CN116152256A - 树木生长模拟方法、装置、设备和存储介质 - Google Patents

树木生长模拟方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116152256A
CN116152256A CN202310434618.8A CN202310434618A CN116152256A CN 116152256 A CN116152256 A CN 116152256A CN 202310434618 A CN202310434618 A CN 202310434618A CN 116152256 A CN116152256 A CN 116152256A
Authority
CN
China
Prior art keywords
growth
tree
point cloud
period
cloud 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.)
Pending
Application number
CN202310434618.8A
Other languages
English (en)
Inventor
李倩
伍艳妮
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.)
Changsha Nengchuan Information Technology Co ltd
Original Assignee
Changsha Nengchuan Information Technology Co ltd
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 Changsha Nengchuan Information Technology Co ltd filed Critical Changsha Nengchuan Information Technology Co ltd
Priority to CN202310434618.8A priority Critical patent/CN116152256A/zh
Publication of CN116152256A publication Critical patent/CN116152256A/zh
Pending 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G01B11/08—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
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20072—Graph-based image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种树木生长模拟方法、装置、设备和存储介质，该方法包括：获取对树木拍摄得到的点云数据；根据点云数据进行分析，获取树木下一生长周期的生长数据；根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量；根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果，实现在没有模型重建的条件下模拟了树木生长，精简操作步骤，提高了模拟效率。

Description

树木生长模拟方法、装置、设备和存储介质
技术领域
本申请涉及数据识别技术领域，特别是涉及一种树木生长模拟方法、装置、设备和存储介质。
背景技术
点云技术经过不断的发展，利用激光扫描仪、激光雷达等设备可以快速、低成本地获取物体的点云数据，点云数据也被越来越多的领域使用，基于点云数据展示场景的需求随之增加。而在点云数据的应用中，模拟树木生长在虚拟现实、场景模拟、农林业测量、数字孪生等领域具有重要价值。
传统的树木生长模拟方法，通过建模技术将点云数据重新建模，再对模型进行模拟生长。然而，这种方法的实质是对实体模型数据的模拟，使操作步骤变得更为繁琐，面对大批量的点云数据时，将会给电脑处理器增添较大的压力，传统的树木生长模拟方法存在模拟效率低的缺点。
发明内容
基于此，有必要针对上述问题，提供一种可提高模拟效率的树木生长模拟方法、装置、设备和存储介质。
第一方面，本申请提供了一种树木生长模拟方法，包括：
获取对树木拍摄得到的点云数据；
根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据；
根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量；
根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
在其中一个实施例中，所述生长数据包括高度生长量与冠径生长量；所述根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据，包括：
根据所述点云数据获取所述树木的树木冠径和树木株高，基于所述树木的树木冠径和树木株高确定所述树木的树龄；
根据所述树木的树龄、树木冠径以及树木株高，获取所述树木下一生长周期的高度生长量与冠径生长量。
在其中一个实施例中，所述根据所述点云数据获取所述树木的树木冠径和树木株高，包括：
将所述点云数据加载到cesium平台，通过所述cesium平台的视图获取树木冠径和树木株高。
在其中一个实施例中，所述根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量，包括：
根据所述点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；
将所述树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；
根据所述连线的连线距离和水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
在其中一个实施例中，所述根据所述连线的连线距离和水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量，包括：
提取连线距离大于预设的最小阈值的连线，作为目标连线；
根据所述目标连线的水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到所述树木在对应目标连线方向下一生长周期的方向生长量。
在其中一个实施例中，所述根据所述目标连线的水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到所述树木在对应目标连线方向下一生长周期的方向生长量，包括：
Figure SMS_1
其中，h为所述树木下一生长周期的高度生长量，w为所述树木下一生长周期的冠径生长量，β为所述目标连线的水平夹角，p为所述目标连线方向下一生长周期的方向生长量。
在其中一个实施例中，所述根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果，包括：
将所述树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；
将各所述目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入所述生长模拟点集；所述树木生长模拟结果包括所述生长模拟点集。
第二方面，本申请提供了一种树木生长模拟装置，包括：
数据获取模块，用于获取对树木拍摄得到的点云数据；
数据分析模块，用于根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据；
数据处理模块，用于根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量；
生长模拟模块，用于根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述树木生长模拟方法、装置、设备和存储介质，根据对树木拍摄得到的点云数据进行分析，获取树木下一生长周期的生长数据，再根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量，最后根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果，实现在没有模型重建的条件下模拟了树木生长，精简操作步骤，提高了模拟效率。
附图说明
图1为一个实施例中树木生长模拟方法的流程示意图；
图2为一个实施例中根据点云数据进行分析，获取树木下一生长周期的生长数据的流程示意图；
图3为一个实施例中根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量的流程示意图；
图4为一个实施例中根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量的流程示意图；
图5为一个实施例中根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果的流程示意图；
图6为一个实施例中模拟松树点云数据生长整体流程图；
图7为一个实施例中计算方向生长向量模拟生长流程图；
图8为一个实施例中树木生长模拟装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在松树的生长过程中，需要对松树生长情况进行监控，及时发现生长时与其他地物接触造成的危险。传统松树生长判断方法，过于依赖个人的主观经验来判断树苗的生长情况，需要大量有经验的员工，耗费人力。而随着3d扫描技术的进步，已能将一棵树的大部分外观信息以点云的方式数字化。因此在数字化、信息化和全国农业信息化建设的背景下，利用树木的点云数据准确获得树木的生长参数，并通过该生长参数来远程地、更为科学地判断树木的生长情况能够弥补传统方法的缺陷，具有重要的应用价值。
当前的松树生长模拟方法，多集中于通过建模技术将点云数据重新建模，再对模型进行模拟生长。然而，这种方法的实质是对实体模型数据的模拟，并非直接模拟点云数据生长，使操作步骤变得更为繁琐，面对大批量的点云数据时，将会给电脑处理器增添较大的压力。基于此，本申请提供一种树木生长模拟方法，根据获取的点云数据确定树木所处的生长阶段，结合树木的生长规则，获取树木树高与冠径的预计年生长数据，对树木点云数据进行模拟生长。
在一个实施例中，提供了一种树木生长模拟方法，适用于模拟预测松树点云数据生长情况。如图1所示，该方法包括：
步骤S100：获取对树木拍摄得到的点云数据。其中，可通过处理器接收预处理后的点云数据，用作后续进行树木生长模拟。预处理后的点云数据，为将拍摄的点云数据进行预处理得到。具体地，可通过激光扫描仪、激光雷达等设备对树木进行拍摄，在对拍摄得到的点云数据进行预处理，例如进行数据格式转换、数据筛选等预处理后，将预处理后的点云数据发送给处理器。
步骤S200：根据点云数据进行分析，获取树木下一生长周期的生长数据。
其中，生长数据的具体内容也不是唯一的，例如可包括树木的高度生长量、冠径生长量等。生长周期可以是一个季度、一年或两年等，可根据实际情况进行设置。本实施例中，生长周期为一年。对应地，处理器在接收到预处理后的点云数据后，根据接收的点云数据进行数据分析，计算树木所处的生长阶段，并结合树木的生长规则获取树木接下来一年的高度生长量与冠径生长量，以用作对树木的点云数据进行模拟生长。
在一个实施例中，生长数据包括高度生长量与冠径生长量。如图2所示，步骤S200包括步骤S220和步骤S240。
步骤S220：根据点云数据获取树木的树木冠径和树木株高，基于树木的树木冠径和树木株高确定树木的树龄。其中，步骤S220包括：将点云数据加载到cesium平台，通过cesium平台的视图获取树木冠径和树木株高。具体地，可将预处理后的点云数据加载到cesium平台，通过cesium平台进行俯视图和侧视图展示，根据俯视图展示的点集获取树木冠径，以及根据侧视图获取树木的点云最高点与点云最低点之间的距离作为树木株高。处理器可预先存储树木的株高、冠径与树龄的对应关系，在确定实际的树木冠径和树木株高后，可直接获取树木的树龄。
步骤S240：根据树木的树龄、树木冠径以及树木株高，获取树木下一生长周期的高度生长量与冠径生长量。进一步地，还可预先分析不同树龄时实际的树木冠径、树木株高，与下一生长周期的高度生长量与冠径生长量的对应关系，将这些作为树木的生长规则数据保存在处理器中，处理器在确定树木实际的树龄、树木冠径以及树木株高之后，结合生长规则数据可获取到树木下一生长周期的高度生长量与冠径生长量。
步骤S300：根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量。对应地，处理器在确定树木下一生长周期的高度生长量与冠径生长量之后，结合接收的点云数据确定树木下一生长周期的方向生长量。在一个实施例中，如图3所示，步骤S300包括步骤S320至步骤S360。
步骤S320：根据点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集。其中，kd-Tree简称k维树，是一种查询索引结构，常被用于高维空间中的搜索，比如范围搜索和最近邻搜索。通过kd-Tree算法对三维点云数据进行检索，可以减少很多的时间消耗，还可以确保点云的关联点寻找和配准处于实时的状态。具体地，处理器利用kd-Tree算法，根据点云密度可以迅速将点云数据进行树干、树叶分离处理，获得树干点集和树叶点集。
步骤S340：将树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角。处理器在获取得到树干点集之后，以树干点集中的最低点为主节点，循环连接其他所有属于树干点集的点，连线距离为L，水平夹角为β。
步骤S360：根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。具体地，处理器可以是将树木下一生长周期的高度生长量与冠径生长量，分别作为连线的竖直增量和水平增量，再根据各连线的连线距离和水平夹角，分别计算各连线所对应的树木下一生长周期的方向生长量。此外，处理器也可以是先根据连线距离对各连线进行筛选，计算符合要求的连线所对应的树木下一生长周期的方向生长量。
在一个实施例中，如图4所示，步骤S360包括步骤S362和步骤S364。
步骤S362：提取连线距离大于预设的最小阈值的连线，作为目标连线。其中，最小阈值的取值也不是唯一的，可根据实际需要进行设置。处理器在获取树干点集中主节点与其他点之间连线的连线距离后，将各连线的连线距离与最小阈值进行对比，提取连线距离大于最小阈值的连线作为目标连线，后续针对目标连线进行方向生长量计算，更准确的模拟树木的生长。
步骤S364：根据目标连线的水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木在对应目标连线方向下一生长周期的方向生长量。具体地，本实施例中，步骤S364包括：
Figure SMS_2
其中，h为树木下一生长周期的高度生长量，w为树木下一生长周期的冠径生长量，β为目标连线的水平夹角，p为目标连线方向下一生长周期的方向生长量。
步骤S400：根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。对应地，在确定树木在各目标连线方向下一生长周期的方向生长量之后，再结合树干点集中连线距离小于或等于最小阈值的点，可得到树木生长模拟结果。
在一个实施例中，如图5所示，步骤S400包括步骤S420和步骤S440。
步骤S420：将树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集。具体地，将树干点集中与主节点距离小于或等于最小阈值的树干点作为不生长区域，将不生长区域的点存入生长模拟点集。
步骤S440：将各目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入生长模拟点集；树木生长模拟结果包括生长模拟点集。具体地，对于树干点集中与主节点距离大于最小阈值的树干点，在各树干点所对应连线方向上延长下一生长周期的方向生长量得到生长点，将所有生长点也存入生长模拟点集。
为便于更好地理解上述树木生长模拟方法，下面以根据点云数据模拟松树生长为例进行详细解释说明。
如图6和图7所示，本申请提供了一种点云数据模拟松树生长的方法，具体包括：
1、将预处理后的点云数据加载到cesium平台，获取树木冠径和树木株高，通过树木株高与树木冠径得知松树的树龄及生长情况。
2、对比松树生长规则，获取松树接下来一年的高度生长量h与冠径生长量w。
3、模拟松树点云生长步骤，具体包括：
3.1、利用kd-Tree算法根据点云密度，迅速将点云数据进行树干、树叶分离处理获得树干点集和树叶点集。
3.2、以树干点集的最低点为主节点，循环连接其他所有属于树干点集的点,连线距离为L，与水平地面夹角（即水平夹角）为β。
3.3、将高度生长量h、冠径生长量w，分别作为连线的竖直增量和水平增量，方向生长量p的计算公式如下：
Figure SMS_3
3.4、设置最小阈值M，当连线距离L≤最小阈值M时为不生长区域，将不生长区域的点存入生长模拟点集S；当连线距离L>最小阈值M时,将主节点到树干点方向的连线延长方向生长量p到生长点d，将所有生长后的松树生长点d存入生长模拟点集S，模拟松树点云生长结果为生长模拟点集S。
上述模拟松树点云数据生长的方法，将松树点云分割成树叶与树干，结合cesium获取松树的树高与冠径，通过松树生长规则得到松树年龄及下一年的高度生长量、冠径生长量，从而计算出从树干最低点到每个点的方向生长量，实现模拟松树生长方法，该方法在没有模型重建的条件下模拟了松树生长，精简操作步骤，提高完成效率，模拟生长后的数据量小,不仅可以远程地更为科学地判断树木的生长情况，更便于生长结果的空间计算与分析。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的树木生长模拟方法的树木生长模拟装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个树木生长模拟装置实施例中的具体限定可以参见上文中对于树木生长模拟方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种树木生长模拟装置，包括：数据获取模块100、数据分析模块200、数据处理模块300和生长模拟模块400，其中：
数据获取模块100用于获取对树木拍摄得到的点云数据。
数据分析模块200用于根据点云数据进行分析，获取树木下一生长周期的生长数据。
数据处理模块300用于根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量。
生长模拟模块400用于根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
在一个实施例中，数据分析模块200根据点云数据获取树木的树木冠径和树木株高，基于树木的树木冠径和树木株高确定树木的树龄；根据树木的树龄、树木冠径以及树木株高，获取树木下一生长周期的高度生长量与冠径生长量。
在一个实施例中，数据分析模块200将点云数据加载到cesium平台，通过cesium平台的视图获取树木冠径和树木株高。
在一个实施例中，数据处理模块300根据点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；将树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
在一个实施例中，数据处理模块300提取连线距离大于预设的最小阈值的连线，作为目标连线；根据目标连线的水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木在对应目标连线方向下一生长周期的方向生长量。
在一个实施例中，生长模拟模块400将树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；将各目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入生长模拟点集；树木生长模拟结果包括生长模拟点集。
上述树木生长模拟装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种树木生长模拟方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取对树木拍摄得到的点云数据；根据点云数据进行分析，获取树木下一生长周期的生长数据；根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量；根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
在一个实施例中，生长数据包括高度生长量与冠径生长量；处理器执行计算机程序时还实现以下步骤：根据点云数据获取树木的树木冠径和树木株高，基于树木的树木冠径和树木株高确定树木的树龄；根据树木的树龄、树木冠径以及树木株高，获取树木下一生长周期的高度生长量与冠径生长量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将点云数据加载到cesium平台，通过cesium平台的视图获取树木冠径和树木株高。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；将树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取连线距离大于预设的最小阈值的连线，作为目标连线；根据目标连线的水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木在对应目标连线方向下一生长周期的方向生长量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；将各目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入生长模拟点集；树木生长模拟结果包括生长模拟点集。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取对树木拍摄得到的点云数据；根据点云数据进行分析，获取树木下一生长周期的生长数据；根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量；根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
在一个实施例中，生长数据包括高度生长量与冠径生长量；计算机程序被处理器执行时还实现以下步骤：根据点云数据获取树木的树木冠径和树木株高，基于树木的树木冠径和树木株高确定树木的树龄；根据树木的树龄、树木冠径以及树木株高，获取树木下一生长周期的高度生长量与冠径生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将点云数据加载到cesium平台，通过cesium平台的视图获取树木冠径和树木株高。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；将树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取连线距离大于预设的最小阈值的连线，作为目标连线；根据目标连线的水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木在对应目标连线方向下一生长周期的方向生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；将各目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入生长模拟点集；树木生长模拟结果包括生长模拟点集。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取对树木拍摄得到的点云数据；根据点云数据进行分析，获取树木下一生长周期的生长数据；根据点云数据和树木下一生长周期的生长数据，确定树木下一生长周期的方向生长量；根据树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
在一个实施例中，生长数据包括高度生长量与冠径生长量；计算机程序被处理器执行时还实现以下步骤：根据点云数据获取树木的树木冠径和树木株高，基于树木的树木冠径和树木株高确定树木的树龄；根据树木的树龄、树木冠径以及树木株高，获取树木下一生长周期的高度生长量与冠径生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将点云数据加载到cesium平台，通过cesium平台的视图获取树木冠径和树木株高。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；将树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；根据连线的连线距离和水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取连线距离大于预设的最小阈值的连线，作为目标连线；根据目标连线的水平夹角，以及树木下一生长周期的高度生长量与冠径生长量，计算得到树木在对应目标连线方向下一生长周期的方向生长量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；将各目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入生长模拟点集；树木生长模拟结果包括生长模拟点集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种树木生长模拟方法，其特征在于，包括：
获取对树木拍摄得到的点云数据；
根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据；
根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量；
根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
2.根据权利要求1所述的方法，其特征在于，所述生长数据包括高度生长量与冠径生长量；所述根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据，包括：
根据所述点云数据获取所述树木的树木冠径和树木株高，基于所述树木的树木冠径和树木株高确定所述树木的树龄；
根据所述树木的树龄、树木冠径以及树木株高，获取所述树木下一生长周期的高度生长量与冠径生长量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述点云数据获取所述树木的树木冠径和树木株高，包括：
将所述点云数据加载到cesium平台，通过所述cesium平台的视图获取树木冠径和树木株高。
4.根据权利要求2所述的方法，其特征在于，所述根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量，包括：
根据所述点云数据利用kd-Tree算法进行树干和树叶分离处理，提取得到树干点集；
将所述树干点集中的最低点依次与其他树干点连线，并提取各连线的连线距离和水平夹角；
根据所述连线的连线距离和水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述连线的连线距离和水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到树木下一生长周期的方向生长量，包括：
提取连线距离大于预设的最小阈值的连线，作为目标连线；
根据所述目标连线的水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到所述树木在对应目标连线方向下一生长周期的方向生长量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标连线的水平夹角，以及所述树木下一生长周期的高度生长量与冠径生长量，计算得到所述树木在对应目标连线方向下一生长周期的方向生长量，包括：
Figure QLYQS_1
其中，h为所述树木下一生长周期的高度生长量，w为所述树木下一生长周期的冠径生长量，β为所述目标连线的水平夹角，p为所述目标连线方向下一生长周期的方向生长量。
7.根据权利要求5所述的方法，其特征在于，所述根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果，包括：
将所述树干点集中与最低点的连线距离小于或等于最小阈值的树干点，作为不生长区域的点存入生长模拟点集；
将各所述目标连线延长对应目标连线方向下一生长周期的方向生长量，得到生长点存入所述生长模拟点集；所述树木生长模拟结果包括所述生长模拟点集。
8.一种树木生长模拟装置，其特征在于，包括：
数据获取模块，用于获取对树木拍摄得到的点云数据；
数据分析模块，用于根据所述点云数据进行分析，获取所述树木下一生长周期的生长数据；
数据处理模块，用于根据所述点云数据和所述树木下一生长周期的生长数据，确定所述树木下一生长周期的方向生长量；
生长模拟模块，用于根据所述树木下一生长周期的方向生长量进行生长模拟，得到树木生长模拟结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
CN202310434618.8A 2023-04-21 2023-04-21 树木生长模拟方法、装置、设备和存储介质 Pending CN116152256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310434618.8A CN116152256A (zh) 2023-04-21 2023-04-21 树木生长模拟方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310434618.8A CN116152256A (zh) 2023-04-21 2023-04-21 树木生长模拟方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116152256A true CN116152256A (zh) 2023-05-23

Family

ID=86351044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310434618.8A Pending CN116152256A (zh) 2023-04-21 2023-04-21 树木生长模拟方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116152256A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236535A1 (en) * 2003-03-31 2004-11-25 Geodeettinen Laitos Method, apparatus and program for determining growth of trees
CN102289846A (zh) * 2011-09-08 2011-12-21 北京林业大学 一种基于广义参数化建模的树木模拟方法
CN109215065A (zh) * 2018-09-07 2019-01-15 北京数字绿土科技有限公司 输电线路的树障隐患预测方法、装置和实现装置
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN113587896A (zh) * 2021-08-16 2021-11-02 山东省林业科学研究院 一种任意地形条件下树高树干长冠长高精度测量方法
CN114384534A (zh) * 2021-05-25 2022-04-22 国网福建省电力有限公司三明供电公司 一种无人机巡线的树障生长预测分析方法
CN115661404A (zh) * 2022-10-25 2023-01-31 北京航空航天大学 一种多细粒度树木实景参数化建模方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236535A1 (en) * 2003-03-31 2004-11-25 Geodeettinen Laitos Method, apparatus and program for determining growth of trees
CN102289846A (zh) * 2011-09-08 2011-12-21 北京林业大学 一种基于广义参数化建模的树木模拟方法
CN109215065A (zh) * 2018-09-07 2019-01-15 北京数字绿土科技有限公司 输电线路的树障隐患预测方法、装置和实现装置
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN114384534A (zh) * 2021-05-25 2022-04-22 国网福建省电力有限公司三明供电公司 一种无人机巡线的树障生长预测分析方法
CN113587896A (zh) * 2021-08-16 2021-11-02 山东省林业科学研究院 一种任意地形条件下树高树干长冠长高精度测量方法
CN115661404A (zh) * 2022-10-25 2023-01-31 北京航空航天大学 一种多细粒度树木实景参数化建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
POTAPOV I., JÄRVENPÄÄ M., ÅKERBLOM M., RAUMONEN P., KAASALAINEN M.: "Data-based stochastic modeling of tree growth and structure formation", 《SILVA FENNICA》, pages 1 - 11 *
王珊: "基于人工智能的虚拟树木生长过程模拟", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 1 - 70 *

Similar Documents

Publication Publication Date Title
Gibbs et al. Approaches to three-dimensional reconstruction of plant shoot topology and geometry
Sillett et al. Biomass and growth potential of Eucalyptus regnans up to 100 m tall
Zaragozí et al. Modelling farmland abandonment: A study combining GIS and data mining techniques
Godin et al. Plant architecture modelling: virtual plants and complex systems
CN106845428A (zh) 一种作物产量遥感估算方法及系统
Tang et al. Three-dimensional Forest growth simulation in virtual geographic environments
Chaudhury et al. 3D plant phenotyping: All you need is labelled point cloud data
Wen et al. 3D phytomer-based geometric modelling method for plants—the case of maize
CN110852149B (zh) 基于分类和回归树算法的植被指数预测方法、系统及设备
CN110826764B (zh) 基于随机森林算法的植被指数预测方法、系统及设备
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
Renton et al. Functional–structural plant modelling using a combination of architectural analysis, L-systems and a canonical model of function
Hu et al. A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images
Zhou et al. Deeptree: Modeling trees with situated latents
Yang et al. Prediction of corn variety yield with attribute-missing data via graph neural network
Lou et al. Growth parameter acquisition and geometric point cloud completion of lettuce
Hati et al. AI-driven pheno-parenting: a deep learning based plant phenotyping trait analysis model on a novel soilless farming dataset
CN110782089B (zh) 一种森林间伐方法及系统
González-Esquiva et al. Web application for analysis of digital photography in the estimation of irrigation requirements for lettuce crops
CN116152256A (zh) 树木生长模拟方法、装置、设备和存储介质
Gobeawan et al. Convenient tree species modeling for virtual cities
Maggioli et al. A physically-inspired approach to the simulation of plant wilting
CN116071653A (zh) 基于自然图像的树木多级枝干结构自动提取方法
Collin et al. Modelling of tree crowns with realistic morphological features: New reconstruction methodology based on Iterated Function System tool
Cournède et al. A forest growth simulator based on functional-structural modelling of individual trees

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230523