中国农业大学 一种作物叶片卷曲程度的判定方法
CN115995010A (zh) * 2023-03-22 2023-04-21 华南农业大学 一种基于植株群体点云的株高提取方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170573A (zh) * 2022-09-08 2022-10-11 山东政信大数据科技有限责任公司 基于大数据与物联网的智慧农业监控管理系统
CN115170573B (zh) * 2022-09-08 2022-11-29 山东政信大数据科技有限责任公司 基于大数据与物联网的智慧农业监控管理系统
CN115937151A (zh) * 2022-12-12 2023-04-07 中国农业大学 一种作物叶片卷曲程度的判定方法
CN115937151B (zh) * 2022-12-12 2023-08-08 中国农业大学 一种作物叶片卷曲程度的判定方法
CN115995010A (zh) * 2023-03-22 2023-04-21 华南农业大学 一种基于植株群体点云的株高提取方法及系统
CN115995010B (zh) * 2023-03-22 2023-06-16 华南农业大学 一种基于植株群体点云的株高提取方法及系统

Similar Documents

Publication Publication Date Title
CN112348802A (zh) 植物叶倾角测量方法及装置
CN107832681B (zh) 联合LiDAR点云和同步遥感影像的森林单木树高估算方法
KR101547940B1 (ko) 동일평면상에 있는 지상 라이다 자료의 오차 조정 시스템 및 방법
CN109977466B (zh) 一种三维扫描视点规划方法、装置及计算机可读存储介质
CN110349092B (zh) 一种点云滤波方法及设备
Liu et al. A field-based high-throughput method for acquiring canopy architecture using unmanned aerial vehicle images
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
Balenović et al. Quality assessment of high density digital surface model over different land cover classes
CN109961470B (zh) 一种基于激光点云的活立木叶属性精准估测方法
CN112200854B (zh) 一种基于视频图像的叶类蔬菜三维表型测量方法
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN115937151B (zh) 一种作物叶片卷曲程度的判定方法
CN111474443A (zh) 测量输电线路的方法及装置
CN108280833B (zh) 一种植物根系分叉特征的骨架提取方法
CN116523898A (zh) 一种基于三维点云的烟草表型性状提取方法
CN114548277B (zh) 基于点云数据的地面点拟合、作物高度提取的方法及系统
CN113780144A (zh) 一种基于3d点云的作物株数及茎宽自动提取方法
CN109961512B (zh) 地形机载点云提取方法及装置
CN113570621A (zh) 一种基于高精度点云与影像的树木信息提取方法及装置
CN114332134A (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN110348067B (zh) 一种气流表征物理参数提取方法及系统、介质、设备
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN110610438A (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN107194913B (zh) 一种作物群体最适研究尺度检测方法及装置
CN111814666A (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备

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