CN116576863A - 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 - Google Patents
一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116576863A CN116576863A CN202310666033.9A CN202310666033A CN116576863A CN 116576863 A CN116576863 A CN 116576863A CN 202310666033 A CN202310666033 A CN 202310666033A CN 116576863 A CN116576863 A CN 116576863A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data
- corn
- crop
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 56
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 56
- 235000005822 corn Nutrition 0.000 title claims abstract description 56
- 240000008042 Zea mays Species 0.000 title claims description 54
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 241000209149 Zea Species 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 208000003643 Callosities Diseases 0.000 description 4
- 206010020649 Hyperkeratosis Diseases 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 241001057636 Dracaena deremensis Species 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
一种玉米数据采集机器人作物行间导航路径拟合方法、计算机设备及介质，属于精准农业技术领域，解决了由于机器人在运动过程中震动现象明显，采集到的原始数据中包含有大量噪声点，这些噪声点会影响后续的点云数据处理与分析，使得计算量大，从而导致计算结果更为不精准的问题。所述导航路径拟合方法包括：采集原始数据并进行预处理，获得点云数据；当所述点云数据的数量小于阈值时，不进行拟合，当所述点云数据的数量不小于阈值时，采用欧式聚类算法对所述点云数据进行分割，得到分割后的点云数据；采用随机采样一致性算法对所述分割后的点云数据进行拟合，得到作物所在直线的路径。本发明适用于玉米数据采集机器人自动作业。
Description
技术领域
本发明属于农业机械技术领域，具体涉及农机导航技术领域。
背景技术
准确的导航路径是农用机器人自动作业的基础，路径的错误会导致机器人与作物发生碰撞，从而使机器人或作物发生损坏。机器人在玉米作物行之间导航路径主要依靠对两侧作物行进行检测来实现，目前常采用机器视觉的方法来识别导航路径。
研究人员多采用彩色相机来进行路径识别，通过对彩色相机拍摄到的图像利用超绿化算法(2G-R-B)、最大类间方差法(OTSU)等方法将玉米作物与土壤分割开，之后确定玉米作物的位置，并利用霍夫变换或者最小二乘法实现玉米作物行直线的检测，但是这种方法只适用于玉米生长的某一时期，并且在玉米地内部由于光照不确定、叶片对镜头的遮挡等原因会导致相机不能获取到高质量的图像，从而会影响后续作物行直线识别的效果，并且常采用的霍夫变换不能很好的适用于玉米断垄的情况，最小二乘法对噪声的敏感程度较大，当算法求解出某一颗玉米位置偏差较大时，可能会导致识别出的作物行直线误差较大，从而影响后续导航路径识别的精度。
部分研究人员采用激光雷达来进行玉米作物行间的导航路径识别，通常的方法是对激光雷达采集到的原始点云数据进行预处理之后，采用Kmeans聚类方法来确定玉米作物的位置，之后采用不同的直线拟合方法来拟合直线。上述方法适用于玉米生长初期，即玉米之间界限明显的情况，但是在玉米生长中后期，各个玉米植株的玉米叶片纵横交错，想要分割出单独的玉米比较困难。
发明内容
本发明提供一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质，解决激光雷达安装在机器人上，由于机器人在运动过程中震动现象明显，采集到的原始数据中包含有大量噪声点，这些噪声点会影响后续的点云数据处理与分析，使得计算量大，从而导致计算结果更为不精准的问题。
一种玉米数据采集机器人作物行间导航路径识别方法，所述方法包括：采集原始点云数据并进行预处理，获得处理后的点云数据；当所述处理后的点云数据的数量小于阈值时，不进行拟合；当所述处理后的点云数据的数量不小于所述阈值时，采用欧式聚类算法对所述处理后的点云数据进行分割，得到分割后的点云数据；采用随机采样一致性算法对所述分割后的点云数据进行拟合，得到作物所在的直线路径。
进一步地，所述预处理包括降采样处理、地面点云滤波、统计滤波和直通滤波；
进一步地，所述降采样处理包括随机采样、均匀采样和体素采样；
进一步地，所述阈值为100；
进一步地，所述将分割后的点云数据进行拟合为：将所述分割后的点云数据分别向XOY平面进行投影，得到两条作物行直线，两条作物行直线的对称轴即为作物所在的直线路径；
进一步地，所述方法还包括：采用欧式聚类算法对所述处理后的点云数据进行分割时，设置分割后的点云数据的数量为50。
本发明还提供一种计算机设备，所述设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的一种玉米数据采集机器人作物行间导航路径识别方法。
本发明还提供一种计算机可读存储介质，所述存储介质用于储存计算机程序，所述计算机程序执行一种玉米数据采集机器人作物行间导航路径识别方法。
本发明还提供一种玉米数据采集机器人作物行间导航路径拟合系统，所述系统包括：采集模块：用于采集原始数据并进行预处理，获得点云数据；取值模块：用于设定阈值；判定模块：用于判断所述点云数据的数量与所述阈值的大小关系；分割模块：当所述点云数据的数量不小于所述阈值时，采用欧式聚类算法对所述点云数据进行分割，得到分割后的点云数据；拟合模块：采用最小二乘法对所述分割后的点云数据进行拟合，得到作物所在的直线路径。
本发明的有益效果：
本发明所述的一种玉米数据采集机器人作物行间导航路径识别方法，该方法可以消除玉米断垄的影响，并且可以很好去除噪声的影响。所述方法通过对激光雷达采集到的原始点云数据进行分析，从而得到玉米作物行内的机器人运动路径。点云数据中的噪声点主要包含有离群点和冗余点，离群点与其他点在位置或形状等特征上存在明显差异，通常是指远离点云主体的稀疏点，冗余点是指采集到的工程需求之外的多余点，因此，本发明对获取到的点云数据，首先进行预处理操作以去除噪声点，并减少点云数量，降低计算量，从而提高计算的准确性，得到的机器人导航路径更为精准。
本发明中通过对玉米作物的点云数据进行分析，直接拟合玉米作物行所在直线，去除了确定单株玉米的位置这一步骤，该方法具有较强的通用性，适用于玉米不同生长时期。
本发明适用于玉米数据采集机器人自动作业。
附图说明
图1为实施方式一所述的一种玉米数据采集机器人作物行间导航路径识别方法的流程图；
图2为实施方式二所述的对原始数据预处理的流程图；
图3为实施方式一所述的欧式聚类分割算法的流程图；
图4为实施方式二所述的激光雷达采集到的原始点云数据图；
图5为图4中的数据经过体素滤波之后的效果图；
图6为图5中的数据经过直通滤波之后的效果图；
图7为图6中的数据经过地面点云滤波之后的效果图；
图8为图7中的数据经过统计滤波之后的效果图；
图9为图8中的数据进行欧式聚类之后的效果图；
图10为将图9的数据进行分类之后的效果图；
图11为对图10中的数据进行拟合的效果图；
图12为实施方式一所述的拟合原理图；
图13为对图11中的数据进行导航路径拟合后的效果图；
图14为实施方式四所述的航向偏角和航向偏差示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述。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。
实施方式一
参照图1、图3、图9、图10、图11说明本实施方式。
本实施方式所述的一种玉米数据采集机器人作物行间导航路径识别方法包括：采集原始数据并进行预处理，获得点云数据；当所述点云数据的数量小于阈值时，不进行拟合；当所述点云数据的数量不小于所述阈值时，采用欧式聚类算法对所述点云数据进行分割，得到分割后的点云数据；采用随机采样一致性算法对所述分割后的点云数据进行拟合，得到作物所在的直线路径。
具体地：
本实施方式所述的一种玉米数据采集机器人作物行间导航路径识别方法是通过对激光雷达采集到的点云数据进行分析来得到玉米作物行内的机器人运动路径，其流程图如图1所示。
具体地：
原始数据经过预处理后需要进行数量判断，当点云数量小于设定的阈值(100)时，认为机器人运动到了作物行终点，此时不进行路径拟合，否则将预处理之后的数据进行欧式聚类分割，该算法是计算出点云数据中每个点与其相邻点之间的欧式聚类，并将距离小于某个阈值的点聚合为一个集合，具体流程如图3所示。首先选中点云空间中的一点P，之后利用KD-Tree近邻搜索得到k个离P最近的点，并将距离小于设定阈值的点聚类为集合A，只要集合A中产生新的点，则用新产生的点去更新初始点P直到集合A中元素的数目不在增加，最后对集合A中点云数量进行判断，当数量小于设定的阈值时认为集合A代表的是玉米叶片的点云，由于玉米叶片为非刚性障碍机器人与其发生碰撞不会产生损坏，而且在叶片可能会弯折到机器人的行驶路径上，因此当聚类结果中某一个集合的点云数量(50)小于设定阈值时应将其滤除掉。对预处理后的数据进行聚类之后的效果如图9所示。
图9中点云数据共分为7个不同的类别，其中红色类别的点云数量小于50，因此认为该类点云代表的是玉米叶片，需要将其滤除。滤除掉红色类别的点云数据后，将剩余类别的点云数据根据聚类中心位置进行分类，将X轴坐标小于零的划分为平台车右侧，大于零的划分为平台车左侧，最终得到了图10中的绿色和红色点云数据，分别表示平台车右侧和左侧的数据。
随机采样一致性算法通过随机采样的方式消除了噪声点对最终结果的影响，弥补了最小二乘法的缺点。本实施方式中将上述两种算法进行结合以提高直线拟合的准确度，具体的方法是在随机采样一致性算法的基础上，利用最小二乘法来完成对内点数据的直线拟合，并且很好的去除了玉米断垄的影响。作物行直线拟合步骤：首先将图10中分割出的点云数据向XOY平面进行投影得到一个二维的点集，该点集表示了作物点云在XOY平面的分布情况，之后对得到的二维点集利用随机采样一致性算法进行直线拟合，最终得到的模型便为作物行直线。对图10中点云进行作物行直线拟合的结果如图11所示，图中绿色直线、红色直线分别为平台车右侧和左侧的玉米作物行拟合结果。
本实施方式中平台车在作物行之间运动时导航路径为一条直线，并且位于作物行直线的中间，其拟合原理如图12所示，平台车位于原点位置，L1、L2为拟合出的作物行直线，与X轴的交点分别为P1、P2，P0为直线L1和L2的交点，P3为导航路径L与X轴的交点，与P1、P2之间距离相等。
假设L1、L2直线方程分别为y＝k1x+b1、y＝k2x+b2，P1、P2点纵坐标y1、y2均等于0，横坐标x1、x2由公式(1)求得，P0、P3的坐标(x0，y0)、(x3，y3)根据公式(2)、(3)求得：
平台车导航路径的方程为y＝kx+b，其截斜率k和截距b可根据公式(4)求得：
对图11中数据进行导航路径拟合，效果如图13所示，其中中间的直线为最终的导航路径。
实施方式二
参照图2、图4、图5、图6、图7、图8说明本实施方式。
本实施方式是对实施方式一所述的一种玉米数据采集机器人作物行间导航路径识别方法中所述的采集原始数据并进行预处理的进一步举例说明。
本实施方式所述的预处理包括：降采样处理、直通滤波、地面点云滤波和统计滤波。
具体地：
所述预处理的流程图如图2所示。
激光雷达安装在机器人上，由于机器人在运动过程中震动现象明显，采集到的原始数据中包含有大量噪声点，这些噪声点会影响后续的点云数据处理与分析，点云数据中的噪声点主要包含有离群点和冗余点，离群点与其他点在位置或形状等特征上存在明显差异，通常是指远离点云主体的稀疏点，冗余点是指采集到的工程需求之外的多余点，因此对获取到点云数据，首先进行预处理操作以去除噪声点，并减少点云数量，降低计算量，提高计算速度。
激光雷达采集到的原始数据如图4所示，图4中的数据经过降采样处理(具体方式为体素滤波)之后的效果如图5所示，对图5中的数据进行直通滤波后的效果如图6所示，对图6中的数据进行地面点云滤波之后的效果如图7所示，对图7中的数据进行统计滤波之后的效果如图8所示。
具体地：
进行导航路径识别时，只需要考虑机器人周围的点云数据，远距离的点云应作为冗余点进行滤除，因此本研究中选用直通滤波来提取指定范围内的点云数据。
玉米作物种植在垄沟两侧，考虑到玉米作物本身的宽度，直通滤波阈值设置的宽度需要略大于40±5cm的垄沟宽度，以此保证提取的区域内包含有作物的全部点云数据，因此X轴方向阈值设置为[-0.55m，0.55m]；垄沟深度为15±3cm，而激光雷达中心距离地面高度为25cm，因此直通滤波Z轴方向阈值设置为[-0.5m，0.20m]；平台车沿Y轴反方向运动，因此Y轴方向阈值设置为[-1.8m，0.3m]。
直通滤波操作得到的点云数据中包含有大量的地面点云数据，地面点云会影响导航路径识别的精度，考虑到玉米地环境内，地面崎岖不平，传统的滤波算法不能很好的识别出地面点云，因此本实施方式中选用布料模拟滤波(CSF)方法来实现对地面点云的寻找，该方法通过模拟布料掉落到倒置的点云的物理过程来完成对地面点云数据的过滤。
点云数据经过地面点云滤波之后，对非地面点云采取统计滤波的方法进行离群点的滤除，统计滤波是基于统计学原理，通过对点云数据中每个点及其邻域进行统计分析来去除离群点。
实施方式三
本实施方式是对实施方式二所述的一种玉米数据采集机器人作物行间导航路径识别方法中所述的降采样处理的进一步举例说明。
本实施方式所述的降采样处理包括：随机采样、均匀采样和体素采样。
具体地：
预处理内容一共包含有四部分，首先是进行降采样处理，通用的降采样方法有随机采样、均匀采样和体素采样等，随机采样是在输入点云中随机选取一定数量的点进行保存，随机性明显，常用于查看点云的大致形状，均匀采样首先对点云空间进行网格化，之后将距离网格中心最近的点进行保留，其他点进行滤除，该方法得到的采样点分布均匀，可以保留点云数据中的全局信息和特征，但是其不能保留点云的细节信息，体素采样是最常用的降采样方法，该方法首先将点云空间划分为立体网格，网格也被称为体素，之后计算每个体素内点云的重心，用重心点来代替网格内的点云。本实施方式中采用体素滤波对点云数据进行处理。
实施方式四
参照图14说明本实施方式。
当机器人运行在玉米作物行内时，其与导航路径之间的关系可用航向偏角和横向偏差进行描述。航向偏角是指平台车前进方向与导航路径之间夹角，而横向偏差是指平台车到导航路径的距离，如图14所示。
导航路径识别的精度可用航向偏角和横向偏差进行表示，航向偏角和横向偏差的真实值可通过人工测量得到，共进行三次试验，测试结果如表1所示。
表1测试结果表
设计的导航路径识别算法中航向偏角的误差为-1.930°，横向偏差误差为-0.004m，满足在实地环境下使用的要求。
Claims (10)
1.一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述方法包括采集原始数据并进行预处理，获得点云数据；
当所述点云数据的数量小于阈值时，不进行拟合；
当所述点云数据的数量不小于所述阈值时，采用欧式聚类算法对所述点云数据进行分割，得到分割后的点云数据；
采用随机采样一致性算法对所述分割后的点云数据进行拟合，得到作物所在的直线路径。
2.根据权利要求1所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述预处理包括降采样处理、地面点云滤波、统计滤波和直通滤波。
3.根据权利要求3所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述降采样处理包括随机采样、均匀采样和体素采样。
4.根据权利要求3所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述地面点云滤波包括布料模拟滤波。
5.根据权利要求1所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述阈值为100。
6.根据权利要求1所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述将分割后的点云数据进行拟合为：将所述分割后的点云数据分别向XOY平面进行投影，得到两条作物行直线，两条作物行直线的对称轴即为作物所在的直线路径。
7.根据权利要求1所述的一种玉米数据采集机器人作物行间导航路径识别方法，其特征在于，所述方法还包括：采用欧式聚类算法对所述点云数据进行分割时，设置分割后的点云数据的数量为50。
8.一种计算机设备，其特征在于，所述设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-6中任一项所述的一种玉米数据采集机器人作物行间导航路径识别方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质用于储存计算机程序，所述计算机程序执行权利要求1-6中任一项所述的一种玉米数据采集机器人作物行间导航路径识别方法。
10.一种玉米数据采集机器人作物行间导航路径拟合系统，其特征在于，所述系统包括：
采集模块：用于采集原始数据并进行预处理，获得点云数据；
取值模块：用于设定阈值；
判定模块：用于判断所述点云数据的数量与所述阈值的大小关系；
分割模块：当所述点云数据的数量不小于所述阈值时，采用欧式聚类算法对所述点云数据进行分割，得到分割后的点云数据；
拟合模块：采用最小二乘法对所述分割后的点云数据进行拟合，得到作物所在的直线路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310666033.9A CN116576863A (zh) | 2023-06-06 | 2023-06-06 | 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310666033.9A CN116576863A (zh) | 2023-06-06 | 2023-06-06 | 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116576863A true CN116576863A (zh) | 2023-08-11 |
Family
ID=87543157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310666033.9A Pending CN116576863A (zh) | 2023-06-06 | 2023-06-06 | 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116576863A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-06-06 CN CN202310666033.9A patent/CN116576863A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| US11188752B2 (en) | Crop biometrics detection | |
| Zermas et al. | 3D model processing for high throughput phenotype extraction–the case of corn | |
| 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 | |
| CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
| Chen et al. | Extracting the navigation path of a tomato-cucumber greenhouse robot based on a median point Hough transform | |
| Li et al. | A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds | |
| CN106951905A (zh) | 一种基于tof相机的树上苹果识别与定位方法 | |
| CN112819846B (zh) | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| 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 | |
| CN111487646A (zh) | 一种玉米植株形态在线检测方法 | |
| CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
| CN116576863A (zh) | 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 | |
| CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| Zermas et al. | Estimating the leaf area index of crops through the evaluation of 3D models | |
| CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
| Hu et al. | Extraction method for centerlines of crop row based on improved lightweight yolov4 | |
| CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
| CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
| CN109785261A (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
| CN116052099A (zh) | 一种面向非结构化道路的小目标检测方法 | |
| CN114283163A (zh) | 一种多平台激光雷达大田玉米高通量茎叶分离方法 | |
| Sun et al. | Three-dimensional cotton plant shoot architecture segmentation and phenotypic trait characterization using terrestrial LiDAR point cloud data | |
| CN111179303A (zh) | 基于粒子滤波的谷物收获机器人视觉导航方法及其应用 |
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 |