CN112465889A - 一种基于二维-三维集成的植株点云分割方法、系统和存储介质 - Google Patents

一种基于二维-三维集成的植株点云分割方法、系统和存储介质 Download PDF

Info

Publication number
CN112465889A
CN112465889A CN202110000912.9A CN202110000912A CN112465889A CN 112465889 A CN112465889 A CN 112465889A CN 202110000912 A CN202110000912 A CN 202110000912A CN 112465889 A CN112465889 A CN 112465889A
Authority
CN
China
Prior art keywords
dimensional
point cloud
plant
point
model
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
Application number
CN202110000912.9A
Other languages
English (en)
Other versions
CN112465889B (zh
Inventor
曾安
钟旭升
潘丹
彭杰威
罗琳
吴楠
卓东海
刘立程
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110000912.9A priority Critical patent/CN112465889B/zh
Publication of CN112465889A publication Critical patent/CN112465889A/zh
Application granted granted Critical
Publication of CN112465889B publication Critical patent/CN112465889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于二维‑三维集成的植株点云分割方法。首先，拍摄植株多角度图像，然后通过运动恢复结构（SFM）算法重建出植株三维点云模型，同时得到每张图像与三维点云模型之间的映射关系。对重建的点云模型进行去噪等预处理操作，用PointNet网络模型训练出基于三维点云模型的分割结果。同时，基于每张图像与三维点云模型之间的映射关系，通过MaskR‑CNN网络得出基于植株二维图像的分割结果。最后将二维和三维结果进行线性加权集成，得出最终的植株点云分割结果。本发明同时还提供一种实现基于二维‑三维集成的植株点云分割方法的系统和存储了使处理器执行所述基于二维‑三维集成的植株点云分割方法的存储介质。

Description

一种基于二维-三维集成的植株点云分割方法、系统和存储 介质
技术领域
本发明涉及植株三维点云分割领域，更具体地，涉及一种基于二维-三维集成的植株点云分割方法、系统和存储介质。
背景技术
目前植株的三维点云模型分割的传统方法有基于区域增长的分割方法和深度学习的分割方法，基于区域增长的分割方法主要利用了植株的茎叶几何特性，通过区域增长算法先将茎分割出来，然后从茎叶交汇处开始，再通过区域增长分割出每个叶片点云；这类方法对植株的种类要求较高，而且很难找到一个准确地阈值对植株进行分割，因此需要人工多次调整阈值。而深度学习的分割方法则分为基于二维图像分割或基于三维点云模型进行分割，其中二维图像和三维点云模型的数据格式有着不同的特点。二维图像对于植株轮廓表达清晰，但并不能有效的解决植株叶片之间的遮挡问题。三维点云模型虽能有效的解决叶片之间的遮挡问题，但其对于植株边缘信息的表达又比较模糊。
专利文献CN111768413A（公开日2020年10月13日）公开了一种植物三维点云分割方法及系统，其中仅仅采用三维点云分割方法，尽管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，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；但是对于植株边缘信息表达的清晰度还是不尽人意。
因此，如何提供一种解决上述技术问题的植株点云分割方法成为本领域技术人员亟需解决的问题。
发明内容
本发明旨在至少在一定程度上解决上述现有技术所述的点云分割中的分割准确率不高、植株轮廓表达清晰和解决植株叶片之间的遮挡问题不能同时兼顾的技术缺陷。
本发明的首要目的是提供一种基于二维-三维集成的植株点云分割方法。
为达到上述目的，本发明所采用的技术方案为：
一种基于二维-三维集成的植株点云分割方法，包括以下步骤：
S1. 采集植株在不同角度的多幅图像；
S2. 将多幅所述图像通过运动恢复结构算法重建出植株三维点云模型，同时得到每张图像与所述三维点云模型之间的映射关系；
S3. 对步骤S2中得出的三维点云模型中的点云数据进行预处理；
S4. 基于S2中得到的每幅图像与三维点云模型之间的映射关系得到二维图像分割结果；同时基于S3中得到的预处理数据训练出基于植株三维点云模型的分割结果；
S5. 将二维图像分割结果和基于三维点云模型的分割结果进行线性加权集成，得出最终的植株点云分割结果。
优选地，步骤S2中，运动恢复结构算法包括以下步骤：
S21. 采用SIFT算子在多幅植株图像中的像素点中提取多对特征点并进行匹配；
S22.通过多对特征点坐标求出变换到世界坐标系下的旋转矩阵R和平移矩阵T；
S23.通过旋转矩阵R和平移矩阵T计算出多幅植株图像中的每一个像素点在世界坐标系下的坐标；
S24. 通过每个像素点在世界坐标系下的坐标得到三维点云模型，同时得到三维点云模型中的每个点与二维图像中像素点的映射关系。
优选地，步骤S3中，对三维点云模型中的点云数据进行预处理包括以下步骤：
S31. 基于RGB三通道去除噪声：当植株为绿色，背景为白色时，则提取出植株点云文件中G通道大于其他两通道的点，其余点视为噪声点；
S32. 通过预定的距离阈值进一步筛选噪声点：对于植株点云中的任一点，在以预定距离阈值d为半径的圆形相邻区域内的点的数量小于预定数量k值时，则将该点视为噪声点；
S33. 去除所有噪声点，得到去噪后的植株三维点云模型。
优选地，步骤S32中，选择d为0.05，k为3。
优选地，步骤S4中采用Mask R-CNN网络模型对植株二维图像进行分割，具体包括以下步骤：
S411. 选取植株三维点云模型中的一个点X；
S412.根据三维点云模型中的每个点与二维图像中像素点的映射关系，将所述点X映射到N个二维图像中；
S413. 将N个二维图像输入区域卷积神经网络模型（Mask R-CNN模型）中得出初步分割结果；
S414. 将每张二维图像的初步分割结果投票后得出最终的二维分割结果。
优选地，所述Mask R-CNN模型具有Faster-RCNN框架，二维图像首先输入作为特征提取器的卷积神经网络从而得到初步特征图，区域建议网络用滑动窗口扫描所述初步特征图来寻找存在预定目标的区域，从而将所述初步特征图进行区域对齐操作，进一步得到分区域特征图，将所述分区域特征图输入全连接层中进行分类，从而得到所述初步分割结果。
优选地，步骤S5中采用点云网络模型（PointNet模型）训练出基于三维点云模型的分割结果，具体包括以下步骤：
S421. 通过多层感知器将去噪后的植株点云数据提升到高维空间；
S422. 分别采用max pooling和T-net来解决步骤S51中得到的高维空间中的植株点云数据的无序性和旋转不变性，从而提取出植株点云数据的特征；
S423. 结合局部特征和全局特征对植株点云数据中的每个点进行分类，最终得到植株三维点云模型分割结果。
优选地，步骤S5中，对于植株三维点云模型中的每一个点，同时参考二维图像分割结果和三维点云模型分割结果，采用以下公式计算出最终的分割结果：
Figure 395797DEST_PATH_IMAGE001
其中，
Figure 789869DEST_PATH_IMAGE002
表示植株三维点云模型中的点被分成第i类的概率，
Figure 483019DEST_PATH_IMAGE003
为权值，
Figure 278937DEST_PATH_IMAGE004
表示该点在二维上为i类的概率，
Figure 32129DEST_PATH_IMAGE005
表示该点在三维上分为i类的概率。
本发明的进一步目的是提供一种基于二维-三维集成的植株点云分割的系统，包括一个或多个处理器；还包括存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述基于二维-三维集成的植株点云分割方法。
本发明的第三个目的是提供一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行所述基于二维-三维集成的植植株点云分割方法。
与现有技术相比，本发明技术方案的有益效果是：
1、采用一种低成本且无损的植株点云获取方式，相较于昂贵的采集设备和有破坏性的采集方式，本发明可行性较高。
2、提出将二维图像分割和三维点云模型分割相结合的一种分割方式，充分弥补了二维图像分割方法和三维点云模型分割方法的缺陷，提升了最后植株点云分割的准确性，为之后的植株表型测量提供帮助，最大化减少了人工干预，提高了植株表型的测量效率，具有较高的分割准确率。
附图说明
图1为本发明的一种基于二维-三维集成的植株点云分割方法的步骤流程图。
图2为本发明实施例采用的运动恢复结构算法的流程图。
图3为本发明实施例采用的基于预定的距离阈值筛选噪点的示意图。
图4为本发明实施例采用的对植株二维图像进行分割的总流程图。
图5为本发明实施例采用的MaskR-CNN模型的框架流程图。
图6为本发明实施例采用的PointNet模型训练出基于三维点云模型的分割结果的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于二维-三维集成的植株点云分割方法，包括以下步骤：
S1. 采集植株在不同角度的多幅图像；
S2. 将多幅所述图像通过运动恢复结构算法重建出植株三维点云模型，同时得到每张图像与所述三维点云模型之间的映射关系；
S3. 对步骤S2中得出的三维点云模型中的点云数据进行预处理；
S4. 基于S2中得到的每幅图像与三维点云模型之间的映射关系得到二维图像分割结果；同时基于S3中得到的预处理数据训练出基于植株三维点云模型的分割结果；
S5. 将二维图像分割结果和基于三维点云模型的分割结果进行线性加权集成，得出最终的植株点云分割结果。
具体地，采用消费级相机对植株进行拍摄，得到植株在不同角度的多幅图像。
如图2所示，步骤S2中，运动恢复结构算法（structurefrommotion，SFM）包括以下步骤：
S21. 采用SIFT（Scale-invariant feature transform，尺度不变特征变换）算子在多幅植株图像中的像素点中提取多对特征点并进行匹配；
S22.通过多对特征点坐标求出变换到世界坐标系下的旋转矩阵R和平移矩阵T；
S23. 通过旋转矩阵R和平移矩阵T计算出多幅植株图像中的每一个像素点在世界坐标系下的坐标；
S24. 通过每个像素点在世界坐标系下的坐标得到三维点云模型，同时得到三维点云模型中的每个点与二维图像中像素点的映射关系。
如图3所示，步骤S3中，对三维点云模型的点云数据进行预处理包括以下步骤：
S31. 基于RGB三通道去除噪声：当植株为绿色，背景为白色时，则提取出植株点云文件中G通道大于其他两通道的点，其余点视为噪声点；
S32. 通过预定的距离阈值进一步筛选噪声点：对于植株点云中的任一点，在以预定距离阈值d为半径的圆形相邻区域内的点的数量小于预定数量k值时，则将该点视为噪声点；
S33. 去除所有噪声点，得到去噪后的植株三维点云模型。
其中，步骤S32中，选择d为0.05，k为3。
如图4所示，步骤S4中采用Mask R-CNN网络模型对植株二维图像进行分割，具体包括以下步骤：
S411. 选取植株三维点云模型中的一个点X；
S412.根据三维点云模型中的每个点与二维图像中像素点的映射关系，将所述点X映射到N个二维图像中；
S413. 将N个二维图像输入Mask R-CNN模型中得出初步分割结果；
S414. 将每张二维图像的初步分割结果投票后得出最终的二维分割结果。
如图5所示，所述区域网络模型Mask R-CNN模型具有Faster-RCNN框架，二维图像首先输入作为特征提取器的卷积神经网络CNN（Convolutional Neural Networks）从而得到初步特征图，区域建议网络RPN（RegionProposal Network）用滑动窗口扫描所述初步特征图来寻找存在预定目标的区域，从而将所述初步特征图进行区域对齐操作，进一步得到分区域特征图，将所述分区域特征图输入全连接层FC（Fully Connected layers）中进行分类，从而得到所述初步分割结果。
为了更好地验证植株二维图像分割结果的准备率，本发明制作了植株数据集作为植株二维图像分割的输入数据，该植株的结构比较简单，有两片叶子和一个茎干，二维分割结果如表1所示，其中括号外为二维分割的准确率，括号内为方差，2D为MaskR-CNN在植株图像上的分割结果，3D为多幅植株图像分割结果投票后在植株点云上的分割结果。
Figure 162765DEST_PATH_IMAGE006
表1
如图6所示，步骤S4中采用PointNet模型训练出基于三维点云模型的分割结果，具体包括以下步骤：
S421. 通过多层感知器将去噪后的植株点云数据提升到高维空间；
S422. 分别采用max pooling和T-net来解决步骤S51中得到的高维空间中的植株点云数据的无序性和旋转不变性，从而提取出植株点云数据的特征；
S423. 结合局部特征和全局特征对植株点云数据中的每个点进行分类，最终得到植株三维点云模型分割结果。
为了验证采用PointNet模型训练出基于三维点云模型的分割结果在植株点云数据上的可行性，运用步骤S2中的植株三维点云模型制作了植株三维点云模型数据集，并作为测试该方法的输入数据，这里的植株与表1对应的植株相同，植株基于三维点云模型的分割结果如表2所示，其中括号外为植株点云分割的准确率，括号内为方差。
Figure 925184DEST_PATH_IMAGE007
表2
其中，步骤S5中，对于植株三维点云模型中的每一个点，同时参考二维图像分割结果和三维点云模型分割结果，采用以下公式计算出最终的分割结果：
Figure 575609DEST_PATH_IMAGE001
其中，
Figure 499702DEST_PATH_IMAGE002
表示植株三维点云模型中的点被分成第i类的概率，
Figure 868367DEST_PATH_IMAGE003
为权值，
Figure 415236DEST_PATH_IMAGE004
表示该点在二维上为i类的概率，
Figure 185746DEST_PATH_IMAGE005
表示该点在三维上分为i类的概率。若
Figure 280741DEST_PATH_IMAGE008
为0.9，则该点在二维上分为第一类的概率为0.9。
为了验证本发明的基于二维-三维集成的植株点云分割方法相较传统方法的提升，用表1和表2中对应的植株数据集验证，得到的植株分割结果如表3所示，其中括号外为植株点云分割的准确率，括号内为方差。
Figure 402281DEST_PATH_IMAGE009
表3
从表1-3的结果可以看出，本发明采用的基于二维-三维集成的植株点云分割方法相比单独用二维或三维来进行分割的方法在分割的准确率上确有提升。
实施例2
本发明进一步提供一种基于二维-三维集成的植株点云分割的系统，包括一个或多个处理器；还包括存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行实施例1中所述基于二维-三维集成的植株点云分割方法。
实施例3
本发明还提供一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行实施例1中所述基于二维-三维集成的植株点云分割方法。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于二维-三维集成的植株点云分割方法，其特征在于包括以下步骤：
S1. 采集植株在不同角度的多幅图像；
S2. 将多幅所述图像通过运动恢复结构算法重建出植株三维点云模型，同时得到每张图像与所述三维点云模型之间的映射关系；
S3. 对步骤S2中得出的三维点云模型中的点云数据进行预处理；
S4. 基于S2中得到的每幅图像与三维点云模型之间的映射关系得到二维图像分割结果；同时基于S3中得到的预处理数据训练出基于植株三维点云模型的分割结果；
S5. 将二维图像分割结果和基于三维点云模型的分割结果进行线性加权集成，得出最终的植株点云分割结果。
2.如权利要求1所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S2中，运动恢复结构算法包括以下步骤：
S21. 采用SIFT算子在多幅植株图像中的像素点中提取多对特征点并进行匹配；
S22.通过多对特征点坐标求出变换到世界坐标系下的旋转矩阵R和平移矩阵T；
S23. 通过旋转矩阵R和平移矩阵T计算出多幅植株图像中的每一个像素点在世界坐标系下的坐标；
S24. 通过每个像素点在世界坐标系下的坐标得到三维点云模型，同时得到三维点云模型中的每个点与二维图像中像素点的映射关系。
3.如权利要求1所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S3中，对三维点云模型中的点云数据进行预处理包括以下步骤：
S31. 基于RGB三通道去除噪声：当植株为绿色，背景为白色时，则提取出植株点云文件中G通道大于其他两通道的点，其余点视为噪声点；
S32. 通过预定的距离阈值进一步筛选噪声点：对于植株点云中的任一点，在以预定距离阈值d为半径的圆形相邻区域内的点的数量小于预定数量k值时，则将该点视为噪声点；
S33. 去除所有噪声点，得到去噪后的植株三维点云模型。
4.如权利要求3所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S32中，选择d为0.05，k为3。
5.如权利要求1所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S4中采用区域卷积神经网络模型对植株二维图像进行分割，具体包括以下步骤：
S411. 选取植株三维点云模型中的一个点X；
S412.根据三维点云模型中的每个点与二维图像中像素点的映射关系，将所述点X映射到N个二维图像中；
S413. 将N个二维图像输入区域卷积神经网络模型中得出初步分割结果；
S414. 将每张二维图像的初步分割结果投票后得出最终的二维分割结果。
6.如权利要求5所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，所述区域卷积神经网络模型具有Faster-RCNN框架，二维图像首先输入作为特征提取器的卷积神经网络从而得到初步特征图，区域建议网络用滑动窗口扫描所述初步特征图来寻找存在预定目标的区域，从而将所述初步特征图进行区域对齐操作，进一步得到分区域特征图，将所述分区域特征图输入全连接层中进行分类，从而得到所述初步分割结果。
7.如权利要求1所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S4中采用点云网络模型训练出基于三维点云模型的分割结果，具体包括以下步骤：
S421. 通过多层感知器将去噪后的植株点云数据提升到高维空间；
S422. 分别采用max pooling和T-net来解决步骤S51中得到的高维空间中的植株点云数据的无序性和旋转不变性，从而提取出植株点云数据的特征；
S423. 结合局部特征和全局特征对植株点云数据中的每个点进行分类，最终得到植株三维点云模型分割结果。
8.如权利要求1所述的一种基于二维-三维集成的植株点云分割方法，其特征在于，步骤S5中，对于植株三维点云模型中的每一个点，同时参考二维图像分割结果和三维点云模型分割结果，采用以下公式计算出最终的分割结果：
Figure 218197DEST_PATH_IMAGE001
其中，
Figure 895166DEST_PATH_IMAGE002
表示植株三维点云模型中的点被分成第i类的概率，
Figure 801942DEST_PATH_IMAGE003
为权值，
Figure 691400DEST_PATH_IMAGE004
表示该点在二维上为i类的概率，
Figure 882079DEST_PATH_IMAGE005
表示该点在三维上分为i类的概率。
9.一种基于二维-三维集成的植株点云分割的系统，其特征在于包括一个或多个处理器；还包括存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1-8中所述的基于二维-三维集成的植株点云分割方法。
10.一种计算机可读介质，其特征在于其上存储有可执行指令，该指令被处理器执行时使处理器执行权利要求1-8中所述的基于二维-三维集成的植株点云分割方法。
CN202110000912.9A 2021-01-04 2021-01-04 一种基于二维-三维集成的植株点云分割方法、系统和存储介质 Active CN112465889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110000912.9A CN112465889B (zh) 2021-01-04 2021-01-04 一种基于二维-三维集成的植株点云分割方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110000912.9A CN112465889B (zh) 2021-01-04 2021-01-04 一种基于二维-三维集成的植株点云分割方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN112465889A true CN112465889A (zh) 2021-03-09
CN112465889B CN112465889B (zh) 2021-12-10

Family

ID=74802137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110000912.9A Active CN112465889B (zh) 2021-01-04 2021-01-04 一种基于二维-三维集成的植株点云分割方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN112465889B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554691A (zh) * 2021-07-22 2021-10-26 河北农业大学 一种植株高度测量方法
CN114240866A (zh) * 2021-12-09 2022-03-25 广东省农业科学院环境园艺研究所 基于二维图像与三维生长信息的组培苗分级方法及装置
CN114792372A (zh) * 2022-06-22 2022-07-26 广东工业大学 一种基于多头两级注意力的三维点云语义分割方法及系统
CN115719443A (zh) * 2022-12-01 2023-02-28 上海人工智能创新中心 利用2d预训练模型作为3d下游任务主干网络的方法及系统
CN115861546A (zh) * 2022-12-23 2023-03-28 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875732A (zh) * 2018-01-11 2018-11-23 北京旷视科技有限公司 模型训练与实例分割方法、装置和系统及存储介质
US20190274257A1 (en) * 2018-03-08 2019-09-12 Regents Of The University Of Minnesota Crop biometrics detection
CN110458142A (zh) * 2019-08-21 2019-11-15 青岛根尖智能科技有限公司 一种融合2d与3d的人脸识别方法及系统
CN111192270A (zh) * 2020-01-03 2020-05-22 中山大学 一种基于点全局上下文关系推理的点云语义分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875732A (zh) * 2018-01-11 2018-11-23 北京旷视科技有限公司 模型训练与实例分割方法、装置和系统及存储介质
US20190274257A1 (en) * 2018-03-08 2019-09-12 Regents Of The University Of Minnesota Crop biometrics detection
CN110458142A (zh) * 2019-08-21 2019-11-15 青岛根尖智能科技有限公司 一种融合2d与3d的人脸识别方法及系统
CN111192270A (zh) * 2020-01-03 2020-05-22 中山大学 一种基于点全局上下文关系推理的点云语义分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KENTA ITAKURA AND FUMIKI HOSOI: "Automatic method for segmenting leaves by combining 2D and 3D image-processing techniques", 《APPLIED OPTICS》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554691A (zh) * 2021-07-22 2021-10-26 河北农业大学 一种植株高度测量方法
CN113554691B (zh) * 2021-07-22 2022-05-10 河北农业大学 一种植株高度测量方法
CN114240866A (zh) * 2021-12-09 2022-03-25 广东省农业科学院环境园艺研究所 基于二维图像与三维生长信息的组培苗分级方法及装置
CN114240866B (zh) * 2021-12-09 2022-07-08 广东省农业科学院环境园艺研究所 基于二维图像与三维生长信息的组培苗分级方法及装置
CN114792372A (zh) * 2022-06-22 2022-07-26 广东工业大学 一种基于多头两级注意力的三维点云语义分割方法及系统
CN114792372B (zh) * 2022-06-22 2022-11-04 广东工业大学 一种基于多头两级注意力的三维点云语义分割方法及系统
CN115719443A (zh) * 2022-12-01 2023-02-28 上海人工智能创新中心 利用2d预训练模型作为3d下游任务主干网络的方法及系统
CN115861546A (zh) * 2022-12-23 2023-03-28 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法
CN115861546B (zh) * 2022-12-23 2023-08-08 四川农业大学 一种基于神经体渲染的作物几何感知与三维表型重建方法

Also Published As

Publication number Publication date
CN112465889B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN112465889B (zh) 一种基于二维-三维集成的植株点云分割方法、系统和存储介质
CN110363116B (zh) 基于gld-gan的不规则人脸矫正方法、系统及介质
CN112288008B (zh) 一种基于深度学习的马赛克多光谱图像伪装目标检测方法
CN108805076B (zh) 环境影响评估报告书表格文字的提取方法及系统
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN110930411B (zh) 一种基于深度相机的人体分割方法及系统
CN110163211B (zh) 一种图像识别方法、装置和存储介质
CN108648169A (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN112381835A (zh) 基于卷积神经网络的作物叶片分割方法及装置
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
CN110674744A (zh) 一种年龄识别方法、装置及电子设备
US20180253852A1 (en) Method and device for locating image edge in natural background
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN112233173A (zh) 一种视力障碍人士室内物品寻找与定位的方法
CN114331951A (zh) 图像检测方法、装置、计算机、可读存储介质及程序产品
CN110070545A (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN112446376B (zh) 一种工业图像智能分割压缩方法
CN111582276A (zh) 一种基于多特征融合的寄生虫虫卵的识别方法及系统
CN109615610B (zh) 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN112686872B (zh) 基于深度学习的木材计数方法
CN117541652A (zh) 一种基于深度lk光流法与d-prosac采样策略的动态slam方法
CN111027551B (zh) 图像处理方法、设备和介质
CN108447038A (zh) 一种基于非局部全变分算子的网格去噪方法

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