CN114581450A - 基于点云图像转换的玉米株高茎粗测量方法及装置 - Google Patents

基于点云图像转换的玉米株高茎粗测量方法及装置 Download PDF

Info

Publication number
CN114581450A
CN114581450A CN202210134632.1A CN202210134632A CN114581450A CN 114581450 A CN114581450 A CN 114581450A CN 202210134632 A CN202210134632 A CN 202210134632A CN 114581450 A CN114581450 A CN 114581450A
Authority
CN
China
Prior art keywords
point cloud
cloud data
corn
stem
plant
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.)
Withdrawn
Application number
CN202210134632.1A
Other languages
English (en)
Inventor
张漫
苗艳龙
李寒
彭程
季宇寒
张振乾
李民赞
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.)
China Agricultural University
Original Assignee
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202210134632.1A priority Critical patent/CN114581450A/zh
Publication of CN114581450A publication Critical patent/CN114581450A/zh
Withdrawn legal-status Critical Current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
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0658—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of emissivity or reradiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供一种基于点云图像转换的玉米株高茎粗测量方法及装置，其中基于点云图像转换的玉米株高茎粗测量方法，包括：获取不同玉米品种在不同生长周期的原始点云数据；将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。本发明能够提高测量玉米株高和茎粗的效率和精度，也适用于不同生长期、不同玉米品种的玉米株高和茎粗测量，不仅能够实现连续监测，也降低了人力成本。

Description

基于点云图像转换的玉米株高茎粗测量方法及装置
技术领域
本发明涉及植株表型参数测量技术领域，尤其涉及一种基于点云图像转换的玉米株高茎粗测量方法及装置。
背景技术
玉米是世界上重要的粮食作物，在许多国家广泛分布，并且玉米的营养价值和药用价值极高，增产潜力巨大。准确测量玉米的表型参数对培育高产玉米具有重要意义，尤其玉米株高、茎粗与其长势、生物量、光合作用、抗倒伏能力密切相关。因此，如何快速准确测量玉米株高、茎粗就显得尤为重要。
相关技术中，针对不同生长期的玉米，通常由人工使用刻度尺或游标卡尺分别对玉米株高和茎粗进行测量，以此得到玉米在不同生长期的株高和茎粗。
然而，由于人工使用刻度尺或游标卡尺测量玉米的株高和茎粗，虽然能在一定程度上提高测量精度，但个人主观性大，人力消耗也大，并且手工测量效率低，也无法实现连续监测，从而导致玉米株高、茎粗的测量效率不高且人力成本很高。
发明内容
本发明提供一种基于点云图像转换的玉米株高茎粗测量方法及装置，用以解决现有技术中人工使用刻度尺或游标卡尺测量玉米的株高和茎粗所导致的测量效率不高且人力成本很高的缺陷，实现快速、自动、准确和连续测量玉米株高和茎粗的目的。
本发明提供一种基于点云图像转换的玉米株高茎粗测量方法，包括：
获取不同玉米品种在不同生长周期的原始点云数据；
将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据，包括：
对所述原始点云数据进行单株点云识别处理，得到单株点云数据；
对所述单株点云数据进行平面分割，得到玉米植株点云数据；
确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据；
提取所述下层玉米植株点云数据中的预设高度玉米点云数据，并对所述预设高度玉米点云数据进行欧式聚类，得到有效区域玉米点云数据。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述对所述原始点云数据进行单株点云识别处理，得到单株点云数据，包括：
对所述原始点云数据进行点云数据配准，得到点云配准数据；
对所述点云配准数据进行玉米行数据提取，得到高密度点云数据；
对所述高密度点云数据进行点云数据精简，得到点云精简数据；
对所述点云精简数据进行数据格式转换，得到点云格式数据；
对所述点云格式数据进行单株分割和滤波处理，得到单株点云数据。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据，包括：
从所述单株点云数据中提取目标地面点云数据；
基于所述玉米植株点云数据分别在Z轴的最大值和最小值，以及所述目标地面点云数据在Z轴的最大值，确定区域玉米植株点云数据；
对所述区域玉米植株点云数据进行分层处理，得到上层玉米植株点云数据和下层玉米植株点云数据。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据，包括：
对所述有效区域玉米点云数据进行圆柱分割及点云图像转换，得到玉米区域灰度图像；
对所述玉米区域灰度图像进行图像增强，得到玉米区域灰度增强图像；
对所述玉米区域灰度增强图像进行图像椭圆拟合，得到玉米椭圆区域参数；
对所述玉米椭圆区域参数进行点云茎叶分割，得到玉米茎秆点云数据和非茎秆点云数据。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗，包括：
对所述上层玉米植株点云数据进行最大值遍历，以及对所述玉米茎秆点云数据进行最小值遍历，得到玉米株高；
从所述非茎秆点云数据中提取表征地面和叶片之间关系的玉米茎秆点云数据，并对所述玉米茎秆点云数据进行椭圆拟合，得到玉米茎粗。
根据本发明提供的一种基于点云图像转换的玉米株高茎粗测量方法，所述获取不同玉米品种在不同生长周期的原始点云数据，包括：
选取目标试验区域，所述目标试验区域中包括不同玉米品种在不同生长周期的玉米植株；
基于所述目标试验区域，确定点云采集的站点，并获取所述站点采集的原始点云数据。
本发明还提供一种基于点云图像转换的玉米株高茎粗测量装置，包括：
获取模块，用于获取不同玉米品种在不同生长周期的原始点云数据；
处理模块，用于将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
分割模块，用于对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
测量模块，用于基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于点云图像转换的玉米株高茎粗测量方法。
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如上述任一种所述基于点云图像转换的玉米株高茎粗测量方法。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法及装置，其中基于点云图像转换的玉米株高茎粗测量方法，通过获取不同玉米品种在不同生长周期的原始点云数据，并将原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据，再对有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据，进一步再基于对上层玉米植株点云数据、玉米茎秆点云数据和非茎秆点云数据的测量处理，得到玉米株高和茎粗。由于可以结合玉米区域点云提取及点云图像转换茎叶分割处理自动化的测量玉米株高和茎粗，从而能够提高测量玉米株高和茎粗的效率和精度，也适用于不同生长期、不同玉米品种的玉米株高和茎粗测量，不仅能够实现连续监测，也降低了人力成本。
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是本发明提供的基于点云图像转换的玉米株高茎粗测量方法的流程示意图；
图2是本发明提供的单株点云数据示意图；
图3是本发明提供的目标地面点云数据和玉米植株点云数据示意图；
图4是本发明提供的上层玉米植株点云数据和下层玉米植株点云数据示意图；
图5是本发明提供的有效区域玉米点云数据示意图；
图6是本发明提供的玉米茎秆点云数据和非茎秆点云数据示意图；
图7是本发明提供的基于点云图像转换的玉米株高茎粗测量装置的结构示意图；
图8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8描述本发明的基于点云图像转换的玉米株高茎粗测量方法及装置，其中，基于点云图像转换的玉米株高茎粗测量方法与人工点云测量值高度一致，可以替代人工测量，从而为育种学者和作物表型研究学者提供一种快速、自动、准确玉米株高和茎粗的测量方案；并且，基于点云图像转换的玉米株高茎粗测量方法的执行主体可以为基于点云图像转换的玉米株高茎粗测量装置，基于点云图像转换的玉米株高茎粗测量装置可以通过软件、硬件或者软硬件结合的方式实现成为终端设备的部分或者全部。并且，终端设备中预先安装有三维点云数据处理软件，且该三维点云数据处理软件可以为TrimbleRealWorks软件，使用三维点云软件进行点云数据的提取和拼接，并且，终端设备以Visualstudio 2013为平台，安装1.8.0版本的点云库(Point Cloud Library，PCL)应用程序和版本的3.8.0Cmak应用程序，使用C++语言进行软件编程实现基于玉米点云数据的株高和茎粗测量。可选的，终端设备可以为个人计算机(Personal Computer，PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备。本发明对终端设备的具体形式不做限定。
需要说明的是，下述方法实施例的执行主体可以是上述终端设备的部分或者全部。下述方法实施例以执行主体为终端设备为例进行说明。
图1为本发明提供的基于点云图像转换的玉米株高茎粗测量方法的流程示意图，如图1所示，该基于点云图像转换的玉米株高茎粗测量方法，包括以下步骤：
步骤110、获取不同玉米品种在不同生长周期的原始点云数据。
其中，不同玉米品种可以包括农华101、登海618、京科968、中单909、富尔116等品种，不同生长周期可以包括苗期、拔节期、小喇叭口期和大喇叭口期，原始点云数据为三维点云数据。
具体的，为了实现玉米株高和茎粗测量，本发明在实验过程中使用地基激光雷达扫描不同玉米品种在不同生长周期的玉米植株，以此获取不同玉米品种在不同生长周期的原始点云数据。
需要说明的是，随着传感器和计算机技术的发展，可以通过传感器获取农作物高度和茎秆厚度，使用的传感器有彩色相机、深度相机和激光雷达，其中激光雷达受外界光照影响较小，具有分辨率高、扫描速度快等优点，可实现作物表型参数的快速测量，因此本发明可以采用地基激光雷达获取不同玉米品种在不同生长周期的原始点云数据。优选的，可以使用型号为Trimble TX8的地基激光雷达。
步骤120、将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据。
具体的，由于地基激光雷达扫描采集的原始点云数据针对不同玉米品种在不同生长周期的玉米植株，因此，为了提高测量速率和运行速率，可以先对原始点云数据进行数据预处理，得到各个单株点云数据，再针对每个单株点云数据判定其存在植株时进一步进行有效区域玉米点云提取，从而得到上层玉米植株点云数据和有效区域玉米点云数据。其中，上层玉米植株点云数据为用于提取玉米植株最高点的点云数据，有效区域玉米点云数据为用于提取茎秆最低点和玉米茎粗的区域点云数据。
步骤130、对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据。
具体的，由于有效区域玉米点云数据为用于提取茎秆最低点和玉米茎粗的区域点云数据，因此也可认为有效区域玉米点云数据含有地面点云数据、玉米茎秆数据和叶片数据。基于此，通过对有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据。其中，非茎秆点云数据包括对应玉米植株所在区域的地面点云数据和该玉米植株上的叶片数据。
步骤140、基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
具体的，针对上层玉米植株点云数据提取出玉米植株最高点，针对玉米茎秆点云数据提取出玉米茎秆最低点，再基于玉米植株最高点和玉米茎秆最低点的差值确定玉米株高。并且，针对非茎秆点云数据执行测量处理，先从非茎秆点云数据中提取玉米茎粗测量位置的茎秆点云数据，再针对茎秆点云数据进行玉米茎粗测量，从而得到玉米茎粗。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过获取不同玉米品种在不同生长周期的原始点云数据，并将原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据，再对有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据，进一步再基于对上层玉米植株点云数据、玉米茎秆点云数据和非茎秆点云数据的测量处理，得到玉米株高和茎粗。由于可以结合玉米区域点云提取及点云图像转换茎叶分割处理自动化的测量玉米株高和茎粗，从而能够提高测量玉米株高和茎粗的效率和精度，也适用于不同生长期、不同玉米品种的玉米株高和茎粗测量，不仅能够实现连续监测，也降低了人力成本。
可选的，步骤110的具体实现过程可以包括：
首先，选取目标试验区域，所述目标试验区域中包括不同玉米品种在不同生长周期的玉米植株；再次，基于所述目标试验区域，确定点云采集的站点，并获取所述站点采集的原始点云数据。
具体的，预先确定采集设备，采集设备可为由标靶球、地基激光雷达和雷达支架构成的设备，标靶球设置于目标试验区域内，标靶球的数量必须大于等于3个，并且3个以上(含3个)标靶球不共线，地基激光雷达可放置于雷达支架上；目标试验区域可以为包括至少两个顶点的区域，每个顶点均为点云采集的站点，比如目标试验区域为田块时其点云采集的站点可以为4个；采集设备放置于目标试验区域的每个站点时可以经由地基激光雷达扫描目标试验区域采集原始点云数据，以此实现使用地基激光雷达、以多个生长期的玉米植株为研究对象开展田块级玉米株高和茎粗的快速测量研究。然后，再将采集的原始点云数据存储于U盘中，再通过U盘拷贝的方式将原始点云数据拷贝到终端设备中。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过先选取包括有不同玉米品种在不同生长周期的玉米植株的目标试验区域、再以目标试验区域进行站点点云采集，以此得到针对同一目标试验区域获取不同站点采集的原始点云数据，从而为后续测量玉米株高和茎粗提供丰富且充足的数据依据，确保了测量的准确性和可靠性。
可选的，步骤120的具体实现过程可以包括：
首先，对所述原始点云数据进行单株点云识别处理，得到单株点云数据；再次，对所述单株点云数据进行平面分割，得到玉米植株点云数据；进一步确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据；最后，提取所述下层玉米植株点云数据中的预设高度玉米点云数据，并对所述预设高度玉米点云数据进行欧式聚类，得到有效区域玉米点云数据。
具体的，由于原始点云数据针对目标试验区域内多个玉米植株的点云数据，为了提高处理速率和运行效率，可以先对原始点云数据进行单株点云识别处理，得到如图2所示的单株点云数据，单株点云数据由玉米植株点云数据、杂草点云数据和地面点云数据组成，因为地面起伏较小，因此地面点云数据可以组成一个近似平面的形状，符合平面模型，此时，先选择基于随机抽样一致(RANdom SAmple Consensus,RANSAC)算法对单株点云数据进行平面分割后，得到平面点云数据和非平面点云数据，平面点云数据即为原始地面点云数据，非平面点云数据即为玉米植株点和凹陷地面点。
然后，基于平面点云数据的最大值和最小值确定平均值，针对非平面点云数据在Z轴的M个Z轴数据分别与平均值进行比较，并将小于平均值的N个Z轴数据均插入原始地面点云数据中，从而得到如图3中(a)所示的目标地面点云数据，并进一步对不包含N个Z轴数据的非平面点云数据进行统计滤波，以去除非平面点云数据中的边缘噪声点，从而得到如图3中(b)所示的玉米植株点云数据，然后判定玉米植株点云数据存在玉米植株时进行植株点云分层，从而得到如图4中(a)所示的上层玉米植株点云数据以及如图4中(b)所示的下层玉米植株点云数据。其中，M、N均为正整数，且M≥N。
进一步的，为了更好的识别玉米基部和地面交界位置，提取下层玉米植株点云数据的预设高度玉米点云数据，其中预设高度玉米点云数据可以为自下层玉米植株点云数据的最低点向上3～4cm高度的点云数据，并对预设高度玉米点云数据进行欧氏聚类，当聚类数量为0时无法提取区域点云且可判定没有植株；当聚类数量为1时获取该聚类玉米点云数据的三维坐标轴最大值(xmax,ymax,zmax)和三维最小值(xmin,ymin,zmin)组成的坐标点Cmax(xmax,ymax,zmax)和Cmin(xmin,ymin,zmin)，计算该聚类玉米点云数据的空间中心坐标Pc(xc,yc,zc)，计算公式如式(1)所示；当聚类数量大于1时获取每个聚类玉米点云数据的XOY平面范围，并在下层玉米植株点云数据中提取每个XOY平面范围内的平面范围点云数据，获取每个平面范围点云数据的Z轴最大值和点云数量，选取Z轴最大值大于下层玉米植株点云数据的Z轴最大值与t的差值，且点云数量最多的聚类为选取的目标聚类玉米点云数据，t∈[0.01m，0.02m]，优选t取值为0.02m；并进一步计算目标聚类玉米点云数据的空间中心坐标Pc(xc,yc,zc)。最后针对下层玉米植株点云数据和目标地面点云数据，在XOY平面提取(xc-0.06m,xc+0.06m),(yc-0.06m,yc+0.06m)区域内的点云数据，由此得到如图5所示的有效区域玉米点云数据。
Figure BDA0003503938830000111
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过先识别原始点云数据中的单株点云数据，再对单株点云数据进行平面分割得到玉米植株点云数据，然后确定玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据，通过对下层玉米植株点云数据进行玉米区域点云提取的方式得到有效区域玉米点云数据，以此获取识别玉米植株最高点的上层玉米植株点云数据以及识别玉米植株基部和地面交界位置的有效区域玉米点云数据，从而为后续准确且快速测量玉米株高和茎粗提供有力依据。
可选的，所述对所述原始点云数据进行单株点云识别处理，得到单株点云数据，包括：
首先，对所述原始点云数据进行点云数据配准，得到点云配准数据；再次，对所述点云配准数据进行玉米行数据提取，得到高密度点云数据；进一步，对所述高密度点云数据进行点云数据精简，得到点云精简数据；然后，对所述点云精简数据进行数据格式转换，得到点云格式数据；最后，对所述点云格式数据进行单株分割和滤波处理，得到单株点云数据。
具体的，终端设备可以使用三维点云数据处理软件(比如Trimble RealWorks软件)读入地基激光雷达扫描采集的原始点云数据，并在三维点云数据处理软件自带的配准模式下，使用基于自提目标的配准方法，将球状目标作为目标类型，对每个站点扫描采集的原始点云数据进行点云数据配准，得到点云配准数据；再选择步长采样且将步长设置为1，使用裁剪盒对点云配准数据进行玉米行数据提取，获取目标试验区域的高密度点云数据；并将工作模式改为分析模式，选择高密度点云数据根据作物行进行分割，为后续人工在点云测量上测量玉米株高和茎粗做准备。
由于步长为1的原始点云数据量特别大，为了节约程序运行时间，对高密度点云数据使用空间采样法进行下采样，采样距离可以设置为3mm，得到点云精简数据，点云精简数据的数据量相较于高密度点云数据降低了90％，以此达到精简点云数据、提高程序运行速度的目的。由于下采样后玉米单株的外轮廓几乎没有变化，不影响后续表型参数的提取，点云精简数据的保存数据格式为.las，因此为了提高数据处理效率、适应PCL应用程序，可对点云精简数据进行数据格式转换，也即从.las转换为.pcd格式，从而得到.pcd格式的点云格式数据；最后，根据种植的株间距，使用直通滤波对.pcd格式的点云格式数据进行玉米单株分割，生成原始单株点云数据，再进一步使用统计分析滤波方法，对生成的原始单株点云数据进行滤波处理，去除玉米点云中的离群点，从而得到无离群点或噪声点的单株点云数据。由于种植管理原因，目标试验区域中部分玉米没有出苗，因此有一小部分区域内没有玉米植株，只有地面点云，需要后续处理识别出没有玉米植株的点云。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过对采集的原始点云数据进行点云配准、玉米行数据提取、点云数据精简、数据格式转换、单株玉米分割和滤波处理的方式，自动且快速将原始点云数据处理为单株点云数据，以此大幅提高了测量每个玉米植株的株高和茎粗的易实现性和可操作性，从而实现了目标试验区域内所有玉米植株的株高和茎粗的快速测量的目的。
可选的，所述确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据，包括：
首先，从所述单株点云数据中提取目标地面点云数据；再进一步基于所述玉米植株点云数据分别在Z轴的最大值和最小值，以及所述目标地面点云数据在Z轴的最大值，确定区域玉米植株点云数据；最后，对所述区域玉米植株点云数据进行分层处理，得到上层玉米植株点云数据和下层玉米植株点云数据。
具体的，从单株点云数据中提取目标地面点云数据，可以是基于单株点云数据获取目标地面点云数据，其获取过程可参见前述过程，此处不再赘述。
并且，玉米植株在生长过程中由于种植管理原因存在部分玉米没有出苗的情况，因此目标试验区域内有一小部分区域内没有玉米植株，只有地面点云，需要后续处理识别出没有玉米植株的点云数据，也即，判断玉米植株点云数据是否存在玉米植株，并对判定存在玉米植株的玉米植株点云数据进行点云分层处理，其过程包括：获取玉米植株点云数据在Z轴的最大值Pzmax0、最小值Pzmin0以及目标地面点云数据在Z轴的最大值Gzmax，如果Pzmax0-Pzmin0>0.10*Gp，并且Pzmax0-Gzmax>0.10*Gp时，可以认为玉米植株点云数据所在区域中可能存在玉米植株；反之，如果Pzmax0-Pzmin0≤0.10*Gp或者Pzmax0-Gzmax≤0.10*Gp时，可以认为玉米植株点云数据所在区域中不存在玉米植株；其中，Gp的取值可根据生长周期变化，苗期、拔节期、小喇叭口期和大喇叭口期时所对应的Gp分别取值为1、2、3、4。为了减少研究区域的点云数量和杂草的干扰，以及进一步判断是否存在玉米植株，使用直通滤波对可能存在玉米植株的玉米植株点云数据进行分层处理，获取玉米植株上层点云的XOY平面边界，再使用直通滤波获取该XOY平面边界范围内的植株和地面点云，以此得到新植株点云数据和新地面点云数据。然后，获取新植株点云数据在Z轴的最大值Pzmax1和最小值Pzmin1，如果Pzmax1-Pzmin1>0.10*Gp，则认为新植株点云数据所在区域中有玉米植株；反之，如果Pzmax1-Pzmin1≤0.10*Gp，则认为新植株点云数据所在区域中没有玉米植株。最后，再次使用直通滤波对新植株点云数据进行分层处理，得到上层玉米植株点云数据和下层玉米植株点云数据，上层玉米植株点云数据用来获取玉米植株最高点，下层玉米植株点云数据用来识别玉米基部和地面交界位置。
需要说明的是，使用直通滤波对点云数据进行分层处理，可以首先设置阈值，再通过判断点云数据中数据大于阈值或者小于等于阈值的方式将点云数据分为边界内和边界外，或者分为上层或下层。具体阈值的大小可以根据具体情况灵活设置。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，首先基于玉米植株点云数据分别在Z轴的最大值和最小值，以及从单株点云数据中提取的目标地面点云数据在Z轴的最大值，确定区域玉米植株点云数据，再进一步通过对区域玉米植株点云数据进行分层处理的方式得到上层玉米植株点云数据和下层玉米植株点云数据。以此结合最值比较的方式实现减少玉米植株点云数据中点云数据量、去除杂草干扰及提取存在玉米植株点云数据的区域玉米植株点云数据的目的，并通过分层处理的方式实现获取玉米植株最高点的上层玉米植株点云数据以及识别玉米基部和地面交界位置的下层玉米植株点云数据，从而提高了精准测量玉米株高和茎粗的可靠性和稳定性。
可选的，步骤130的具体实现过程可以包括：
对所述有效区域玉米点云数据进行圆柱分割及点云图像转换，得到玉米区域灰度图像；对所述玉米区域灰度图像进行图像增强，得到玉米区域灰度增强图像；对所述玉米区域灰度增强图像进行图像椭圆拟合，得到玉米椭圆区域参数；对所述玉米椭圆区域参数进行点云茎叶分割，得到玉米茎秆点云数据和非茎秆点云数据。
具体的，使用现有的圆柱分割算法对有效区域玉米点云数据进行圆柱分割，并将圆柱分割的点云数据投影在XOY平面上，再对投影在XOY平面上的点云数据进行点云图像转换，也即进行网格化处理，每个网格的边长为0.005m，统计每个网格中的点云数量，并将每个网格中的点云数量作为灰度值，从而生成玉米区域灰度图像。
然后，对生成的玉米区域灰度图像进行图像增强，其过程包括：计算玉米区域灰度图像中像素的平均灰度值GA1，将玉米区域灰度图像中每个像素的灰度值与GA1比较，将玉米区域灰度图像中小于GA1的像素的灰度值均置为0，以及统计玉米区域灰度图像中大于等于GA1的像素个数W并累加W个像素的灰度值，并计算该W个像素的平均灰度值GA2，W为正整数；再进一步将玉米区域灰度图像中每个像素的灰度值与GA2比较，将玉米区域灰度图像中小于GA2的像素的灰度值置为0，以及将玉米区域灰度图像中大于等于GA2的像素的灰度值置为255，此时生成的灰度图像中灰度值为255的像素包围着一些灰度值为0的像素，将该灰度值为0的像素的灰度值均置为255，从而得到玉米区域灰度增强图像。
为了提高玉米区域灰度增强图像的分辨率，可将玉米区域灰度增强图像的边长扩大K倍、将灰度值大于0的像素的灰度值置255，K∈[6,10]，优选K取值为6；再对玉米区域灰度增强图像进行高斯模糊处理，进一步对高斯处理后的玉米区域灰度增强图像进行边缘检测，并提取边缘像素点，最后对提取的边缘像素点进行图像椭圆拟合，得到玉米椭圆区域参数，玉米椭圆区域参数包括玉米椭圆区域的中心坐标、长半轴、短半轴和旋转角度。
最后，对玉米椭圆区域参数进行点云茎叶分割的过程包括：使用式(2)将生成的玉米椭圆区域参数从图像坐标系转换到点云坐标系，对应生成点云坐标系下点云椭圆的参数，统计点云椭圆内点云的数量Ne0，中心坐标和旋转角度均不变，将点云椭圆的长半轴和短半轴分别增加0.002m，得到第1个新点云椭圆，统计第1个新点云椭圆内的点云数量Ne1，统计第1个新点云椭圆环内的点云数量Nr0＝Ne1-Ne0；再对第1个新点云椭圆的长半轴和短半轴再增加0.002m，得到第2个新点云椭圆，计算第2个新点云椭圆环内的点云数量Nr2，以此方式重复统计第i个新点云椭圆环内的点云数量Nri-1＝Nei-Nei-1，i＝1,2…10；如果满足i>10或者Nri＜Nr0*0.6或者(Nri-1-Nri)/Nri>0.2，则停止长半轴和短半轴的增加操作，并确定增加操作停止时对应的目标点云椭圆，将目标点云椭圆内的点云数据确定为如图6中(a)所示的玉米茎秆点云数据，将目标点云椭圆外至目标边界内的点云数据确定为如图6中(b)所示的非茎秆点云数据，非茎秆点云数据为叶片点云数据和部分目标地面点云数据，目标边界为聚类玉米点云数据或目标聚类玉米点云数据所在区域的边界，部分目标地面点云数据为玉米茎秆点云数据所在区域在目标地面点云数据中的地面点云数据。
Figure BDA0003503938830000161
其中，(x，y)为玉米椭圆区域参数在点云坐标系中的坐标，(x’，y’)为玉米椭圆区域参数在图像坐标系中的坐标，minP.x为玉米椭圆区域参数在点云坐标系中的X轴最小值，minP.y为玉米椭圆区域参数在点云坐标系中的Y轴最小值，k为玉米椭圆区域参数在图像坐标系中每个像素的距离。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过对有效区域玉米点云数据进行圆柱分割、点云图像转换、图像增强、图像椭圆拟合和点云茎叶分割的方式得到玉米茎秆点云数据和非茎秆点云数据，自动且快速将有效区域玉米点云数据点云图像转换茎叶分割处理为玉米茎秆点云数据和非茎秆点云数据，从而为后续精确测量玉米株高和茎粗提供数据保障。
可选的，步骤140的具体实现过程可以包括：
对所述上层玉米植株点云数据进行最大值遍历，以及对所述玉米茎秆点云数据进行最小值遍历，得到玉米株高；从所述非茎秆点云数据中提取表征地面和叶片之间关系的玉米茎秆点云数据，并对所述玉米茎秆点云数据进行椭圆拟合，得到玉米茎粗。
具体的，基于上层玉米植株点云数据、玉米茎秆点云数据和非茎秆点云数据，使用最值遍历、叶片位置识别和最小二乘椭圆拟合实现自动测量目标试验区域内的玉米株高和茎粗长轴、短轴的测量。
针对玉米株高测量，关键是获取玉米株高的最高点及识别玉米植株基部和地面的交界位置，其测量过程包括：对上层玉米植株点云数据进行最大值遍历，也即设置最大值变量为MAX，且MAX的初值为上层玉米植株点云数据中第1个点云数据的Z轴坐标值，将MAX与上层玉米植株点云数据中第d个点云数据的Z轴坐标值进行大小比较，如果MAX大于等于第d个点云数据的Z轴坐标值，则不进行任何操作；反之，如果MAX小于第d个点云数据的Z轴坐标值，则将MAX更新为第d个点云数据的Z轴坐标值，d∈[2，D]，D为大于2的整数，D为上层玉米植株点云数据中点云数据的总个数。以此方式遍历上层玉米植株点云数据中的D个点云数据，并将遍历停止时对应的MAX的取值，作为玉米植株的最高点Z轴坐标Hm。
然后，对玉米茎秆点云数据进行最小值遍历，也即设置最小值变量为MIN，且MIN的初值为玉米茎秆点云数据中第1个点云数据的Z轴坐标值，将MIN与玉米茎秆点云数据中第f个点云数据的Z轴坐标值进行大小比较，如果MIN小于等于第f个点云数据的Z轴坐标值，则不进行任何操作；反之，如果MIN大于第f个点云数据的Z轴坐标值，则将MIN更新为第f个点云数据的Z轴坐标值，f∈[2，F]，F为大于2的整数，F为玉米茎秆点云数据中点云数据的总个数。以此方式遍历玉米茎秆点云数据中的F个点云数据，并将遍历停止时对应的MIN的取值，作为玉米茎秆的最低点Z轴坐标Lm，以此得到玉米株高H＝Hm–Lm。以此采用最值遍历的方法获取玉米植株最高点和茎秆与地面的交界位置，实现了玉米株高的测量。
针对玉米茎粗测量，可以认为是针对玉米茎杆长轴、短轴的测量，玉米茎粗长轴、短轴的测量关键是准确提取玉米茎粗测量位置的茎秆点云数据，玉米茎粗测量位置为玉米基部第二叶与第三叶之间的茎秆或者第三叶与第四叶之间的茎秆，由于所采集的原始点云数据由于玉米基部第一叶和第二叶枯萎或者与地面黏连无法识别，并且在点云测量中，测量位置为玉米基部与第一叶之间的茎秆或者第一叶与第二叶之间的茎秆。因此，从非茎秆点云数据中提取表征地面和叶片之间关系的玉米茎秆点云数据，可以先对非茎秆点云数据进行统计滤波处理，以去除离群点，再对统计滤波处理后的非茎秆点云数据进行欧式聚类，得到至少一个聚类非茎秆点云数据，通过对每个聚类非茎秆点云数据的最低点Z轴坐标值从最低点到最高点进行排序，以此识别地面、第一叶和第二叶，如果有第二叶，优先提取第一叶和第二叶之间茎秆固定长度的点云数据作为表征地面和叶片之间关系的玉米茎秆点云数据，如果没有第二叶，则提取地面和第一叶之间茎秆固定长度的点云数据作为表征地面和叶片之间关系的玉米茎秆点云数据；最后，对玉米茎秆点云数据进行最小二乘椭圆拟合，从而计算得到玉米茎秆的长轴和短轴，也即得到了玉米茎粗。以此采用欧氏聚类的方法识别地面、第一叶和第二叶位置，依据通过直通滤波获取玉米茎秆点云数据，使用椭圆拟合测量玉米茎粗长轴和短轴。
本发明提供的基于点云图像转换的玉米株高茎粗测量方法，通过对上层玉米植株点云数据进行最大值遍历以及对玉米茎秆点云数据进行最小值遍历的方式得到玉米株高，并通过对非茎秆点云数据中表征地面和叶片之间关系的玉米茎秆点云数据进行椭圆拟合的方式得到玉米茎粗，以此结合最值遍历、茎秆点云提取和椭圆拟合的方式，实现自动且快速测量玉米株高和茎粗的目的，从而提高了测量玉米株高和茎粗的准确性和连续性。
下面对本发明提供的基于点云图像转换的玉米株高茎粗测量装置进行描述，下文描述的基于点云图像转换的玉米株高茎粗测量装置与上文描述的基于点云图像转换的玉米株高茎粗测量方法可相互对应参照。
如图7所示，本发明提供一种基于点云图像转换的玉米株高茎粗测量装置，在图7中，该基于点云图像转换的玉米株高茎粗测量装置700，包括：获取模块710，用于获取不同玉米品种在不同生长周期的原始点云数据；处理模块720，用于将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；分割模块730，用于对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；测量模块740，用于基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
可选的，获取模块710，具体可以用于选取目标试验区域，所述目标试验区域中包括不同玉米品种在不同生长周期的玉米植株；基于所述目标试验区域，确定点云采集的站点，并获取所述站点采集的原始点云数据。
可选的，处理模块720，具体可以用于对所述原始点云数据进行单株点云识别处理，得到单株点云数据；对所述单株点云数据进行平面分割，得到玉米植株点云数据；确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据；提取所述下层玉米植株点云数据中的预设高度玉米点云数据，并对所述预设高度玉米点云数据进行欧式聚类，得到有效区域玉米点云数据。
可选的，处理模块720，具体还可以用于对所述原始点云数据进行点云数据配准，得到点云配准数据；对所述点云配准数据进行玉米行数据提取，得到高密度点云数据；对所述高密度点云数据进行点云数据精简，得到点云精简数据；对所述点云精简数据进行数据格式转换，得到点云格式数据；对所述点云格式数据进行单株分割和滤波处理，得到单株点云数据。
可选的，处理模块720，具体还可以用于从所述单株点云数据中提取目标地面点云数据；基于所述玉米植株点云数据分别在Z轴的最大值和最小值，以及所述目标地面点云数据在Z轴的最大值，确定区域玉米植株点云数据；对所述区域玉米植株点云数据进行分层处理，得到上层玉米植株点云数据和下层玉米植株点云数据。
可选的，分割模块730，具体可以用于对所述有效区域玉米点云数据进行圆柱分割及点云图像转换，得到玉米区域灰度图像；对所述玉米区域灰度图像进行图像增强，得到玉米区域灰度增强图像；对所述玉米区域灰度增强图像进行图像椭圆拟合，得到玉米椭圆区域参数；对所述玉米椭圆区域参数进行点云茎叶分割，得到玉米茎秆点云数据和非茎秆点云数据。
可选的，测量模块740，具体可以用于对所述上层玉米植株点云数据进行最大值遍历，以及对所述玉米茎秆点云数据进行最小值遍历，得到玉米株高；从所述非茎秆点云数据中提取表征地面和叶片之间关系的玉米茎秆点云数据，并对所述玉米茎秆点云数据进行椭圆拟合，得到玉米茎粗。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备800可以包括：处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于点云图像转换的玉米株高茎粗测量方法，该方法包括：
获取不同玉米品种在不同生长周期的原始点云数据；
将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
此外，上述的存储器830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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、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计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于点云图像转换的玉米株高茎粗测量方法，该方法包括：
获取不同玉米品种在不同生长周期的原始点云数据；
将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
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方法提供的基于点云图像转换的玉米株高茎粗测量方法，该方法包括：
获取不同玉米品种在不同生长周期的原始点云数据；
将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
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)

1.一种基于点云图像转换的玉米株高茎粗测量方法，其特征在于，包括：
获取不同玉米品种在不同生长周期的原始点云数据；
将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
2.根据权利要求1所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据，包括：
对所述原始点云数据进行单株点云识别处理，得到单株点云数据；
对所述单株点云数据进行平面分割，得到玉米植株点云数据；
确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据；
提取所述下层玉米植株点云数据中的预设高度玉米点云数据，并对所述预设高度玉米点云数据进行欧式聚类，得到有效区域玉米点云数据。
3.根据权利要求2所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述对所述原始点云数据进行单株点云识别处理，得到单株点云数据，包括：
对所述原始点云数据进行点云数据配准，得到点云配准数据；
对所述点云配准数据进行玉米行数据提取，得到高密度点云数据；
对所述高密度点云数据进行点云数据精简，得到点云精简数据；
对所述点云精简数据进行数据格式转换，得到点云格式数据；
对所述点云格式数据进行单株分割和滤波处理，得到单株点云数据。
4.根据权利要求2所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述确定所述玉米植株点云数据的上层玉米植株点云数据和下层玉米植株点云数据，包括：
从所述单株点云数据中提取目标地面点云数据；
基于所述玉米植株点云数据分别在Z轴的最大值和最小值，以及所述目标地面点云数据在Z轴的最大值，确定区域玉米植株点云数据；
对所述区域玉米植株点云数据进行分层处理，得到上层玉米植株点云数据和下层玉米植株点云数据。
5.根据权利要求1所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据，包括：
对所述有效区域玉米点云数据进行圆柱分割及点云图像转换，得到玉米区域灰度图像；
对所述玉米区域灰度图像进行图像增强，得到玉米区域灰度增强图像；
对所述玉米区域灰度增强图像进行图像椭圆拟合，得到玉米椭圆区域参数；
对所述玉米椭圆区域参数进行点云茎叶分割，得到玉米茎秆点云数据和非茎秆点云数据。
6.根据权利要求1所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗，包括：
对所述上层玉米植株点云数据进行最大值遍历，以及对所述玉米茎秆点云数据进行最小值遍历，得到玉米株高；
从所述非茎秆点云数据中提取表征地面和叶片之间关系的玉米茎秆点云数据，并对所述玉米茎秆点云数据进行椭圆拟合，得到玉米茎粗。
7.根据权利要求1所述的基于点云图像转换的玉米株高茎粗测量方法，其特征在于，所述获取不同玉米品种在不同生长周期的原始点云数据，包括：
选取目标试验区域，所述目标试验区域中包括不同玉米品种在不同生长周期的玉米植株；
基于所述目标试验区域，确定点云采集的站点，并获取所述站点采集的原始点云数据。
8.一种基于点云图像转换的玉米株高茎粗测量装置，其特征在于，包括：
获取模块，用于获取不同玉米品种在不同生长周期的原始点云数据；
处理模块，用于将所述原始点云数据处理为上层玉米植株点云数据和有效区域玉米点云数据；
分割模块，用于对所述有效区域玉米点云数据进行点云图像转换茎叶分割处理，得到玉米茎秆点云数据和非茎秆点云数据；
测量模块，用于基于对所述上层玉米植株点云数据、所述玉米茎秆点云数据和所述非茎秆点云数据的测量处理，得到玉米株高和茎粗。
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任一项所述基于点云图像转换的玉米株高茎粗测量方法。
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任一项所述基于点云图像转换的玉米株高茎粗测量方法。
CN202210134632.1A 2022-02-14 2022-02-14 基于点云图像转换的玉米株高茎粗测量方法及装置 Withdrawn CN114581450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210134632.1A CN114581450A (zh) 2022-02-14 2022-02-14 基于点云图像转换的玉米株高茎粗测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210134632.1A CN114581450A (zh) 2022-02-14 2022-02-14 基于点云图像转换的玉米株高茎粗测量方法及装置

Publications (1)

Publication Number Publication Date
CN114581450A true CN114581450A (zh) 2022-06-03

Family

ID=81773416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210134632.1A Withdrawn CN114581450A (zh) 2022-02-14 2022-02-14 基于点云图像转换的玉米株高茎粗测量方法及装置

Country Status (1)

Country Link
CN (1) CN114581450A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856923A (zh) * 2023-02-27 2023-03-28 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 矿卡卸料用时的测量方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856923A (zh) * 2023-02-27 2023-03-28 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 矿卡卸料用时的测量方法、装置、设备及存储介质
CN115856923B (zh) * 2023-02-27 2023-06-16 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 矿卡卸料用时的测量方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112381861B (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
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Malambo et al. Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data
CN112418188B (zh) 基于无人机视觉的农作物生长全程数字化评估方法
Gobeawan et al. Modeling trees for virtual Singapore: From data acquisition to CityGML models
WO2022067598A1 (en) Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization
Peuhkurinen et al. Preharvest measurement of marked stands using airborne laser scanning
CN110598532B (zh) 一种树木病虫害监控系统及方法
Zhou et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images
WO2014054042A1 (en) Device and method for detecting plantation rows
CN113920106B (zh) 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法
CN111291686B (zh) 农作物根果表型参数的提取与根果表型判别方法及系统
CN111918547B (zh) 树冠识别装置、识别方法、程序和记录介质
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
CN113688909B (zh) 一种生态区土地分类方法、装置及电子设备
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
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
CN114581450A (zh) 基于点云图像转换的玉米株高茎粗测量方法及装置
CN114136208A (zh) 一种无损估算立木材积的低成本树木结构自动重建方法
CN117593387A (zh) 一种作物冠层覆盖率评价方法及系统
CN117218525A (zh) 植株表型参数提取方法、装置、设备和存储介质
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
CN112241440A (zh) 一种基于LiDAR点云数据的三维绿量估算及管理方法
CN116129258A (zh) 基于郁闭度和多源遥感影像的柑橘地块识别方法和系统
CN115620171A (zh) 树林蓄积量评估方法、装置、设备及存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220603

WW01 Invention patent application withdrawn after publication