CN113487636B - 基于激光雷达的宽垄作物株高及行间距自动提取方法 - Google Patents
基于激光雷达的宽垄作物株高及行间距自动提取方法 Download PDFInfo
- Publication number
- CN113487636B CN113487636B CN202110743767.3A CN202110743767A CN113487636B CN 113487636 B CN113487636 B CN 113487636B CN 202110743767 A CN202110743767 A CN 202110743767A CN 113487636 B CN113487636 B CN 113487636B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ridge
- wide
- plant height
- laser radar
- 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.)
- Active
Links
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开了一种基于激光雷达的宽垄作物株高及行间距自动提取方法,基于无人机激光雷达对实验田中的目标宽垄作物区进行数据采集,并对数据进行预处理;对预处理后的数据进行冠层提取和边缘提取,获得冠层点云图形和边缘点云图像;计算实验田中垄的方向,沿垄的方向对冠层点云图形和边缘点云图像进行转正;基于转正后的图像定位垄的位置,在点云中对波峰位置用点进行显示、拟合,获得拟合后的线,基于若干条拟合后的线计算垄之间的行间距;基于网格体素化获得单株株高。本发明中研究株高和行间距的计算能够适应较平缓的高低不平的地块,以及能够估计大范围的宽垄作物的性状特征,可为作物产量的提高和基因的改良过程提供相关数据。
Description
技术领域
本发明涉及三维点云信息分析与处理领域,特别是涉及一种基于激光雷达的宽垄作物株高及行间距自动提取方法。
背景技术
目前,冠层高度特征的计算分析可以提高作物产量,作为分析品种优劣的依据,但人工测量株高缓慢且效率低下。激光雷达(LiDAR)具有发射角小、方向性好、分辨率高、抗干扰能力强的特点,随着遥感技术的快速发展,机载激光雷达能够获取植被的高度和垂直结构信息,为监测植被的生长状态提供了新的技术手段。该技术已成功地应用在森林资源调查和林业精细管理中,比如林冠的高度、林分平均树高、郁闭度、地上生物量、冠层垂直分布等。基于激光雷达点云研究作物表型的方法种类多,且均以群体作物为研究对象,提取的作物表型参数多,精度高,对现代精细农业育种具有较强的适应性,经过现代化的发展,激光雷达价格的下降将成为必然,在这方面进行研究,有巨大的现实意义。现在在田间作物群体表型参数的提取中精度还不够,机载激光雷达在群体高通量表型参数的提取有很大的应用前景。
随着激光雷达造价降低和计算机数据处理能力的提升,近年来机载激光雷达在农业作物监测上的应用也在慢慢增多,研究了基于无人机激光雷达对不同作物生物量和作物高度估算,基于行密度统计计算作物的高度,但是精度不够高,或者需要确定树冠高度需要估计地面高度,并从点的绝对高度中减去地面高度,是基于作物表面模型和数字地形模型的建立,其中差异提供了作物高度。数字地形模型可以从裸露土壤的扫描中获得,而作物表面模型是从点云的最顶点开始计算的,使用的是基于顶部百分位数的选择。故现有技术对作物高度与地面高低不平的包容性低。社会亟需一种精度高且无需考虑因地面高低不平而因素的自动获取垄行间距和株高的方法。
发明内容
本发明的目的是提供一种基于激光雷达的宽垄作物株高及行间距自动提取方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了如下方案:
本发明提供一种基于激光雷达的宽垄作物株高及行间距自动提取方法,包括以下步骤:
基于无人机激光雷达对实验田中的目标宽垄作物区进行数据采集,并对所述数据进行预处理;
对预处理后的所述数据进行冠层提取和边缘提取,获得冠层点云图像和边缘点云图像;
计算所述实验田中垄的方向,沿所述垄的方向对所述冠层点云图像和所述边缘点云图像进行转正,获得转正后的所述冠层点云图像和转正后的所述边缘点云图像;
基于转正后的冠层点云图像和转正后的边缘点云图像定位垄的位置,在点云中对波峰位置用点进行显示,对若干个点进行拟合,获得拟合后的线,基于若干条所述拟合后的线计算垄之间的行间距;
对每条垄的点云数据进行网格体素化,并计算单垄平均株高,基于单垄平均株高,以点云上宽垄作物样本点位置为中心,获取周围点云数据求高低差,获得单株株高。
进一步地,所述预处理为:对所述实验田进行感兴趣区域的提取、对点云数据进行下采样,并进行滤波。
进一步地,所述感兴趣区域的提取具体为:将所述实验田裁剪出若干个小区点云数据,对每个所述小区点云数据进行标号储存。
进一步地,所述点云下采样包括:将输入的点云数据创建一个三维体素栅格,在每个所述三维体素栅格内包括若干个关键点,除关键点外的其他点由所述关键点表示,并将对全部点云的操作转换到下采样所得到的关键点上。
进一步地,所述滤波具体为:所述目标宽垄作物区的上空存在离目标宽垄作物较远的离群点,通过离群点滤波法进行去除所述离群点。
进一步地,所述冠层提取具体方法为:获取点云Z方向的最小值,利用直通滤波获取部分冠层数据,保存滤去的地面部分,得到所述冠层点云数据。
进一步地,所述边缘点云图像的获取:对所述目标冠层点云数据进行边缘提取。
进一步地,所述转正的方法为:对提取的点云边缘数据进行RANSAC直线拟合,获取垄方向的方向向量,基于所述方向向量计算转换矩阵,基于所述转换矩阵对所述冠层点云图像和所述边缘点云图像进行转正。
进一步地,获取所述垄方向的所述方向向量的过程中,还采用了最小二乘法。
进一步地,定位垄的位置的方法:对整个小区点云数据的y方向进行遍历,基于行密度直方图统计,获得点云中的波峰位置,并用点表示在点云中,将单条垄上的点进行拟合,完成垄的位置的定位。
本发明公开了以下技术效果:
本发明利用无人机搭载激光雷达获取高分辨率试验地点云数据,分析处理实现自动提取行间距、自动获取宽垄作物的单垄平均株高。其中宽垄作物以甘蔗为例,实验采样测量了三个时期十五块试验地中180或225株甘蔗株高并定位,利用软件Lidar360手动测量得到75组平均行间距真值。研究使用改进的行密度直方图统计自动分垄和沿垄栅格化计算甘蔗植株的形态表型参数,分析了行间距精度、平均单垄株高与单株株高高度计算精度对比,实验结果三次单个时期行间距的相关系数分别为0.695、0.498、0.562,RMSE分别为0.127、0.141、0.149,表明在分蘖期时行间距的计算具有更高的精度;平均单垄株高三次单个时期和全部时期的相关系数分别为0.714、0.535、0.690、0.896,单株株高三次单个时期和全部时期的相关系数分别为0.430、0.609、0.523、0.817,可以看出无论是单个时期还是整个时期甘蔗株高的精度,单垄平均株高都是优于单株株高的。本发明中研究株高和行间距的计算能够适应较平缓的高低不平的地块,以及能够估计大范围的甘蔗及其他宽垄作物的性状特征,可为作物产量的提高和基因的改良过程提供相关数据。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例中的株高和行间距计算的流程图,其中,(a)为平均株高和行间距处理的一般框架,(b)为单株株高计算流程;
图2为本发明实施例中的点云预处理中的整个实验田和十五个小区图,其中(a)为整个实验田点云数据图,(b)为十五个小区点云数据图;
图3为本发明实施例中的冠层提取及边缘提取中的部分冠层图和边缘图,其中(a)是部分冠层点云图,(b)是边缘点云图;
图4为本发明实施例中的垄方向计算及目标区域转正中的获取垄方向图和转正图,其中(a)是RANSAC直线分割获取垄方向示意图,(b)是对Pcd进行刚体转正示意图;
图5为本发明实施例中的行密度直方图;
图6为本发明实施例中的基于行密度直方图统计定位垄中的点云定位图;
图7为本发明实施例中的行间距计算中的垄位置线拟合显示图。
具体实施方式
现详细说明本发明的多种示例性实施方式,该详细说明不应认为是对本发明的限制,而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发明。另外,对于本发明中的数值范围,应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
在不背离本发明的范围或精神的情况下,可对本发明说明书的具体实施方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
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,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明采用了数字绿土开发的LiAir 220系统,LiAir 220无人机激光雷达系统是针对多旋翼平台开发的轻量级专业设备,集轻小型激光雷达系统、惯性导航系统以及控制系统为一身,用于获取三维激光数据,适用于复杂地形数据采集,雷达相关参数如表1所示。本实施例中的宽垄作物以甘蔗为例,实验进行了三次无人机搭载激光雷达对目标甘蔗区域进行数据采集,一次处于茎干分蘖期,即单株分蘖成多株甘蔗时期;两次处于拔节期,即甘蔗拔节猛涨时期。在2020年10月17日、2021年1月13日、2021年3月6日,对甘蔗试验区实施了三次飞行实验,配置的飞行参数和各个日期拍摄得到的点云点密度分别如表2所示。
表1
表2
图1是本发明实例所述的甘蔗平均株高和行间距计算步骤流程图,如图1所示,具体步骤如下:
步骤一、实验数据预处理
a.提取感兴趣区域
田间实验后,解算得到了高分辨率点云数据,利用Lidar360将整个实验田点云数据裁剪出十五个小区点云数据,标号存储,方便处理,如图2进行剪裁处理。
b.点云下采样
因机载激光雷达获取高分辨率点云数量较多,处理时间也会相应增长,计算成本增大,故需对甘蔗大田点云数据进行下采样,将输入的点云数据创建一个三维体素栅格,然后在每个体素内,用体素中所有点的重心来近似显示体素中其他点,将对全部点云的操作转换到下采样所得到的关键点上,降低计算量,本研究设置的体素大小参数为1cm。
c.离群点滤波
由于天空中会存在雾或者灰尘以及设备测量误差等因素,甘蔗上空会存在一些离甘蔗较远的离群点,本发明采用离群点滤波方法去除这些离群点。本发明定义距离di大于μ±ασ的点是离群噪声点,并且滤除掉这些点。目标点云的数量和密度影响参数α和临近点个数k,根据实验确定k=200,α=3.0时,离群点滤波效果最好。
步骤二、冠层提取及边缘提取
获取点云Z方向最小值Min_z,利用直通滤波获取部分冠层数据,保存滤去的地面部分如图3(a)所示部分冠层点云(Pcd),参数设置如公式(1),获取Z方向区间的冠层数据。随后利用点云库自带的BoundaryEstimation函数对这部分冠层数据进行边缘提取,获取边缘点云数据,如图3(b)所示获得的边缘点云。
Minz+0.8<Z<Minz+4.5#(1)
X、Y方向数据不变,单位为m,该操作需保证甘蔗高于0.8m高度。因试验地高低不平,故对作物的高度有最低限制,但增加了对地面不平的包容性,若地面较为平坦,限制会相应减少。
步骤三、垄方向计算及目标区域转正
点云数据的获取会因为获取方式,地理位置等原因,目标区域并不是沿垄方向,需对目标区域转正,便于处理数据。首先计算垄的方向,由于宽垄作物的垄更为笔直,对边缘数据进行RANSAC直线拟合,可以获取垄方向的方向向量,如图4(a)所示。然后根据方向向量计算出转换矩阵R,分别对Pcd和Fpd进行转正,最后获取转正后的Pcd(图4(b))和转正后的Fpd。
假设法向量y_normal=(0,1,0),对最小二乘获取的方向向量Cd归一化处理Cdn,|Cdn|为Cdn的模长,根据公式(2)得到theta,公式(3)求得转移矩阵R。
步骤四、基于行密度直方图统计定位垄
对整个小区点云的y方向进行遍历,基于行密度直方图统计,如图5所示。根据垄上的点密度比周围点密度都要大的条件,定位垄的位置,并对这些波峰的位置在点云中进行点显示,如图6所示。
步骤五、行间距计算
利用RANSAC最小二乘直线拟合垄上定位点云得到垄的方向向量以及实现线拟合显示,如图7所示,每一垄均拟合较为准确。最后计算两条线(垄)之间的距离,实现行间距的计算。
步骤六、单垄平均株高自动估算
基于每垄点云网格体素化,网格取0.5m*0.5m,每个网格最高值减去最低值累加取平均得到单垄平均株高。
其中Mid_height为平均株高,n为每列网格化数目,Max_z、Min_z分别为网格内点云Z方向的最大值和最小值。
步骤七、单株株高的自动估算
在经过校正的点云上甘蔗样本点的位置网格化,网格取0.2m*0.2m,在这个网格区间内进行最高和最低差高度计算,得到该位置的甘蔗高度数据。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:包括以下步骤:
基于无人机激光雷达对实验田中的目标宽垄作物区进行数据采集,并对所述数据进行预处理;
对预处理后的所述数据进行冠层提取和边缘提取,获得冠层点云图像和边缘点云图像;
计算所述实验田中垄的方向,沿所述垄的方向对所述冠层点云图像和所述边缘点云图像进行转正,获得转正后的所述冠层点云图像和转正后的所述边缘点云图像;
基于转正后的冠层点云图像和转正后的边缘点云图像定位垄的位置,在点云中对波峰位置用点进行显示,对若干个点进行拟合,获得拟合后的线,基于若干条所述拟合后的线计算垄之间的行间距;
对每条垄的点云数据进行网格体素化,并计算单垄平均株高,基于单垄平均株高,以点云上宽垄作物样本点位置为中心,获取周围点云数据求高低差,获得单株株高。
2.根据权利要求1所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述预处理为:对所述实验田进行感兴趣区域的提取、对点云数据进行下采样,并进行滤波。
3.根据权利要求2所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述感兴趣区域的提取具体为:将所述实验田裁剪出若干个小区点云数据,对每个所述小区点云数据进行标号储存。
4.根据权利要求2所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:对点云数据进行下采样的过程包括:将输入的点云数据创建一个三维体素栅格,在每个所述三维体素栅格内包括若干个关键点,除关键点外的其他点由所述关键点表示,并将对全部点云的操作转换到下采样所得到的关键点上。
5.根据权利要求2所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述滤波具体为:所述目标宽垄作物区的上空存在离目标宽垄作物较远的离群点,通过离群点滤波法进行去除所述离群点。
6.根据权利要求1所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述冠层提取具体方法为:获取点云Z方向的最小值,利用直通滤波获取部分冠层数据,保存滤去的地面部分,得到冠层点云数据。
7.根据权利要求6所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述边缘点云图像的获取:对目标冠层点云数据进行边缘提取。
8.根据权利要求7所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:所述转正的方法为:对提取的点云边缘数据进行RANSAC直线拟合,获取垄方向的方向向量,基于所述方向向量计算转换矩阵,基于所述转换矩阵对所述冠层点云图像和所述边缘点云图像进行转正。
9.根据权利要求8所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:获取所述垄方向的所述方向向量的过程中,还采用了最小二乘法。
10.根据权利要求1所述的基于激光雷达的宽垄作物株高及行间距自动提取方法,其特征在于:定位垄的位置的方法:对整个小区点云数据的y方向进行遍历,基于行密度直方图统计,获得点云中的波峰位置,并用点表示在点云中,将单条垄上的点进行拟合,完成垄的位置的定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743767.3A CN113487636B (zh) | 2021-07-01 | 2021-07-01 | 基于激光雷达的宽垄作物株高及行间距自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743767.3A CN113487636B (zh) | 2021-07-01 | 2021-07-01 | 基于激光雷达的宽垄作物株高及行间距自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487636A CN113487636A (zh) | 2021-10-08 |
CN113487636B true CN113487636B (zh) | 2023-05-02 |
Family
ID=77937811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743767.3A Active CN113487636B (zh) | 2021-07-01 | 2021-07-01 | 基于激光雷达的宽垄作物株高及行间距自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548277B (zh) * | 2022-02-22 | 2023-09-08 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262287A (zh) * | 2019-07-14 | 2019-09-20 | 南京林业大学 | 用于收获机械割台高度自动控制的冠层高度在线探测方法 |
CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062644A (zh) * | 2013-11-22 | 2014-09-24 | 董立新 | 一种从激光雷达高斯回波数据中提取树高的方法 |
CN104457626B (zh) * | 2014-12-08 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
UY36789A (es) * | 2015-07-13 | 2017-01-31 | Agerpoint Inc | Sistemas y métodos modulares para determinar rendimientos de cultivos con sensores georreferenciados de alta resolución |
US10255670B1 (en) * | 2017-01-08 | 2019-04-09 | Dolly Y. Wu PLLC | Image sensor and module for agricultural crop improvement |
CN111122777B (zh) * | 2019-12-12 | 2022-02-11 | 北京农业智能装备技术研究中心 | 一种植株冠层生物量测量系统及方法 |
CN111289997A (zh) * | 2020-01-19 | 2020-06-16 | 江苏大学 | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 |
CN111551530B (zh) * | 2020-04-23 | 2022-07-22 | 江苏大学 | 一种作物群体冠层叶绿素荧光三维分布信息获取方法与装置 |
-
2021
- 2021-07-01 CN CN202110743767.3A patent/CN113487636B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262287A (zh) * | 2019-07-14 | 2019-09-20 | 南京林业大学 | 用于收获机械割台高度自动控制的冠层高度在线探测方法 |
CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113487636A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | High throughput phenotyping of cotton plant height using depth images under field conditions | |
CN106950573B (zh) | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 | |
CN106643529A (zh) | 基于无人机影像的山区农作物生长高度快速测量的方法 | |
CN114781011B (zh) | 一种像素级全球森林碳储量高精度计算方法及系统 | |
CN112381861A (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
CN111815014A (zh) | 一种基于无人机低空遥感信息的作物产量预测方法及系统 | |
Liu et al. | A field-based high-throughput method for acquiring canopy architecture using unmanned aerial vehicle images | |
Estornell et al. | Tree extraction and estimation of walnut structure parameters using airborne LiDAR data | |
Balenović et al. | Quality assessment of high density digital surface model over different land cover classes | |
Zeng et al. | Semantic segmentation of sparse 3D point cloud based on geometrical features for trellis-structured apple orchard | |
CN113487636B (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
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 | |
Wu et al. | Plant 3D reconstruction based on LiDAR and multi-view sequence images | |
Jiang et al. | Remote sensing methods for biomass estimation of green algae attached to nursery-nets and raft rope | |
CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN111913185B (zh) | 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 | |
CN116051645A (zh) | 作物群体的表型获取方法及装置 | |
CN109827503A (zh) | 一种田间作物精准定位方法和装置 | |
CN114581450A (zh) | 基于点云图像转换的玉米株高茎粗测量方法及装置 | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
Bingfang et al. | Crop area estimation using remote sensing on two-stage stratified sampling | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
CN117274359B (zh) | 一种作物群体的株高测算方法和系统 | |
LU500262B1 (en) | Method for estimating vegetation coverage rate change in desert area |
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 |