CN114120158A - 基于超低空遥感的叶面积统计方法、装置及存储介质 - Google Patents
基于超低空遥感的叶面积统计方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114120158A CN114120158A CN202111437249.5A CN202111437249A CN114120158A CN 114120158 A CN114120158 A CN 114120158A CN 202111437249 A CN202111437249 A CN 202111437249A CN 114120158 A CN114120158 A CN 114120158A
- Authority
- CN
- China
- Prior art keywords
- leaf
- branch
- point cloud
- area
- cloud 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.)
- Pending
Links
- 238000007619 statistical method Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 244000298697 Actinidia deliciosa Species 0.000 description 14
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 13
- 241000196324 Embryophyta Species 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004173 biogeochemical cycle Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及农作物生长监测技术领域,具体涉及基于超低空遥感的叶面积统计方法、装置及存储介质。方法包括获取目标区域的超低空遥感影像数据;对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。本发明可以利用点云分割能够实现单株作物的精确分割,且统计获取叶面积信息的计算量更小,效率更高。
Description
技术领域
本发明涉及农作物生长监测技术领域,具体涉及基于超低空遥感的叶面积统计方法、装置及存储介质。
背景技术
叶面积指数是指作物叶片面积与作物占地面积的比值,是衡量植被生长的一个重要参数。它也是农业科学、生态科学、遥感科学中众多数学模型的基本参数。叶面积指数控制着水、营养和碳循环中的许多生物和物理过程,这些参数通常用于评估作物健康状况、养分供应和农业管理实践的影响。
作物生长发育过程中对冠层生物物理参数的精确估算对优化作物田间管理措施具有重要意义。作为常用的作物冠层指示因子,叶面积指数经常被用来监测作物冠层结构的发展变化以及作物估产。叶面积指数的精确估计可以为作物施肥、灌溉、病虫害控制以及粮食生产力提供理论支持。传统的大田定点观测不仅费时费力,而且只能获取单点的叶面积指数值,无法获取面上的叶面积指数情况。遥感技术是获取农业信息不可或缺的工具,随着遥感技术的发展,利用无人机等进行超低空遥感监测为区域尺度上叶面积指数的精准估算提供了可能。
目前,农作物叶面积的统计一方面可以通过无人机超低空影像直接提取枝叶面积的大小,另一方面可以通过正射影像进行分割来提取,这两种方法是基于影像识别技术来获取叶面积指数的,计算量较大,且分割效果相对较差,还不够高效。因此,现有的叶面积信息统计获取方法还有待改进。
发明内容
针对现有技术存在的不足,本发明提供了基于超低空遥感的叶面积统计方法、装置及存储介质,其应用时,可以替代现有的图像识别和分割技术,利用点云分割能够实现单株作物的精确分割,不受地表覆盖及图像颜色变化所带来的影响,具有良好的可复制性和推广性,且统计获取叶面积信息的计算量更小,效率更高。
第一方面,本发明提供基于超低空遥感的叶面积统计方法,包括:
获取目标区域的超低空遥感影像数据;
对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;
对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;
对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;
根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
基于上述发明内容,通过对超低空遥感影像数据进行相应解算,构建目标区域的三维点云模型,然后对三维点云模型进行点云简化处理,去掉无关点云,只留下目标作物的枝叶点云,然后对枝叶点云进行栅格化处理,将其转化为对应的栅格像元,就可以计算获得单株目标作物的枝叶面积以及目标区域内目标作物的总枝叶面积,便于根据单株目标作物的枝叶面积以及目标区域内目标作物的总枝叶面积,判定目标作物的长势情况。通过该方法可以替代现有的图像识别和分割技术,利用点云分割能够实现单株作物的精确分割,不受地表覆盖及图像颜色变化所带来的影响,具有良好的可复制性和推广性,且统计获取叶面积信息的计算量更小,效率更高。
在一个可能的设计中,所述对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型,包括:
针对三维点云模型构建关于频数y和高z的曲线函数y=f(z),其中,波峰点满足一阶导数为0,且二阶导数为负,波谷点满足一阶导数为0,且二阶导数为正;
解算求得曲线函数值在设定方向x上的波峰点和波谷点;
通过相邻的波峰点和波谷点判定得出z值;
根据z值进行点云划分,删除z值小于设定阈值的部分点云,得到目标区域内目标作物的枝叶点云模型。
在一个可能的设计中,所述方法还包括:
获取目标区域的地块面积;
根据目标区域内目标作物的总枝叶面积以及目标区域的地块面积,计算获得目标作物的叶面积指数。
在一个可能的设计中,所述对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元,包括:将枝叶点云模型导入ArcGIS平台,通过ArcGIS的空间转换工具对枝叶点云进行栅格化处理,将各枝叶点云对应转化为一定大小的栅格像元。
在一个可能的设计中,所述栅格像元大小根据超低空遥感影像数据的地面分辨率确定,所述根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积,包括:将枝叶点云的数量与栅格像元的像元面积相乘,得到目标作物的总枝叶面积。
在一个可能的设计中,导入和读取超低空遥感影像数据的位置与姿态系统数据,进行影像匹配,并提交空中三角测量解算坐标,结合设定地面相控点的坐标进行解算,求得目标区域的绝对三维坐标系统,构建初始三维点云模型;
对初始三维点云模型进行切割筛选,生成目标区域的三维点云模型。
第二方面,本发明提供一种基于超低空遥感的叶面积统计装置,所述装置包括:
获取单元,用于获取目标区域的超低空遥感影像数据;
构建单元,用于对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;
简化单元,用于对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;
转化单元,用于对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;
计算单元,用于根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
在一个可能的设计中,所述获取单元还用于获取目标区域的地块面积;所述计算单元还用于根据目标区域内目标作物的总枝叶面积以及目标区域的地块面积,计算获得目标作物的叶面积指数。
第三方面,本发明提供一种基于超低空遥感的叶面积统计装置,所述装置包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行上述第一方面中任意一种所述的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行上述第一方面中任意一种所述的方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行上述第一方面中任意一种所述的方法。
本发明的有益效果为:
本发明通过对超低空遥感影像数据进行相应解算,构建目标区域的三维点云模型,然后对三维点云模型进行点云简化处理,去掉无关点云,只留下目标作物的枝叶点云,然后对枝叶点云进行栅格化处理,将其转化为对应的栅格像元,就可以计算获得单株目标作物的枝叶面积以及目标区域内目标作物的总枝叶面积,便于根据单株目标作物的枝叶面积以及目标区域内目标作物的总枝叶面积,判定目标作物的长势情况。通过该方法可以替代现有的图像识别和分割技术,利用点云分割能够实现单株作物的精确分割,不受地表覆盖及图像颜色变化所带来的影响,具有良好的可复制性和推广性,且统计获取叶面积信息的计算量更小,效率更高。
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,下面将对实施例或现有技术描述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为本发明的方法步骤示意图;
图2为曲线函数波峰和波谷示意图;
图3为单株植株的上架枝叶面积的获取过程示意图;
图4为本发明的第一种装置构成示意图;
图5为本发明的第二种装置构成示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,术语第一、第二等仅用于区分描述,而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元,这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实施例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例1:
本实施例提供基于超低空遥感的叶面积统计方法,可应用于各种作物的枝叶面积监测,如图1所示,包括以下步骤:
S101.获取目标区域的超低空遥感影像数据。
具体实施时,以猕猴桃植株为例,依据实地调查,获取猕猴桃地块边界,根据猕猴桃枝叶的不同生长期(发芽、开花、结果)选择不同的摄影比例尺进行无人机超低空遥感摄影;无人机航线任务划定,根据航空摄影测量的要求,为构建相对精确的三维实地模型,在实际划定航线需要外扩以保证后期的建模精度;为确保后期的地块和叶面积计算精度,设置地面控制点对遥感影像进行绝对坐标控制,利用RTK(Real-time kinematic)对地面控制点进行精准测量对地面点进行采集和储存。
本实施例根据摄影测量学的原理,利用照片求得地面点云的绝对坐标;因此在知道相机内方位元素的情况下,需要知道地面控制点,利用共线方程解外方位元素,求得地面点的绝对坐标。基于此原理,利用低成本低空无人机遥感平台对目标区域进行任务规划、数据采集作业、地面坐标测量等工作完成对目标检测地块的低空遥感影像获取,得到实时的超低空遥感影像数据。
在超低空遥感领域,通过无人机飞行系统、有效任务载荷和地面保障系统所构成的无人机遥感系统,具有高时效性、云层下成像和移动性能高等特点;无人机飞行系统包含了飞行器、导航与控制、数传与链路等;搭载不同的任务载荷能够获取丰富的地面信息,如搭载高分辨率航空相机、高光谱相机、红外相机等;地面保障系统实施获取无人机遥感系统的状态信息,为无人机实时地面监控做保障。
S102.对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型。
具体实施时,对无人机采集的超低空遥感影像数据进行预处理,影像匹配和空中三角测量解算。通常影像处理需要借助第三方影像拼接处理软件,通过导入和读取影像高精度的位置与姿态系统数据(POS,position and orientation system),进行影像匹配,并提交空中三角测量解算坐标,常用的拼接处理软件有Pix4D Mapper、Agisoft PhotoScan、Smart3D等。在解算过程中需要对相对定位结束后的影像系统进行绝对定位,利用上述步骤测得的地面相控点的坐标进行重新解算,求得猕猴桃地块的绝对三维坐标系统;最后通过软件生成三维点云模型(Point Cloud)及数字正射影像(DOM,Digital Orthophoto Map)、数字表面模型(DSM,Digital Surface Model)产品。
S103.对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型。
具体实施时,此时的三维点云模型是海量的,包含了地表实体的整个点云数据,需要剔除冗余点云得到猕猴桃上架枝叶的点云,过程包括:
针对三维点云模型构建关于频数y和高z的曲线函数y=f(z),其中,波峰点满足一阶导数为0,且二阶导数为负,波谷点满足一阶导数为0,且二阶导数为正;然后根据曲线函数的一阶导数及二阶导数解算求得曲线函数值在设定方向x上的波峰点和波谷点,如图2所示;
通过相邻的波峰点和波谷点判定得出z值;根据z值进行点云划分,删除z值小于设定阈值的部分点云,得到目标区域内目标作物的枝叶点云模型。剔除后的点云数据量得到压缩,通过轻微修剪后得到猕猴桃枝叶上架点云,后续可直接对上架枝叶点云进行统计分析。
S104.对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元。
具体实施时,通过上述步骤的点云简化编辑处理后点云得到了分类和简化,因为要得到上架的枝叶面积,所得到的枝叶点云是无法统计面积的,所以需要对点云进行栅格化处理,这里需要用到的软件是ArcGIS系列软件,其能够对空间点云进行平面栅格化处理,利用ArcGIS的空间转换工具对枝叶点云进行栅格化,栅格化后猕猴桃上架枝叶的点云转化为一定大小的栅格像元,栅格像元的大小则是由相应遥感影像地面分辨率确定。
S105.根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
具体实施时,猕猴桃枝叶面积的简易计算方法可以根据枝叶点云的数量和栅格化后栅格像元的像元面积相乘,得到猕猴桃上架枝叶的最终面积,最后猕猴桃上架枝叶面积与所得到的地块面积之比则是猕猴桃地块最终的枝叶覆盖度,即叶面积指数。根据前述步骤,单株植株的上架枝叶面积的获取过程如图3所示,对三维点云模型的密集点云进行裁剪得到目标植株区域的点云,然后提取单株植株区域的点云进行简化处理和GIS分析筛选,得到单株植株的上架枝叶面积。
通过该方法流程能够更简单、快速、高效、低成本地对特定作物植株的枝叶面积进行分割、提取、转换,最终快速得到小区域范围内的植株枝叶面积情况,能够为农作物定量监测、病虫害判定、产量估计等提供前期必要的基础数据支撑。显然,除了上述每个步骤所能够得到相同数据结果外,技术人员可以对本发明进行扩展延伸(例如采用不同摄影测量工具开展地面数据的获取、采用不同的建模软件构建相应的点云模型,采用不同的点云编辑软件提取猕猴桃上架枝叶的面积等),针对利用不同工具获取影像、不同软件编辑和提取猕猴桃上架枝叶面积的流程而不脱离本发明的精神和范围。如此,倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围,则本发明也包含这些改动和变型。
实施例2:
本实施例提供一种基于超低空遥感的叶面积统计装置,如图4所示,包括:
获取单元,用于获取目标区域的超低空遥感影像数据;
构建单元,用于对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;
简化单元,用于对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;
转化单元,用于对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;
计算单元,用于根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
在一个可能的设计中,所述获取单元还用于获取目标区域的地块面积;所述计算单元还用于根据目标区域内目标作物的总枝叶面积以及目标区域的地块面积,计算获得目标作物的叶面积指数。
实施例3:
本实施例提供另一种基于超低空遥感的叶面积统计装置,如图5所示,在硬件层面,包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行实施例1中所述的中药饮片质检方法。
可选地,该计算机设备还包括内部总线和通讯接口。处理器、存储器和通讯接口可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4:
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行实施例1中所述的基于超低空遥感的叶面积统计方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
实施例5:
本实施例提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行实施例1中所述的基于超低空遥感的叶面积统计方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
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的保护范围。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 (10)
1.基于超低空遥感的叶面积统计方法,其特征在于,包括:
获取目标区域的超低空遥感影像数据;
对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;
对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;
对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;
根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
2.根据权利要求1所述的基于超低空遥感的叶面积统计方法,其特征在于,所述对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型,包括:
针对三维点云模型构建关于频数y和高z的曲线函数y=f(z),其中,波峰点满足一阶导数为0,且二阶导数为负,波谷点满足一阶导数为0,且二阶导数为正;
解算求得曲线函数值在设定方向x上的波峰点和波谷点;
通过相邻的波峰点和波谷点判定得出z值;
根据z值进行点云划分,删除z值小于设定阈值的部分点云,得到目标区域内目标作物的枝叶点云模型。
3.根据权利要求1所述的基于超低空遥感的叶面积统计方法,其特征在于,所述方法还包括:
获取目标区域的地块面积;
根据目标区域内目标作物的总枝叶面积以及目标区域的地块面积,计算获得目标作物的叶面积指数。
4.根据权利要求1所述的基于超低空遥感的叶面积统计方法,其特征在于,所述对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元,包括:将枝叶点云模型导入ArcGIS平台,通过ArcGIS的空间转换工具对枝叶点云进行栅格化处理,将各枝叶点云对应转化为一定大小的栅格像元。
5.根据权利要求4所述的基于超低空遥感的叶面积统计方法,其特征在于,所述栅格像元大小根据超低空遥感影像数据的地面分辨率确定,所述根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积,包括:将枝叶点云的数量与栅格像元的像元面积相乘,得到目标作物的总枝叶面积。
6.根据权利要求1所述的基于超低空遥感的叶面积统计方法,其特征在于,所述对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型,包括:
导入和读取超低空遥感影像数据的位置与姿态系统数据,进行影像匹配,并提交空中三角测量解算坐标,结合设定地面相控点的坐标进行解算,求得目标区域的绝对三维坐标系统,构建初始三维点云模型;
对初始三维点云模型进行切割筛选,生成目标区域的三维点云模型。
7.一种基于超低空遥感的叶面积统计装置,其特征在于,所述装置包括:
获取单元,用于获取目标区域的超低空遥感影像数据;
构建单元,用于对目标区域的超低空遥感影像数据进行解算,构建对应的三维点云模型;
简化单元,用于对三维点云模型进行点云简化编辑,去除冗余点云,得到目标区域内目标作物的枝叶点云模型;
转化单元,用于对枝叶点云模型进行栅格化处理,将枝叶点云模型中的枝叶点云转化为栅格像元;
计算单元,用于根据栅格像元的大小判定单株目标作物的枝叶面积,根据枝叶点云模型中枝叶点云的数量及栅格像元的大小,计算获得目标区域内目标作物的总枝叶面积。
8.根据权利要求7所述的一种基于超低空遥感的叶面积统计装置,其特征在于,所述获取单元还用于获取目标区域的地块面积;所述计算单元还用于根据目标区域内目标作物的总枝叶面积以及目标区域的地块面积,计算获得目标作物的叶面积指数。
9.一种基于超低空遥感的叶面积统计装置,其特征在于,所述装置包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行权利要求1-6任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行权利要求1-6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437249.5A CN114120158A (zh) | 2021-11-29 | 2021-11-29 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437249.5A CN114120158A (zh) | 2021-11-29 | 2021-11-29 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120158A true CN114120158A (zh) | 2022-03-01 |
Family
ID=80367641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111437249.5A Pending CN114120158A (zh) | 2021-11-29 | 2021-11-29 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862069A (zh) * | 2022-07-07 | 2022-08-05 | 成都信息工程大学 | 预测模型构建方法、预测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170056728A (ko) * | 2015-11-13 | 2017-05-24 | 사단법인 한국온실작물연구소 | L(Lindenmayer) 시스템과 이미지 및 빔 척도를 이용한 작물체 초장 및 생육량 측정 시스템 |
CN108981569A (zh) * | 2018-07-09 | 2018-12-11 | 南京农业大学 | 一种基于多光谱点云融合的高通量温室植物表型测量系统 |
CN110148116A (zh) * | 2019-04-12 | 2019-08-20 | 深圳大学 | 一种森林生物量估算方法及其系统 |
US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
CN113538560A (zh) * | 2021-07-09 | 2021-10-22 | 电子科技大学 | 基于三维重建的叶面积指数提取方法 |
-
2021
- 2021-11-29 CN CN202111437249.5A patent/CN114120158A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170056728A (ko) * | 2015-11-13 | 2017-05-24 | 사단법인 한국온실작물연구소 | L(Lindenmayer) 시스템과 이미지 및 빔 척도를 이용한 작물체 초장 및 생육량 측정 시스템 |
US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
CN108981569A (zh) * | 2018-07-09 | 2018-12-11 | 南京农业大学 | 一种基于多光谱点云融合的高通量温室植物表型测量系统 |
CN110148116A (zh) * | 2019-04-12 | 2019-08-20 | 深圳大学 | 一种森林生物量估算方法及其系统 |
CN113538560A (zh) * | 2021-07-09 | 2021-10-22 | 电子科技大学 | 基于三维重建的叶面积指数提取方法 |
Non-Patent Citations (1)
Title |
---|
李小光: "基于ArcGIS 的露天矿山土石方量测算方法研究", 《金属矿山》, 31 December 2021 (2021-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862069A (zh) * | 2022-07-07 | 2022-08-05 | 成都信息工程大学 | 预测模型构建方法、预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Comparison of ground cover estimates from experiment plots in cotton, sorghum and sugarcane based on images and ortho-mosaics captured by UAV | |
US10095995B2 (en) | Apparatus for and method of forest-inventory management | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
dos Santos et al. | Biophysical parameters of coffee crop estimated by UAV RGB images | |
CN114595975A (zh) | 基于深度学习模型的无人机遥感松材线虫病害监测方法 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
CN114863369B (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
CN114120158A (zh) | 基于超低空遥感的叶面积统计方法、装置及存储介质 | |
Calou et al. | Estimation of maize biomass using unmanned aerial vehicles | |
Santos et al. | Coffee crop coefficient prediction as a function of biophysical variables identified from RGB UAS images | |
Aasen et al. | Spectral and 3D nonspectral approaches to crop trait estimation using ground and UAV sensing | |
Dong et al. | Drone-based three-dimensional photogrammetry and concave hull by slices algorithm for apple tree volume mapping | |
CN117249862A (zh) | 一种草原露天矿空天地一体化生态环境监测方法 | |
CN117392382A (zh) | 一种基于多尺度密集实例检测的单木果树分割方法与系统 | |
Wu et al. | Co-inversion of island leaf area index combination morphological and spectral parameters based on UAV multi-source remote sensing data | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
Liu et al. | Maize height estimation using combined unmanned aerial vehicle oblique photography and LIDAR canopy dynamic characteristics | |
CN113256567A (zh) | 香蕉叶面积指数检测方法及系统 | |
Abdullah et al. | Estimating Tree Height Based on Tree Crown from UAV Imagery | |
Wulfsohn et al. | The use of a multirotor and high-resolution imaging for precision horticulture in Chile: An industry perspective | |
Herrero-Huerta et al. | High throughput phenotyping of physiological growth dynamics from UAS-based 3D modeling in soybean | |
Yang et al. | New method for cotton fractional vegetation cover extraction based on UAV RGB images | |
Šiljeg et al. | Quality Assessment of Worldview-3 Stereo Imagery Derived Models Over Millennial Olive Groves |
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 |