CN116523898A - 一种基于三维点云的烟草表型性状提取方法 - Google Patents
一种基于三维点云的烟草表型性状提取方法 Download PDFInfo
- Publication number
- CN116523898A CN116523898A CN202310616431.XA CN202310616431A CN116523898A CN 116523898 A CN116523898 A CN 116523898A CN 202310616431 A CN202310616431 A CN 202310616431A CN 116523898 A CN116523898 A CN 116523898A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- point cloud
- steps
- tobacco
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 72
- 238000000605 extraction Methods 0.000 title claims abstract description 56
- 244000061176 Nicotiana tabacum Species 0.000 title claims abstract description 51
- 241000196324 Embryophyta Species 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 210000000056 organ Anatomy 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 241000208125 Nicotiana Species 0.000 claims abstract 23
- 238000000034 method Methods 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 48
- 238000001914 filtration Methods 0.000 claims description 24
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 12
- 230000002093 peripheral effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000219194 Arabidopsis Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241001665752 Gypsophila repens Species 0.000 description 1
- 241000258241 Mantis Species 0.000 description 1
- 241001478428 Syngnathus Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于三维点云的烟草表型性状提取方法,包括如下步骤:步骤一、数据预处理:进行体素下采样处理、去噪处理和坐标校正,获得校正后烟草点云数据;步骤二、植株器官分割:先根据茎秆特征分割出茎秆,再完成叶片粗分割,然后进行重叠叶片的区分,获得茎秆和叶片的组成点;步骤三、叶片孔洞的检测及修补;步骤四、表型数据提取:株高的提取采用分段式近似测量株高的方式;叶面积的提取采用泊松表面重建算法进行叶片的网格化;叶夹角的提取时,先提取骨架点,求其与茎秆的直接夹角,然后通过计算的方式获得叶夹角。本发明不仅实现了烟草植株株高、叶片数量、叶面积、叶夹角等表型性状的提取工作,还提高了表型性状提取的准确度。
Description
技术领域
本发明属于植物表型数据测量提取技术领域,具体涉及一种基于三维点云的烟草表型性状提取方法。
背景技术
传统的植物表型数据大多是人工手动收集的,不仅低效耗时、成本高、难度大,而且精度不高、人工干预严重、主观意识强,甚至可能在采集过程中对植物造成破坏,而随着计算机视觉技术的问世,基于图像的植物表型提取技术得到迅速发展,其主要包括两大类,基于二维图像的表型提取技术和基于三维点云图像的表型提取技术。
其中二维图像的表型提取技术由于采集简单、成本低,当前在提取植物株高、株型和冠层面积测定等方面有较多应用。但是受二维图像缺乏空间深度信息特性限制,在实际应用中,为了解决实际三维空间的物体相互遮挡问题,对测量植物叶面积或叶夹角等性状,多采取有损测量方式,即将叶片或部分茎杆从植株中取下,置于二维平面上,进行图像采集。这种方式难以满足高通量、动态检测植株发育表型的需求,同时二维图像拍摄角度问题,实际物体尺寸可能与对照物品存在比例尺度变化问题,因此,该技术在应用中受到诸多因素制约,仅在特定场景下部分特定植物表型测量中被应用。与之相比,三维点云图像解决了二维图像空间深度信息缺失、物体相互遮挡的问题,能够很好地描述植物的三维空间信息、形状特征以及各种三维形态学参数,且其所提取的表型数据具有更高的精度和更佳的鲁棒性,为高通量测量植物表型特征提供了可能,使得在拟南芥、玉米、小麦、水稻等植物表型组学研究中成为研究热点。烟草作为重要的模式植物和经济作物之一,其生物量巨大,同时与玉米、小麦、水稻主要收获籽粒不同,叶片是其重要收获经济器官组织,对烟草而言研究株高、叶片数、叶面积、茎叶夹角等更为重要。因烟草叶片宽大且轮生,采集并处理其三维点云图像与已有研究植物相比,难度更有挑战性,使得至今仍旧没有一种能够准确获取烟草株高、叶片数量、叶面积,叶夹角等表型参数的三维点云植物提取方法。
基于此,急需研发一种基于三维点云的烟草表型性状提取方法,能够准确提取烟草植株的叶面积、茎叶夹角等性状,以期为烟草种质资源鉴定、轻简宜机烟草品种培育提供支撑,并为其他植物类似研究提供借鉴。
发明内容
本发明的目的在于克服现有植物表型提取技术的缺陷,发展一种基于三维点云的烟草表型性状提取方法,可准确获取烟草株高、叶片数量、叶面积,叶夹角等表型参数,实现烟草植株表型性状特征的快速高效获取。
为实现上述目的,本发明所采取的技术方案如下:
一种基于三维点云的烟草表型性状提取方法,包括如下步骤:
步骤一、数据预处理:依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正,获得校正后烟草点云数据;
步骤二、植株器官分割:先根据茎秆特征进行茎秆分割,再进行叶片分割(包括非重叠叶片和重叠叶片的分割),获得茎秆和叶片的组成点;
其中,茎秆分割时,首先采用逐步筛选的方式对茎秆进行初筛,然后去除茎秆上粘连的叶片点后,得到茎秆的组成点;
叶片分割时,首先基于法向量的区域生长算法,初步分割开不同的叶片,然后采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割,最终获得各叶片的组成点;
步骤三、叶片孔洞的检测及修补
首先使用半径滤波对叶片进行初筛,筛选出近邻点少的点;然后判断所筛选出的近邻点少的点是边界点还是内部点,筛选出叶片的所有边界点;之后判断所筛选出的边界点是外围边界点还是孔洞边界点,筛选出所有的孔洞边界点,从而完成孔洞的检测;之后,采用三次曲面方程对叶片进行插值拟合,完成孔洞修补,获得最终的烟草点云数据;
步骤四、表型数据提取:利用孔洞修补后获得的最终的烟草点云数据,进行表型提取,获得植株的表型信息,所述表型包括株高、叶片数量、叶面积、叶夹角中的1个或多个;所述表型提取包括株高提取、叶片数量提取、叶面积提取、叶夹角提取中的1个或多个。
作为进一步的技术方案,步骤一中,所述原始点云图像数据是采用3D扫描设备对烟草植株进行扫描获得的;
步骤一中,依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正,获得校正后烟草点云数据,具体包括:
首先采用体素下采样的方法缩减原始点云图像数据的点数量,然后采用半径滤波和统计滤波过滤掉下采样得到的点云图像数据中的异常点和离群点,之后进行法向量估计,最后进行坐标校正,获得校正后烟草点云数据。
作为进一步的技术方案,所述法向量估计,具体操作如下:下采样得到的点云图像数据中任取一点为点p,利用k-d树找到点p的k个近邻点,然后将找到的所述k个近邻点和点p自身,采用主成分分析(PCA)算法求出k个近邻点和点p自身构成的协方差矩阵的最小特征值对应的特征向量,将所述特征向量作为该点p法向量的估计;
所述坐标校正,包括两个步骤:第一步,茎秆方向的估计:基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化,求得茎秆初始估计方向(记作);然后,对茎秆初始估计方向/>进行迭代修正,确定茎秆最终估计方向(记作/>),最后,将坐标系的z轴旋转至茎秆最终估计方向/>的位置,将下采样得到的点云图像数据中所有点投影到旋转后的xOy平面上,计算所有投影点的形心点坐标(x0.y0)后,平移原点O到所述形心点处以完成坐标校正,得到校正后的烟草点云数据。
作为进一步的技术方案,进行坐标校正时,基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化,求得茎秆初始估计方向具体包括如下步骤:
设下采样得到的点云图像数据中的点数为m,每个点的法向量为
设茎秆初始估计方向为求解如下最优化问题:
记将目标问题转化为:
求得茎秆初始估计方向
作为进一步的技术方案,进行坐标校正时,对茎秆初始估计方向进行迭代修正,确定茎秆最终估计方向/>具体包括如下步骤:
步骤(1)、置r=150mm,Δr=5mm;;
步骤(2)、以为母线,r为半径,提取圆柱体V;
步骤(3)、使用PCA算法提取圆柱体V的第一主成分方向
步骤(4)、若r<30mm,结束循环;否则置并缩减r为r-Δr,重复步骤(2)-步骤(4),直至循环结束,即可确定茎秆最终估计方向/>
作为进一步的技术方案,步骤二中,茎秆分割时,采用逐步筛选的方式对茎秆进行初筛,然后去除茎秆上粘连的叶片点后,得到茎秆的组成点,具体包括如下步骤:
步骤1)、基于坐标校正后获得的校正后烟草点云数据,使用xy方向上的直通滤波,筛选出原点附近的点;
步骤2)、基于重估计后的法向量(记为),将法向量/>单位化后,筛选出|nz|<0.2的数据点;
步骤3)、使用统计滤波过滤掉筛选出的|nz|<0.2的数据点中的异常点和离群点,完成初筛,获得初筛后点云数据;
步骤4)、将初筛后点云数据使用基于欧式距离的密度聚类算法进行聚类,筛选出点数最多的一类;
步骤5)、将步骤4)筛选的点数最多的一类,使用基于法向量的区域生长算法进行聚类,继续筛选出点数最多的一类,此次所筛选出的点数最多的一类中的所有点即为最终茎秆的组成点。
作为进一步的技术方案,步骤二中,采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割,最终获得各叶片的组成点,具体步骤如下:
步骤1、选取离茎秆较近的点DBSCAN密度聚类,获得k1个聚类以及每一聚类的初始聚类中心;记所述k1个聚类中每个聚类为Ci(i=1,…,k1),所述聚类的聚类中心为ci(i=1,…,k1),其中,聚类数k1即重叠的叶片数;若k1=1,不进行叶片分割,若k1≠1,依次执行步骤2-5进行叶片分割;
步骤2、对所述k1个聚类中的每个点p0,在z轴方向上计算与所述点p0最近的聚类中心ci,将点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);;
步骤3、对所述k1个聚类中的每个点p0,在整个坐标空间中计算与所述点p0最近的聚类中心ci,将所述点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);
步骤4、设i=1,对于聚类Ci,使用DBSCAN密度聚类算法得到ei个子聚类Cij(j=1,…,ei),将Ci中所有子聚类Cij按点数降序排列,更新Ci为Ci1,将子聚类添加Ci+1中;将i更新为i+1,重复步骤4直到i=k1为止;
步骤5、对每个聚类中的所有点重新计算所述点所属的聚类,具体步骤如下:对每个聚类Ci(i=1,…,k1),拟合一个三次曲面*i:z=zi(x,y);任取一点p"(x0,y0,z0),计算i0=argmini|zi(x0,y0)-z0|,则所述点p"所属聚类为完成所有点的聚类重新计算后,每个聚类中的点就组成一片叶片,即可明确每个叶片所包括的点或者明确每个点所归属的叶片。
作为进一步的技术方案,步骤三中,判断所筛选出的近邻点少的点是边界点还是内部点的方法,包括:
对筛选出的近邻点少的点集中的任意点p1,使用RANSAC算法将点p1及其k2个近邻点拟合为平面,然后将点p1及其k2个近邻点投影到所述平面上,在所述平面上将点p1与所有近邻点的投影连接起来形成k2个向量,按顺时针的顺序排列,每两个相邻向量形成一个夹角,共有k2个夹角;计算这k2个夹角的最大值/max,若θmax大于给定的阈值θthreshold,则判定为点p1是边界点,否则,则判定为点p1是内部点;
步骤三中,判断所筛选出的边界点是外围边界点还是孔洞边界点的方法,包括:
将叶片上的所有点投影到xOy平面上,将筛选出的边界点中的点p2与叶子上的其他近邻点连接起来,计算所有向量顺时针排列后相邻向量之间的夹角,求夹角最大值θmax;若/max大于给定的阈值θthreshold,则认为点p2是外围边界点;否则认为点p2是孔洞边界点;
步骤三中,利用拟合得到的三次曲面方程B进行插值,完成孔洞的修补,获得最终的烟草点云数据,具体包括:
为孔洞的每个边界点找到各自的k2个近邻点,然后将所有孔洞边界点及其各自的近邻点使用非线性最小二乘法拟合得到三次曲面B,然后遍历寻找孔洞内部点的(x,y)坐标,在所找到的孔洞内部点处使用所拟合的三次曲面B进行插值,以完成孔洞修补。
作为进一步的技术方案,步骤四中,株高提取的方法,包括:首先在z轴方向上将茎秆均匀切割成m1段,然后使用RANSAC算法,对于切割的每一段茎秆,分别拟合圆柱模型,并计算每个圆柱模型中圆柱体的高度hi(i=1,2,…,m1),最后计算所有圆柱体的高度之和,作为茎秆的长度,即株高;
叶片数量提取方法:直接统计孔洞修补后获得的最终的烟草点云数据中叶片的数量即可;
叶面积提取的方法,包括:首先使用泊松表面重建算法对叶片进行处理,生成叶片表面的三角形网格,然后利用海伦公式计算三角形的面积后,并将所有三角形的面积之和作为所述叶片的表面积,即叶面积;
叶夹角的提取方法,包括:首先提取叶片的骨架点,然后选取靠近茎秆的k3个骨架点,设最靠近茎秆的骨架点为点p3,将点p3外其余的k3-1个骨架点分别各自与点p3连线形成直线,计算k3-1条直线与茎秆的夹角;然后使用箱型图法去除k3-1个直线与茎秆的夹角中的异常值,计算去除异常值后的所有夹角角度的平均值,即为叶夹角。
作为进一步的技术方案,步骤四中,提取叶片的骨架点的方法,包括如下步骤:
步骤a、使用PCA算法计算叶片的第一主成分方向
步骤b、在第一主成分方向上将叶片均匀分成若干段;
步骤c、在每一段上进行DBSCAN密度聚类,将该段分为若干类;
步骤d、对每一类求聚类中心,并将所述聚类中心作为骨架点。
与现有技术相比,本发明所具有的有益效果如下:
1、对植株的点云图像数据进行预处理时,本发明进行坐标的自适应变换,其无需拟合平面,不要求地面平整,也不需要固定相机位置,其直接从点云图像数据出发,对于坐标系不统一的散乱数据集,以整株烟草点云图像的所有点法向量外积和的模的最小化来求得茎秆初始估计方向,并在圆柱体范围内迭代计算第一主成分方向作为茎秆最终估计方向;其采用统一的方法来完成坐标的平移与旋转操作,普适性较好,不会受到数据采集时地面平整度、相机位置等诸多限制的影响。
2、植株器官分割包括语义分割和实例分割,在基于点云图像数据进行植株器官分割时,本发明先根据茎秆特征(法向量、形状及空间特征)分割出茎秆,再完成叶片粗分割,然后进行重叠叶片的区分,该套植株器官分割流程可很好适用于烟草点云图像数据,其不仅完成了茎叶分割、重叠叶片分割,还可提高后续表型提取的准确度。
3、本发明在进行器官分割后还对叶片中的孔洞进行了检测和修补,进一步提高后续表型提取的准确度,尤其是叶面积提取数据的准确度。
4、本发明在植株表型性状提取时,株高的提取采用分段式近似测量株高的方式,更贴近茎秆的真实长度;叶面积的提取采用更光滑的泊松表面重建算法进行叶片的网格化,在计算叶面积时,相较于传统技术,降低了对点云密度的要求;叶夹角的提取时,通过在第一主成分方向上分段聚类提取骨架点,并求其与茎秆的直接夹角,然后通过计算的方式获得叶夹角,该方法不仅适用于短叶柄烟草,对具有细长叶柄的烟草也具有较好的表现效果,提高了对不同烟草株型的适应性。
综上,本发明通过对数据预处理方法、植株器官分割方法、表型性状提取方法进行改进,并通过增设叶片孔洞的检测和修补步骤,不仅可以实现烟草植株株高、叶片数量、叶面积、叶夹角等表型特征的提取,还提高了提取的准确度。
附图说明
图1、本发明一个实施例的流程图;
图2、本发明一个实施例中坐标校正前后的烟草植株图像;
图3、本发明一个实施例中叶片分割结果的示意图;
图4、本发明一个实施例中孔洞检测时对孔洞边界点的识别过程图;
图5、本发明一个实施例中外围边界点和孔洞边界点投影到xOy平面的示意图。
图6、本发明一个实施例中圆柱体高度的求解示意图;
具体实施方式
下面将结合具体实施例对本发明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。
实施例1
如图1示出的一种基于三维点云的烟草表型性状提取方法,包括如下步骤:
步骤0、数据获取:
采用3D扫描设备(以色列Mantis vision公司F6sr 3d扫描仪)对烟草植株进行扫描,获取烟草植株的原始点云图像数据;所述原始点云图像数据包括烟草植株上每个点的空间坐标(x,y,z),颜色信息(5,6,B),粗糙的点云法向量(nx,ny,nz);
步骤1、数据预处理:
步骤1.1、下采样:采用体素下采样的方法对3D扫描设备获取的原始点云图像数据进行处理缩减点数量;
原始点云数据密度分布不均匀,单位体素正方体中可能含有1~200个点;
体素下采样就是把三维空间体素化,然后丛每个体素里采样一个点,通常可用中心点或最靠近中心的点作为采样点,以达到缩减点云中点数量的目的,采用体素下采样的方法,可以兼顾采样速度和效果。本实施例将每个体素正方体的边长设置为4mm,可以将点数减少至原数据的1/50,并且基本保留形状等特征,不会对后续工作造成影响;
步骤1.2、点云去噪:使用半径滤波和统计滤波过滤掉下采样得到的点云图像数据中的异常点和离群点,然后进行法向量估计;
下采样得到的点云图像数据,每个点都应该对应有一个法向量,由于原始点云图像数据可能不含有该信息或者法向量不准确,因此需要进行法向量估计;
具体的,进行法向量估计时,下采样得到的点云图像数据中任取一点为点p,利用k-d树找到点p的k个近邻点,然后将找到的所述k个近邻点和点p自身,采用主成分分析(PCA)算法求出k个近邻点和点p自身构成的协方差矩阵的最小特征值对应的特征向量,将所述特征向量作为该点p法向量的估计;
步骤1.3、坐标校正:进行坐标校正,得到校正后的烟草点云数据;
步骤1.3.1、首先,基于缩减后烟草点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化,求得茎秆初始估计方向具体包括如下步骤:
设下采样得到的点云图像数据中的点数为m,每个点的法向量为
设茎秆初始估计方向为求解如下最优化问题:
记将目标问题转化为:
求得茎秆初始估计方向
步骤1.3.2、对茎秆初始方向进行迭代修正,确定茎秆最终估计方向/>
迭代修正茎秆方向的方法如下:
步骤(1)、置r=150mm,Δr=5mm;
步骤(2)、以为母线,r为半径,提取圆柱体V;
步骤(3)、使用PCA算法提取圆柱体V的第一主成分方向
所用的PCA算法,也即主成分分析算法,是一种无监督算法,不需要依靠任何类别标签的信息,是一种常用的线性降维方法。该算法的目标是通过某种线性投影,将原本高维空间的数据分布特征,映射到更低维度的空间,并在所投影的维度上满足:1).尽可能保留原始数据的变异信息;2).新维度下变量间互不相关。
步骤(4)、若r<30mm,结束循环;否则置并缩减半径r为r-Δr,重复步骤(2)-步骤(4),直至循环结束,即可确定茎秆最终估计方向/>
步骤1.3.3、将坐标系的z轴旋转至茎秆最终估计方向的位置,将下采样得到的点云图像数据的点集投影到旋转后的xOy平面,计算所有投影点的形心点坐标x0.y0),平移原点O到所述形心点处以完成坐标校正,得到校正后的烟草点云数据,坐标校正前后的图像见图2。
步骤2、分割茎秆:首先采用逐步筛选的方式对茎秆进行初筛,然后去除茎秆上粘连的叶片点,得到茎秆的组成点;
步骤2.1、基于坐标校正后获得的烟草点云数据,使用xy方向上的直通滤波,筛选出原点附近的点。
步骤2.2、基于重估计后的法向量(记为),将法向量/>单位化后,筛选出|nz|<0.2的数据点。
步骤2.3、使用统计滤波过滤掉筛选出的|nz|<0.2的点集中的异常点和离群点,完成初筛,获得初筛后的点云数据;
步骤2.4、将初筛后点云数据使用基于欧式距离的密度聚类算法进行聚类,筛选出点数最多的一类;
步骤2.5、将步骤2.4筛选出的点数最多的一类,使用基于法向量的区域生长算法进行聚类,继续筛选出点数最多的一类,此次所筛选出的点数最多的一类中的所有点即为最终茎秆的组成点;本实施例该步骤中筛选点数最多的一类时角度阈值取15°,曲率阈值取0.9;
其中,步骤2.1-2.2的目的主要是初筛茎秆,步骤2.3-2.5旨在去除茎秆上粘连的叶片点。
步骤3、分割叶片:叶片分割时,首先基于法向量的区域生长算法,初步分割开不同的叶片,然后采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割,获得各叶片的组成点,具体包括:
步骤3.1、首先,使用基于法向量的区域生长算法,取角度阈值为4.85,曲率阈值为0.9,进行粗分割,将不同叶片初步分割开;
步骤3.2、通过聚类的方式区分重叠叶片;
由于粗分割的结果中有部分叶片重叠在一起,被归为同一片叶片,需要一些操作来区分重叠叶片;
区分重叠叶片时,采用迭代更新聚类中心及曲面拟合的方式进行叶片分割,以达到区分重叠叶片的目的,具体操作包括:
步骤3.2.1、选取离茎秆较近的点DBSCAN密度聚类,获得k1个聚类以及每一聚类的初始聚类中心;记所述k1个聚类中每个聚类为Ci(i=1,…,k1),所述聚类的聚类中心为ci(i=1,…,k1),其中,聚类数k1即重叠的叶片数;若k1=1,不进行叶片分割,若k1≠1,依次执行步骤2-5进行叶片分割;
步骤3.2.2、对所述k1个聚类中的每个点p0,在z轴方向上计算与所述点p0最近的聚类中心ci,将点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);
步骤3.2.3、对所述k1个聚类中的每个点p0,在整个坐标空间中计算与所述点p0最近的聚类中心ci,将所述点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);
步骤3.2.4、设i=1,对于聚类Ci,使用DBSCAN密度聚类算法得到ei个子聚类Cij(j=1,…,ei),将Ci中所有子聚类Cij按点数降序排列,更新Ci为Ci1,将子聚类添加Ci+1中;将i更新为i+1,重复步骤4直到i=k1为止;
步骤3.2.5、对每个聚类中的所有点重新计算所述点所属的聚类,具体步骤如下:对每个聚类Ci(i=1,…,k1),拟合一个三次曲面Ai:z=zi(x,y);任取一点p"(x0,y0,z0),计算i0=argmini|zi(x0,y0)-z0|,则所述点p"所属聚类为完成所有点的聚类重新计算后,每个聚类中的点就组成一片叶片,即可明确每个叶片所包括的点或者明确每个点所归属的叶片;叶片分割后的视图如图3所示;分割后的点数统计结果见表1。
由于步骤3.2.4获得的聚类结果,在两叶片交接处的分割结果仍然较差。为此,还需要进一步对每一个点进行进一步判断,明确其位于哪个曲面,才能得到最终的聚类结果,明确每个叶片所包括的点或者明确每个点所归属的叶片。
表1.植株所有叶片分割的结果点数统计表(按叶片高度升序排列)
步骤4、叶片孔洞的检测及修补:首先使用半径滤波对叶片进行初筛,筛选出近邻点少的点;然后判断所筛选出的近邻点少的点是边界点还是内部点,筛选出叶片的所有边界点;之后判断所筛选出的边界点是外围边界点还是孔洞边界点,筛选出所有的孔洞边界点,从而完成孔洞的检测;之后,采用拟合三次曲面B进行插值的方式完成孔洞的修补,获得最终的烟草点云数据;
步骤4.1、孔洞检测:
步骤4.1.1、使用半径滤波对叶片进行初筛,筛选出近邻点少的点,如图4(a)所示,红色点是目前筛选出来的近邻点少的点,黄色点是叶片上的其他点;
步骤4.1.2、判定筛选出的所有的近邻点少的点是边界点还是内部点,筛选出所有边界点;筛选结果如图4(b)所示;
所述边界点和内部点判定方法,包括:
对筛选出的近邻点少的点集中的任意点p1,使用RANSAC算法将点p1及其k2个近邻点拟合为平面,然后将点p1及其k2个近邻点投影到所述平面上,在所述平面上将点p1与所有近邻点的投影连接起来形成k2个向量,按顺时针的顺序排列,每两个相邻向量形成一个夹角,共有k2个夹角;计算这k2个夹角的最大值θmax,若θmax大于给定的阈值/thr(sh1ld,则判定为点p1是边界点,否则,则判定为点p1是内部点;
步骤4.1.3、对所有边界点进行判定,确认筛选出的边界点是外围边界点还是孔洞边界点,筛选出所有的孔洞边界点,筛选结果如图4(c)所示;
判定筛选出的边界点是外围边界点还是孔洞边界点的方法,包括:
将叶片上的所有点投影到xOy平面上,如图5所示,将筛选出的边界点中的点p2与叶子上的其他近邻点连接起来,计算所有向量顺时针排列后相邻向量之间的夹角,求夹角最大值θmax;若/max大于给定的阈值θthreshold,则认为点p2是外围边界点,否则认为点p2是孔洞边界点。
步骤4.1.4、统计滤波去除那些比较零散的点(远离孔洞边界的零散点),如图4(d)所示;
步骤4.1.5、对去除零散点后的孔洞边界点进行DBSCAN密度聚类,区分出不同的孔洞,聚类所得的每一类即为一个孔洞;
步骤4.2、孔洞修补:采用孔洞修补方法对所有孔洞进行修补,获得最终的烟草点云数据;
所述孔洞修补方法,包括:
首先,为孔洞的每个边界点找到各自的k2个近邻点;然后将所有孔洞边界点及其各自的近邻点使用非线性最小二乘法,拟合得到三次曲面B(或者B样条曲面),然后遍历寻找孔洞内部点的(x,y)坐标,在所找到的孔洞内部点处使用所拟合的三次曲面B进行插值,以完成孔洞修补;
所述三次曲面B为:z(x,y)=ax3+bx2y+cy2+dy3+ex2+fxy+gy2+hx+iy+j
步骤5、表型提取:利用孔洞修补后获得的最终的烟草点云数据,进行表型提取,获得植株的表型信息,本实施例提取出的植株表型性状数据如表2所示;所述表型提取包括株高提取、叶片数量提取、叶面积提取、叶夹角提取等;所述表型包括:株高、叶片数量、叶面积、叶夹角等;
A、株高的提取
在提取到茎秆之后(确定组成茎秆的所有点之后),在z轴方向上将茎秆均匀切割成m1段,使用RANSAC(随机采样一致性)算法,如图6所示,对于切割的每一段茎秆,分别拟合一个圆柱模型,计算每个圆柱模型中圆柱体的高度hi(i=1,2,…,m1);最后计算所有圆柱体的高度之和作为茎秆的长度即株高。
RANSAC是RANdom SAmple Consensus随机采样一致性的缩写,它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数;
上述计算株高的方法,相较于传统技术采用的直接计算z轴方向上的最大值与最小值之差作为株高的方法,对弯曲或者倾斜茎秆的检测具有更高准确度。
B、叶片数量提取
由于在步骤3中已经进行了叶片的分割,并且明确了叶片的组成点,因此,此处对叶片的数量进行统计,也即对步骤3获得的最终聚类结果所含的类的数量进行统计,即叶片的数量。
C、叶面积的提取:通过点云表面重建(即点云网格化)的方式进行叶面积的计算,具体包括:
对于每一叶片,首先使用泊松表面重建算法生成叶片表面的三角形网格,利用海伦公式计算三角形的面积,将所有三角形的面积之和作为所述叶片的表面积。
泊松曲面重建是一种基于隐式函数的三角网重建算法,该类方法通过对点云进行最优化的插值处理来获得我们想要的近似曲面;
海伦公式亦称希伦公式、海龙公式、希罗公式、海伦-秦九韶公式。它是利用三角形的三条边的边长直接求三角形面积的公式。具体为:其中,S为三角形的面积,p为三角形的半周长,a、b、c分别为三角形的三条边。
C、叶夹角提取:首先提取叶片的骨架点,然后选取靠近茎秆的k3个骨架点,设最靠近茎秆的骨架点为点p3,将点p3外其余的K-1个骨架点分别各自与点p3连线形成直线,计算k3-1条直线与茎秆的夹角;然后用箱型图法检测并去除k3-1个直线与茎秆的夹角中的异常值,计算去除异常值后的所有夹角角度的平均值,即为叶夹角。
其中,提取叶片的骨架点的方法,包括:
步骤a、使用PCA算法计算叶片的第一主成分方向
步骤b、在第一主成分方向上将叶片均匀分成若干段;
步骤c、在每一段上进行DBSCAN密度聚类,将该段分为若干类;
步骤d、对每一类求聚类中心,并将所得聚类中心作为骨架点;
在本实施例中,烟草植株表型性状的提取结果。
表2.烟草植株表型性状提取结果
以上所述实施方式仅为本发明的优选实施例,而并非本发明可行实施的穷举。对于本领域一般技术人员而言,在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动,都应当被认为包含在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于三维点云的烟草表型性状提取方法,其特征在于,包括如下步骤:
步骤一、数据预处理:依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正,获得校正后烟草点云数据;
步骤二、植株器官分割:先根据茎秆特征进行茎秆分割,再进行叶片分割,获得茎秆和叶片的组成点;
其中,茎秆分割时,首先采用逐步筛选的方式对茎秆进行初筛,然后去除茎秆上粘连的叶片点后,得到茎秆的组成点;
叶片分割时,首先基于法向量的区域生长算法,初步分割开不同的叶片,然后采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割,最终获得各叶片的组成点;
步骤三、叶片孔洞的检测及修补
首先使用半径滤波对叶片进行初筛,筛选出近邻点少的点;然后判断所筛选出的近邻点少的点是边界点还是内部点,筛选出叶片的所有边界点;之后判断所筛选出的边界点是外围边界点还是孔洞边界点,筛选出所有的孔洞边界点,从而完成孔洞的检测;之后,采用三次曲面方程对叶片进行插值拟合,完成孔洞修补,获得最终的烟草点云数据;
步骤四、表型数据提取:利用孔洞修补后获得的最终的烟草点云数据,进行表型提取,获得植株的表型信息,所述表型包括株高、叶片数量、叶面积、叶夹角中的1个或多个;所述表型提取包括株高提取、叶片数量提取、叶面积提取、叶夹角提取中的1个或多个。
2.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
步骤一中,所述原始点云图像数据是采用3D扫描设备对烟草植株进行扫描获得的;
步骤一中,依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正,获得校正后烟草点云数据,具体包括:
首先采用体素下采样的方法缩减原始点云图像数据的点数量,然后采用半径滤波和统计滤波过滤掉下采样得到的点云图像数据中的异常点和离群点,之后进行法向量估计,最后进行坐标校正,获得校正后烟草点云数据。
3.根据权利要求2所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
所述法向量估计,具体操作如下:下采样得到的点云图像数据中任取一点为点p,利用k-d树找到点p的k个近邻点,然后将找到的所述k个近邻点和点p自身,采用主成分分析(PCA)算法求出k个近邻点和点p自身构成的协方差矩阵的最小特征值对应的特征向量,将所述特征向量作为该点p法向量的估计;
所述坐标校正,包括两个步骤:第一步,茎秆方向的估计:基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化,求得茎秆初始估计方向(记作);然后,对茎秆初始估计方向/>进行迭代修正,确定茎秆最终估计方向(记作/>),最后,将坐标系的z轴旋转至茎秆最终估计方向/>的位置,将下采样得到的点云图像数据中所有点投影到旋转后的xOy平面上,计算所有投影点的形心点坐标(x0.y0)后,平移原点O到所述形心点处以完成坐标校正,得到校正后的烟草点云数据。
4.根据权利要求3所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
进行坐标校正时,基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化,求得茎秆初始估计方向具体包括如下步骤:
设下采样得到的点云图像数据中的点数为m,每个点的法向量为
设茎秆初始估计方向为求解如下最优化问题:
记将目标问题转化为:
求得茎秆初始估计方向
5.根据权利要求3所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
进行坐标校正时,对茎秆初始估计方向进行迭代修正,确定茎秆最终估计方向/>具体包括如下步骤:
步骤(1)、置r=150mm,Δr=5mm;;
步骤(2)、以为母线,r为半径,提取圆柱体V;
步骤(3)、使用PCA算法提取圆柱体V的第一主成分方向
步骤(4)、若r<30mm,结束循环;否则置缩减半径r为r-Δr,重复步骤(2)-步骤(4),直至循环结束,即可确定茎秆最终估计方向/>
6.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
步骤二中,茎秆分割时,采用逐步筛选的方式对茎秆进行初筛,然后去除茎秆上粘连的叶片点后,得到茎秆的组成点,具体包括如下步骤:
步骤1)、基于坐标校正后获得的校正后烟草点云数据,使用xy方向上的直通滤波,筛选出原点附近的点;
步骤2)、基于重估计后的法向量(记为),将法向量/>单位化后,筛选出|nz|<0.2的数据点;
步骤3)、使用统计滤波过滤掉筛选出的|nz|<0.2的数据点中的异常点和离群点,完成初筛,获得初筛后点云数据;
步骤4)、将初筛后点云数据使用基于欧式距离的密度聚类算法进行聚类,筛选出点数最多的一类;
步骤5)、将步骤4)筛选的点数最多的一类,使用基于法向量的区域生长算法进行聚类,继续筛选出点数最多的一类,此次所筛选出的点数最多的一类中的所有点即为最终茎秆的组成点。
7.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
步骤二中,采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割,最终获得各叶片的组成点,具体步骤如下:
步骤1、选取离茎秆较近的点DBSCAN密度聚类,获得k1个聚类以及每一聚类的初始聚类中心;记所述k1个聚类中每个聚类为Ci(i=1,…,k1),所述聚类的聚类中心为ci(i=1,…,k1),其中,聚类数k1即重叠的叶片数;若k1=1,不进行叶片分割,若k1≠1,依次执行步骤2-5进行叶片分割;
步骤2、对所述k1个聚类中的每个点p0,在z轴方向上计算与所述点p0近的聚类中心ci,将点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);;
步骤3、对所述k1个聚类中的每个点p0,在整个坐标空间中计算与所述点p0最近的聚类中心ci,将所述点p0重新划分到ci所属的聚类Ci;所有点重新划分完毕后,更新聚类中心ci(i=1,…,k1);
步骤4、设i=1,对于聚类Ci,使用DBSCAN密度聚类算法得到ei个子聚类Cij(j=1,…,ei),将Ci中所有子聚类Cij按点数降序排列,更新Ci为Ci1,将子聚类添加Ci+1中;将i更新为i+1,重复步骤4直到i=k1为止;
步骤5、对每个聚类中的所有点重新计算所述点所属的聚类,具体步骤如下:对每个聚类Ci(i=1,…,k1),拟合一个三次曲面Ai:z=zi(x,y);任取一点p"(x0,y0,z0),计算i0=argmini|zi(x0,y0)-z0|,则所述点p"所属聚类为完成所有点的聚类重新计算后,每个聚类中的点就组成一片叶片,即可明确每个叶片所包括的点或者明确每个点所归属的叶片。
8.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
步骤三中,判断所筛选出的近邻点少的点是边界点还是内部点的方法,包括:
对筛选出的近邻点少的点集中的任意点p1,使用RANSAC算法将点p1及其k2个近邻点拟合为平面,然后将点p1及其k2个近邻点投影到所述平面上,在所述平面上将点p1与所有近邻点的投影连接起来形成k2个向量,按顺时针的顺序排列,每两个相邻向量形成一个夹角,共有k2个夹角;计算这k2个夹角的最大值θmax,若θmax大于给定的阈值θthreshold,则判定为点p1是边界点,否则,则判定为点p1是内部点;
步骤三中,判断所筛选出的边界点是外围边界点还是孔洞边界点的方法,包括:
将叶片上的所有点投影到xOy平面上,将筛选出的边界点中的点p2与叶子上的其他近邻点连接起来,计算所有向量顺时针排列后相邻向量之间的夹角,求夹角最大值/max;若θmax大于给定的阈值θthreshold,则认为点p2是外围边界点,否则认为点p2是孔洞边界点;
步骤三中,利用拟合得到的三次曲面方程B进行插值,完成孔洞的修补,获得最终的烟草点云数据,具体包括:
为孔洞的每个边界点找到各自的k2个近邻点,然后将所有孔洞边界点及其各自的近邻点使用非线性最小二乘法拟合得到三次曲面B,然后遍历寻找孔洞内部点的(x,y)坐标,在所找到的孔洞内部点处使用所拟合的三次曲面B进行插值,以完成孔洞修补。
9.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,
步骤四中,株高提取的方法,包括:首先在z轴方向上将茎秆均匀切割成m1段,然后使用RANSAC算法,对于切割的每一段茎秆,分别拟合圆柱模型,并计算每个圆柱模型中圆柱体的高度hii=1,2,…,m1),最后计算所有圆柱体的高度之和,作为茎秆的长度,即株高;
叶片数量提取方法:直接统计孔洞修补后获得的最终的烟草点云数据中叶片的数量即可;
叶面积提取的方法,包括:首先使用泊松表面重建算法对叶片进行处理,生成叶片表面的三角形网格,然后利用海伦公式计算三角形的面积后,并将所有三角形的面积之和作为所述叶片的表面积,即叶面积;
叶夹角的提取方法,包括:首先提取叶片的骨架点,然后选取靠近茎秆的k3个骨架点,设最靠近茎秆的骨架点为点p3,将点p3外其余的k3-1个骨架点分别各自与点p3连线形成直线,计算k3-1条直线与茎秆的夹角;然后使用箱型图法去除k3-1个直线与茎秆的夹角中的异常值,计算去除异常值后的所有夹角角度的平均值,即为叶夹角。
10.根据权利要求9所述的一种基于三维点云的烟草表型性状提取方法,其特征在于,步骤四中,提取叶片的骨架点的方法,包括如下步骤:
步骤a、使用PCA算法计算叶片的第一主成分方向
步骤b、在第一主成分方向上将叶片均匀分成若干段;
步骤c、在每一段上进行DBSCAN密度聚类,将该段分为若干类;
步骤d、对每一类求聚类中心,并将所述聚类中心作为骨架点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616431.XA CN116523898A (zh) | 2023-05-29 | 2023-05-29 | 一种基于三维点云的烟草表型性状提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616431.XA CN116523898A (zh) | 2023-05-29 | 2023-05-29 | 一种基于三维点云的烟草表型性状提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523898A true CN116523898A (zh) | 2023-08-01 |
Family
ID=87394211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310616431.XA Pending CN116523898A (zh) | 2023-05-29 | 2023-05-29 | 一种基于三维点云的烟草表型性状提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523898A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315049A (zh) * | 2023-11-28 | 2023-12-29 | 浙江托普云农科技股份有限公司 | 三维全貌测量的比例尺标定方法、系统及装置 |
CN117635719A (zh) * | 2024-01-26 | 2024-03-01 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、系统及装置 |
CN117934564A (zh) * | 2024-01-05 | 2024-04-26 | 南京农业大学 | 一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法 |
-
2023
- 2023-05-29 CN CN202310616431.XA patent/CN116523898A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315049A (zh) * | 2023-11-28 | 2023-12-29 | 浙江托普云农科技股份有限公司 | 三维全貌测量的比例尺标定方法、系统及装置 |
CN117315049B (zh) * | 2023-11-28 | 2024-03-08 | 浙江托普云农科技股份有限公司 | 三维全貌测量的比例尺标定方法、系统及装置 |
CN117934564A (zh) * | 2024-01-05 | 2024-04-26 | 南京农业大学 | 一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法 |
CN117635719A (zh) * | 2024-01-26 | 2024-03-01 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、系统及装置 |
CN117635719B (zh) * | 2024-01-26 | 2024-04-16 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN111724433B (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN103077529B (zh) | 基于图像扫描的植物叶片特征分析系统 | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN111667529A (zh) | 一种植物点云叶片分割与表型特征测量方法 | |
CN112907545B (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN115937151B (zh) | 一种作物叶片卷曲程度的判定方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
CN115393418A (zh) | 一种基于三维点云图像的马尾松部分表型参数自动测量方法 | |
CN113780144A (zh) | 一种基于3d点云的作物株数及茎宽自动提取方法 | |
CN117893924A (zh) | 一种基于树冠形态的无人机激光雷达点云单木分割方法 | |
CN116704333A (zh) | 一种基于激光点云数据的单株林木检测方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN118212179A (zh) | 一种复杂背景的角度检测方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
CN115690107B (zh) | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 | |
CN116805413A (zh) | 一种基于三维点云的油茶苗期表型特征自动计算方法 |
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 |