CN112837309A - 果树冠层靶标识别装置、方法、计算设备及存储介质 - Google Patents

果树冠层靶标识别装置、方法、计算设备及存储介质 Download PDF

Info

Publication number
CN112837309A
CN112837309A CN202110228948.2A CN202110228948A CN112837309A CN 112837309 A CN112837309 A CN 112837309A CN 202110228948 A CN202110228948 A CN 202110228948A CN 112837309 A CN112837309 A CN 112837309A
Authority
CN
China
Prior art keywords
point cloud
fruit tree
point
cloud data
data
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
CN202110228948.2A
Other languages
English (en)
Other versions
CN112837309B (zh
Inventor
徐兴
徐昌
杨洲
谭显森
蔡立远
曾钊华
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.)
South China Agricultural University
Original Assignee
South China 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110228948.2A priority Critical patent/CN112837309B/zh
Publication of CN112837309A publication Critical patent/CN112837309A/zh
Application granted granted Critical
Publication of CN112837309B publication Critical patent/CN112837309B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/10—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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种果树冠层靶标识别装置、方法、计算设备及存储介质，所述装置包括包括面阵激光雷达、云台、计算机和车载装置；所述面阵激光雷达设置在云台上，用于采集果树冠层点云数据；所述云台设置在所述车载装置上，用于固定所述面阵激光雷达，并控制面阵激光雷达拍摄果树的角度；所述计算机设置在所述车载装置上，并与所述面阵激光雷达连接，用于获取面阵激光雷达采集的果树冠层点云数据，并对果树冠层点云数据进行点云滤波、点云配准、点云分割和果树冠层体积的计算，提取出果树冠层靶标对象。本发明通过使用面阵激光雷达采集点云数据，计算机对点云数据进行处理，实现果树信息的快速识别以及得到果树冠层靶标对象。

Description

果树冠层靶标识别装置、方法、计算设备及存储介质
技术领域
本发明涉及一种果树冠层靶标识别装置、方法、计算设备及存储介质，属于果树冠层靶标识别领域。
背景技术
精准施药技术是果园生产中化学防治的发展方向，而实现精准施药的前提条件是先对果树进行靶标识别，所以果树冠层靶标识别是极其重要的一步，目前国内外主要有基于红外传感器、超声波传感器、机器视觉、单点激光雷达，二维线扫激光雷达等探测技术，其中单点激光雷达，二维线扫激光雷达是当前广泛采用的靶标探测技术，但是单点激光雷达和二维线扫激光雷达测量点数较少，无法同时探测整颗果树冠层靶标。
发明内容
本发明的第一个目的是为了解决上述现有技术的缺陷，提供一种果树冠层靶标识别装置，该装置使用云台控制面阵激光雷达的拍摄角度，通过面阵激光雷达采集信息，计算机对采集信息进行处理，实现对果树冠层靶标信息的识别。
本发明的第二个目的在于提供一种果树冠层靶标识别方法。
本发明的第三个目的在于提供一种计算设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种果树冠层靶标识别装置，所述装置包括面阵激光雷达、云台、计算机和车载装置；
所述面阵激光雷达设置在云台上，用于采集果树冠层点云数据；
所述云台设置在所述车载装置上，用于固定所述面阵激光雷达，并控制面阵激光雷达拍摄果树的角度；
所述计算机设置在所述车载装置上，并与所述面阵激光雷达连接，用于获取面阵激光雷达采集的果树冠层点云数据，并对果树冠层点云数据进行点云滤波、点云配准、点云分割和果树冠层体积的计算，提取出果树冠层靶标对象。
进一步的，所述面阵激光雷达采集果树冠层点云数据是采用面扫的方式，采集面阵大小为M×N；其中，M≥2，N≥2。
进一步的，所述面阵激光雷达所在的测量坐标系为oxyz，采集到的果树冠层点云数据均为三维数据。
本发明的第二个目的可以通过采取如下技术方案达到：
一种果树冠层靶标识别方法，所述方法包括：
获取面阵激光雷达采集的果树冠层点云数据；
对果树冠层点云数据进行点云滤波；
对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据；
对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据；
根据仅含有果树的点云数据，计算果树冠层体积，提取出果树冠层靶标对象。
进一步的，所述对果树冠层点云数据进行点云滤波，具体如下：
将三维果树冠层点云数据的数据点依次沿着法向量方向移动并进行调整，调整后的数据点的表达式为：
Pi＝pi+ɑ×n
其中，Pi为调整后的数据点，pi为原始数据点，n为数据点pi的法向量，ɑ为双边滤波权重因子，ɑ的表达式如下：
Figure BDA0002958100540000021
式中，pi、pj为任意两个数据点，k为数据点pi的领域，ni和nj分别为数据点pi、pj的法向量，wc表示数据点pi到数据点pj的领域点的光顺滤波权重，ws表示领域点在数据点pi的法向量ni上的保持特征权重函数。
进一步的，所述对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据，具体包括：
分别在待匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近点(pi,qi)，计算出最优匹配参数R和t，使得误差函数最小，以完成点云配准；其中，误差函数E(R,t)如下：
Figure BDA0002958100540000031
其中，n为最邻近点对的个数，pi为目标点云P中的一点，qi为源点云Q中与pi对应的最近点，R为旋转矩阵，t为平移矩阵；
设面阵激光雷达中心对应的的x坐标为a，果树对象在面阵激光雷达后方b米处，且果树对象的靶标宽度为c米，针对点云配准后的点云数据，将x坐标从a-b-c/2到a-b+c/2范围内的数据点组成新的点云数据集合，新的点云数据为果树以及除果树外其它冗余物体的点云数据；新的点云数据集合如下：
M′＝{P′(m,n),m＝0,1,2…,X′-1,n＝＝0,1,2…,Y′-1}
其中，M′表示新的点云数据集合，X′表示新的点云数据集合的行数，m为行索引值，Y是点集的列数，n是列索引值，P′(m,n)＝(x,y,z)表示新的点云数据集合中数据点的坐标。
进一步的，所述对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据，具体包括：
定义聚类集合S；
找到果树以及除果树外其它冗余物体的点云数据构成的空间中的某个点p，将点p加入聚类集合S；
通过k-d树在点p的领域找到k个邻域，分别判断k个点到聚类集合S的距离；
根据聚类集合S的中心点和点p的坐标计算阈值，分别对比k个点和点p之间的距离，将距离小于阈值的点放在聚类S中；
在聚类集合S中寻找除了所有的点p之外的另一点，将该点作为新的点p，并返回通过k-d树在点p的领域找到k个邻域，分别判断k个点到集合S的距离，并继续执行后续操作；
若聚类集合S没有新点加入，则完成聚类；
根据聚类结果，得到被分为若干类的点云数据，从而得到仅含有果树的点云数据。
进一步的，所述根据仅含有果树的点云数据，计算果树冠层体积，具体包括：
根据仅含有果树的点云数据，对果树冠层点云进行切片；
对每层切片提取轮廓点，并对轮廓点逆时针排序；
根据每层切片的轮廓点区域，计算每层切片的面积Si；
根据每层切片的面积Si，计算每个切片部分的体积；
对各个切片部分的体积进行累加，如下式：
Figure BDA0002958100540000041
其中，V为果树冠层的体积，n为切片的层数，h为分层的间隔，h1为果树冠层点云的最大高程值与第n层切片之间的高度差，Sm为第m层切片的面积，Sn为第n层切片的面积。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的果树冠层靶标识别方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的果树冠层靶标识别方法。
本发明相对于现有技术具有如下的有益效果：
本发明采用的面阵激光雷达以面扫的方式进行距离探测，可以一次性探测整棵果树冠层深度信息，相比其他靶标探测方式，具有探测面积大、信息丰富、实时性高的优点，使用计算机对点云数据进行点云滤波、点云配准、点云分割，提取出果树冠层靶标三维模型，实现整棵果树冠层靶标信息的识别；此外，本发明装置的结构较为简单，计算简便，易于使用。
附图说明
图1为本发明实施例1的果树冠层靶标识别装置的结构示意图。
图2为本发明实施例1的果树冠层靶标识别方法的流程图。
图3为本发明实施例2的计算设备的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1：
如图1所示，本实施例提供了一种果树冠层靶标识别装置，该装置包括面阵激光雷达101、云台102、计算机103和车载装置104。
所述面阵激光雷达101是一种采用面扫的方式进行距离探测的新型激光传感器，可以一次性探测整棵果树冠层深度信息，其设置在云台102上，用于采集果树冠层点云数据；进一步的，所述面阵激光雷达采用面扫的方式采集果树冠层的点云数据，其采集面阵大小为M×N，其中，M≥2，N≥2；所述面阵激光雷达所在的测量坐标系为oxyz，得到的坐标都是三维坐标，采集到得数据皆为三维数据也就是点云数据。
所述云台102设置在车载装置104上，用于固定面阵激光雷达，控制面阵激光雷达的拍摄果树目标角度；通过控制面阵激光雷达拍摄角度，使得面阵激光雷达始终保持拍摄正前方，没有偏差。
所述计算机103设置在车载装置104上，并与面阵激光雷达连接，用于获取面阵激光雷达采集的果树冠层点云数据，并对果树冠层点云数据进行点云滤波、点云配准、点云分割和果树冠层体积的计算，提取出果树冠层靶标对象。
进一步地，所述车载装置104上还设置有电源105，所述电源105与面阵激光雷达101连接，用于为面阵激光雷达提供电源。
本实施例还提供了一种果树冠层靶标识别方法，如图2所示，该方法通过上述计算机实现，包括以下步骤：
S201、获取面阵激光雷达采集的果树冠层点云数据。
果树冠层点云数据都是以三维坐标点的形式显示，表示如下：
M＝{P(m,n),m＝0,1,2…,X-1,n＝0,1,2…,Y-1}
其中，M表示获取的果树冠层点云数据点集，X表示扫描点集的行数，m为行索引值，Y是扫描点集的列数，n是列索引值；P(m,n)＝(x,y,z)表示果树冠层点云集合中点的坐标。
S202、对果树冠层点云数据进行点云滤波。
本实施例采用的是点云的双边滤波，具体如下：
将果树冠层点云数据的数据点(即采样点)依次沿着法向量方向移动进行调整，调整后的点的表达式为：
Pi＝pi+ɑ×n
其中，Pi表示为调整后的数据点，pi为原始数据点，n为数据点pi的法向量，ɑ为双边滤波权重因子，ɑ的表达式如下：
Figure BDA0002958100540000061
式中，pi、pj为任意两个数据点，k为数据点pi的领域，ni和nj分别为数据点pi，pj的法向量，wc表示数据点pi到数据点pi的领域点的光顺滤波权重，ws表示领域点在数据点pi的法向量ni上的保持特征权重函数。
S203、对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据。
本实施例采用icp算法进行点云配准，点云滤波后的点云数据为Q，具体为：分别在待匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近点(pi,qi)，然后计算出最优匹配参数R和t，使得误差函数最小，以完成点云配准；其中，误差函数E(R,t)为：
Figure BDA0002958100540000062
其中，n为最邻近点对的个数，pi为目标点云P中点的一点，qi为源点云Q中与pi对应的最近点，R为旋转矩阵，t为平移矩阵。
具体步骤如下：
(1)计算最近点集：在目标点云P中取点集pi，找出源点云Q中的对应点集qi，使得||qi-pi||＝min，该步骤为上述的约束条件；
(2)计算旋转矩阵R和平移矩阵t，使得误差函数最小；
(3)应用变换矩阵：对pi使用上一步得到的旋转矩阵R和平移矩阵t进行旋转和平移变换，得到新的对应点集pi’＝{pi’＝Rpi+t,pi∈P}；
(4)目标函数计算与阈值判断：计算pi’与qi的平均距离
Figure BDA0002958100540000063
若d小于某一给定的阈值或者大于预设的最大迭代次数，则停止迭代计算，否则返回步骤(2)。
其中，通过步骤(3)和(4)才能成功完成点云配准。
设面阵激光雷达中心对应的的x坐标为a，果树对象在面阵激光雷达后方b米处，且果树对象的靶标宽度为c米，针对点云配准后的点云数据，将x坐标从a-b-c/2到a-b+c/2范围内的数据点组成新的点云数据集合，新的点云数据为果树以及除果树外其它冗余物体的点云数据；新的点云数据集合如下：
M′＝{P′(m,n),m＝0,1,2…,x′-1,n＝＝0,1,2…,Y′-1}
其中，M′表示新的点云数据点集。X′表示新的点云数据集合的行数，m为行索引值，Y是点集的列数，n是列索引值。P′(m,n)＝(x,y,z)表示新的点云数据集合中数据点的坐标。
此时，新的点云数据表示为一颗果树对象以及除果树外其它冗余物体的数据。
S204、对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据。
根据新得到的点云数据集合结果，对数据进行点云分割，使果树与其它物体进行分割，获取仅含有果树的点云，本实施例采用的是点云欧式聚类算法进行点云分割，完成枣树的提取，具体如下：
(1)定义聚类集合S；
(2)找到果树以及除果树外其它冗余物体的点云数据构成的中某个点p，将点p加入聚类集合S；
(3)通过k-d树(又称kd-Tree，全称为k-dimensional树)在点p的领域找到k个邻域，分别判断这k个点到聚类集合S的距离；
(4)计算聚类集合S中心点和待处理点(即点p)的坐标来计算阈值r，分别对比k个点和点p之间的距离，将距离小于阈值r的点放在聚类集合S中；
(5)在聚类集合S中寻找除了所有的点p之外的另一点，将该点作为新的点p，并返回步骤(3)；
本实施例重复执行步骤(3)～(5)，第一次执行时，寻找初始点p之外的另一点p1，将点p1作为新的点p；第二次执行时，寻找初始点p和新的点p(p1)之外的另一点p2，将点p2作为新的点p；第三次执行时，寻找初始点p和新的点p(p1、p2)之外的另一点p3，将点p3作为新的点p……以此类推，直到聚类集合S没有新点加入。
(6)若聚类集合S没有新点加入，则完成聚类；
(7)根据聚类结果，得到被分为若干类的点云数据，从而得到仅含有果树的点云数据。
使用点云欧式聚类算法进行点云分割之后，每一个聚类对象对应一个物体，每一个聚类对象相对与原来点云的坐标以及性质都没有改变。只需要从中提取出果树冠层对应的聚类对象。
S205、根据仅含有果树的点云数据，计算果树冠层体积，提取出果树冠层靶标对象。
为了使喷头能够对果树冠层进行对靶操作，需要计算果树冠层体积，本实施例采用α-shape算法，对果树冠层点云数据计算果树冠层体积，具体如下：
(1)根据仅含有果树的点云数据，对果树冠层点云进行切片；
(2)对每层切片提取轮廓点，并对轮廓点逆时针排序；
(3)根据每层切片的轮廓点区域，计算每层切片的面积Si；
(4)根据每层切片的面积Si，计算每个切片部分的体积；
(5)对各个切片部分的体积进行累加，如下式：
Figure BDA0002958100540000081
其中，V为果树冠层体积，n为切片的层数，h为分层的间隔，h1为果树冠层点云的最大高程值与第n层切片之间的高度差，Sm为第m层切片的面积，Sn为第n层切片的面积。
通过以上几个步骤，即可对识别果树冠层靶标对象，进行对靶操作。
本领域技术人员可以理解，实现上述方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
本实施例提供了一种计算设备，如图3所示，该计算设备为计算机，其包括通过系统总线301连接的处理器302、存储器、输入装置303、显示器304和网络接口305。其中，处理器302用于提供计算和控制能力，可以作为实施例1的处理器，存储器包括非易失性存储介质306和内存储器307，该非易失性存储介质306存储有操作系统、计算机程序和数据库，该内存储器307为非易失性存储介质306中的操作系统和计算机程序的运行提供环境，计算机程序被处理器302执行时，实现上述实施例1的果树冠层靶标识别方法，如下：
获取面阵激光雷达采集的果树冠层点云数据；
对果树冠层点云数据进行点云滤波；
对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据；
对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据；
根据仅含有果树的点云数据，计算果树冠层体积，提取出果树冠层靶标对象。
实施例3：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时，实现上述实施例1的果树冠层靶标识别方法，如下：
获取面阵激光雷达采集的果树冠层点云数据；
对果树冠层点云数据进行点云滤波；
对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据；
对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据；
根据仅含有果树的点云数据，计算果树冠层体积，提取出果树冠层靶标对象。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述，本发明采用的面阵激光雷达以面扫的方式进行距离探测，可以一次性探测整棵果树冠层深度信息，相比其他靶标探测方式，具有探测面积大、信息丰富、实时性高的优点，使用计算机对点云数据进行点云滤波、点云配准、点云分割，提取出果树冠层靶标三维模型，实现整棵果树冠层靶标信息的识别；此外，本发明装置的结构较为简单，计算简便，易于使用。
以上所述，仅为本发明专利较佳的实施例，但本发明专利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专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种果树冠层靶标识别装置，其特征在于，所述装置包括面阵激光雷达、云台、计算机和车载装置；
所述面阵激光雷达设置在云台上，用于采集果树冠层点云数据；
所述云台设置在所述车载装置上，用于固定所述面阵激光雷达，并控制面阵激光雷达拍摄果树的角度；
所述计算机设置在所述车载装置上，并与所述面阵激光雷达连接，用于获取面阵激光雷达采集的果树冠层点云数据，并对果树冠层点云数据进行点云滤波、点云配准、点云分割和果树冠层体积的计算，提取出果树冠层靶标对象。
2.根据权利要求1所述的果树冠层靶标识别装置，其特征在于，所述面阵激光雷达采集果树冠层点云数据是采用面扫的方式，采集面阵大小为M×N；其中，M≥2，N≥2。
3.根据权利要求2所述的果树冠层靶标识别装置，其特征在于，所述面阵激光雷达所在的测量坐标系为oxyz，采集到的果树冠层点云数据均为三维数据。
4.一种果树冠层靶标识别方法，其特征在于，所述方法包括：
获取面阵激光雷达采集的果树冠层点云数据；
对果树冠层点云数据进行点云滤波；
对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据；
对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据；
根据仅含有果树的点云数据，计算果树冠层体积，提取出果树冠层靶标对象。
5.根据权利要求4所述的果树冠层靶标识别方法，其特征在于，所述对果树冠层点云数据进行点云滤波，具体如下：
将果树冠层点云数据的数据点依次沿着法向量方向移动并进行调整，调整后的数据点的表达式为：
Pi＝pi+ɑ×n
其中，Pi表示为调整后的数据点，pi为原始数据点，n为数据点pi的法向量，ɑ为双边滤波权重因子，ɑ的表达式如下：
Figure FDA0002958100530000021
式中，pi、pj为任意两个数据点，k为数据点pi的领域，ni和nj分别为数据点pi、pj的法向量，wc表示数据点pi到数据点pi的领域点的光顺滤波权重，ws表示领域点在数据点pi的法向量ni上的保持特征权重函数。
6.根据权利要求4所述的果树冠层靶标识别方法，其特征在于，所述对点云滤波后的点云数据进行点云配准，并对点云配准后的点云数据进行处理，得到果树以及除果树外其它冗余物体的点云数据，具体包括：
分别在待匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近点(pi,qi)，计算出最优匹配参数R和t，使得误差函数最小，以完成点云配准；其中，误差函数E(R,t)如下：
Figure FDA0002958100530000022
其中，n为最邻近点对的个数，pi为目标点云P中的一点，qi为源点云Q中与pi对应的最近点，R为旋转矩阵，t为平移矩阵；
设面阵激光雷达中心对应的的x坐标为a，果树对象在面阵激光雷达后方b米处，且果树对象的靶标宽度为c米，针对点云配准后的点云数据，将x坐标从a-b-c/2到a-b+c/2范围内的数据点组成新的点云数据集合，新的点云数据为果树以及除果树外其它冗余物体的点云数据；新的点云数据集合如下：
M′＝{P′(m,n),m＝0,1,2…,X′-1,n＝＝0,1,2…,Y′-1}
其中，M′表示新的点云数据集合，X′表示新的点云数据集合的行数，m为行索引值，Y是点集的列数，n是列索引值，P′(m,n)＝(x,y,z)表示新的点云数据集合中数据点的坐标。
7.根据权利要求4所述的果树冠层靶标识别方法，其特征在于，所述对果树以及除果树外其它冗余物体的点云数据进行点云分割，得到仅含有果树的点云数据，具体包括：
定义聚类集合S；
找到果树以及除果树外其它冗余物体的点云数据构成的空间中的某个点p，将点p加入聚类集合S；
通过k-d树在点p的领域找到k个邻域，分别判断k个点到聚类集合S的距离；
根据聚类集合S的中心点和点p的坐标计算阈值，分别对比k个点和点p之间的距离，将距离小于阈值的点放在聚类S中；
在聚类集合S中寻找除了所有的点p之外的另一点，将该点作为新的点p，并返回通过k-d树在点p的领域找到k个邻域，分别判断k个点到集合S的距离，并继续执行后续操作；
若聚类集合S没有新点加入，则完成聚类；
根据聚类结果，得到被分为若干类的点云数据，从而得到仅含有果树的点云数据。
8.根据权利要求4-7任一项所述的果树冠层靶标识别方法，其特征在于，所述根据仅含有果树的点云数据，计算果树冠层体积，具体包括：
根据仅含有果树的点云数据，对果树冠层点云进行切片；
对每层切片提取轮廓点，并对轮廓点逆时针排序；
根据每层切片的轮廓点区域，计算每层切片的面积Si；
根据每层切片的面积Si，计算每个切片部分的体积；
对各个切片部分的体积进行累加，如下式：
Figure FDA0002958100530000031
其中，V为果树冠层的体积，n为切片的层数，h为分层的间隔，h1为果树冠层点云的最大高程值与第n层切片之间的高度差，Sm为第m层切片的面积，Sn为第n层切片的面积。
9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求4-8任一项所述的果树冠层靶标识别方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求4-8任一项的果树冠层靶标识别方法。
CN202110228948.2A 2021-03-02 2021-03-02 果树冠层靶标识别装置、方法、计算设备及存储介质 Active CN112837309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110228948.2A CN112837309B (zh) 2021-03-02 2021-03-02 果树冠层靶标识别装置、方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110228948.2A CN112837309B (zh) 2021-03-02 2021-03-02 果树冠层靶标识别装置、方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN112837309A true CN112837309A (zh) 2021-05-25
CN112837309B CN112837309B (zh) 2023-10-20

Family

ID=75934281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110228948.2A Active CN112837309B (zh) 2021-03-02 2021-03-02 果树冠层靶标识别装置、方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN112837309B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418445A (zh) * 2021-05-28 2021-09-21 中北大学 基于激光点云的固体火箭发动机内腔体积测量方法及装置
CN113643309A (zh) * 2021-10-19 2021-11-12 农业农村部南京农业机械化研究所 一种果园的施药方法、装置、电子设备及存储介质
CN113805157A (zh) * 2021-09-22 2021-12-17 航天新气象科技有限公司 基于标靶的高度测量方法、装置及设备
CN114916524A (zh) * 2022-06-27 2022-08-19 华南农业大学 一种升降式靶标随动风送喷雾车及控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法
CN109387848A (zh) * 2018-11-23 2019-02-26 华南农业大学 果树冠层靶标探测装置、方法、计算设备及存储介质
CN109407112A (zh) * 2018-10-15 2019-03-01 华南农业大学 基于LiDAR点云数据的果树树冠体积测算方法及系统
CN109697731A (zh) * 2018-12-21 2019-04-30 北京林业大学 基于点云数据的植物冠层体积计算方法、系统及相关设备
CN110223314A (zh) * 2019-06-06 2019-09-10 电子科技大学 一种基于树冠三维点云分布的单木分割方法
CN111428784A (zh) * 2020-03-23 2020-07-17 湖南工学院 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法
CN109407112A (zh) * 2018-10-15 2019-03-01 华南农业大学 基于LiDAR点云数据的果树树冠体积测算方法及系统
CN109387848A (zh) * 2018-11-23 2019-02-26 华南农业大学 果树冠层靶标探测装置、方法、计算设备及存储介质
CN109697731A (zh) * 2018-12-21 2019-04-30 北京林业大学 基于点云数据的植物冠层体积计算方法、系统及相关设备
CN110223314A (zh) * 2019-06-06 2019-09-10 电子科技大学 一种基于树冠三维点云分布的单木分割方法
CN111428784A (zh) * 2020-03-23 2020-07-17 湖南工学院 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴志鹏;付威;娄朝霞;李亚丽;付昱兴;陈亚娅;张志元;: "基于激光雷达的枣树轮廓测量平台的设计与试验", 农机化研究, no. 12 *
张卫正;董寿银;王国飞;裘正军;吴翔;何勇;: "基于机载LiDAR数据的林木冠层投影面积与体积测量", 农业机械学报, no. 01 *
连强强;顾敏;: "基于α-shape的三维激光点云计算树冠体积的研究", 青海大学学报, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418445A (zh) * 2021-05-28 2021-09-21 中北大学 基于激光点云的固体火箭发动机内腔体积测量方法及装置
CN113805157A (zh) * 2021-09-22 2021-12-17 航天新气象科技有限公司 基于标靶的高度测量方法、装置及设备
CN113643309A (zh) * 2021-10-19 2021-11-12 农业农村部南京农业机械化研究所 一种果园的施药方法、装置、电子设备及存储介质
CN114916524A (zh) * 2022-06-27 2022-08-19 华南农业大学 一种升降式靶标随动风送喷雾车及控制方法

Also Published As

Publication number Publication date
CN112837309B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
CN112837309B (zh) 果树冠层靶标识别装置、方法、计算设备及存储介质
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
US7995055B1 (en) Classifying objects in a scene
Guo et al. Efficient center voting for object detection and 6D pose estimation in 3D point cloud
Shabanzade et al. Combination of local descriptors and global features for leaf recognition
CN109446986B (zh) 一种面向树木激光点云的有效特征抽取与树种识别方法
Li et al. A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds
CN116148808B (zh) 一种基于点云描述符的自动驾驶激光重定位方法和系统
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
Polewski et al. A voting-based statistical cylinder detection framework applied to fallen tree mapping in terrestrial laser scanning point clouds
CN110569926B (zh) 一种基于局部边缘特征增强的点云分类方法
CN111612896A (zh) 一种基于机载激光雷达树点云重建三维树模型的方法
Xu et al. Ring++: Roto-translation-invariant gram for global localization on a sparse scan map
CN114241217A (zh) 一种基于圆柱特征的树干点云高效提取方法
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
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
CN112232248B (zh) 一种多线LiDAR点云数据平面特征的提取方法及装置
CN109035311A (zh) 一种弯骨骨折自动配准及内固定钢板预弯建模方法
Wu et al. A Dense Litchi Target Recognition Algorithm for Large Scenes
CN112070787A (zh) 基于对立推理理论的航空三维点云平面分割方法
Zhu et al. Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering
Bai et al. Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination
CN113379738A (zh) 一种基于图像的疫木检测与定位方法及系统
He et al. OFFS-Net: Optimal Feature Fusion-Based Spectral Information Network for Airborne Point Cloud Classification

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