CN117253163A - 一种基于无人机激光雷达的田间花生株高估算方法 - Google Patents
一种基于无人机激光雷达的田间花生株高估算方法 Download PDFInfo
- Publication number
- CN117253163A CN117253163A CN202311509398.7A CN202311509398A CN117253163A CN 117253163 A CN117253163 A CN 117253163A CN 202311509398 A CN202311509398 A CN 202311509398A CN 117253163 A CN117253163 A CN 117253163A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- plant height
- point cloud
- peanut
- aerial vehicle
- 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
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 58
- 235000020232 peanut Nutrition 0.000 claims abstract description 38
- 241000196324 Embryophyta Species 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 235000017060 Arachis glabrata Nutrition 0.000 claims abstract description 26
- 235000010777 Arachis hypogaea Nutrition 0.000 claims abstract description 26
- 235000018262 Arachis monticola Nutrition 0.000 claims abstract description 26
- 239000002689 soil Substances 0.000 claims description 22
- 235000013399 edible fruits Nutrition 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于无人机激光雷达的田间花生株高估算方法,属于无人机遥感测量及图像处理技术领域,包括如下步骤:步骤1、综合考虑目标监测区域的地貌地形、机载激光雷达设备的参数、天气条件、航带重叠度和航带宽度,规划符合要求的航线;步骤2、将机载激光雷达系统安装在无人机飞行器上,机载激光雷达系统包括激光雷达设备、GPS全球定位系统和惯性导航系统;步骤3、基于点云数据构建目标监测区域的三维数字表面模型;步骤4、对生成的三维数字表面模型进行分割和计算,最终得到花生的株高估算值。本发明可以精准、无损、高效地获取花生株高信息,适合大尺度的农情监测。
Description
技术领域
本发明属于无人机遥感测量及图像处理技术领域,具体涉及一种基于无人机激光雷达的田间花生株高估算方法。
背景技术
花生是我国重要的油料作物,花生的高产稳产对于保障我国的油料安全、促进农业可持续发展至关重要。株高作为花生作物表型信息的重要组成部分,是动态衡量作物健康和整体生长状况的关键指标,被广泛用于大田作物地上生物量的估计,而生物量的估计又与作物的最终产量息息相关,因此,株高是衡量作物长势和育种筛选的重要农学产量。在花生的生长周期内,对花生株高的准确估测可以帮助管理者更好地掌握花生的生长信息,根据长势情况对其进行施肥、浇水等调控。
目前,测定花生株高的方法分为传统地面测量法与间接测量法两类。地面测量法则以传统的标尺人工测高为主,这种方法不仅费时费力,而且只能获取离散点的数据,无法得到面上的数据。而间接测量法中的图像处理方法虽然可以获取大范围的作物表层信息,但容易受到光照和天气等因素的影响,测量精度波动较大,更缺少穿透能力,无法实现株高、穗层和地表形貌的精确测量。
发明内容
为了解决上述问题,本发明提出了一种基于无人机激光雷达的田间花生株高估算方法,使用无人机搭载激光雷达这一主动遥感技术,凭借其对植被冠层具有很强的穿透性、能快速获取冠层详细的三维信息的优点,实现了对花生田地的实时监测,克服了传统方法破坏性强、时效性差、无法准确获取面数据的缺点,可以精准、无损、高效地获取花生株高信息,适合大尺度的农情监测。
本发明的技术方案如下:
一种基于无人机激光雷达的田间花生株高估算方法,包括如下步骤:
步骤1、综合考虑目标监测区域的地貌地形、机载激光雷达设备的参数、天气条件、航带重叠度和航带宽度,规划符合要求的航线;
步骤2、将机载激光雷达系统安装在无人机飞行器上,机载激光雷达系统包括激光雷达设备、GPS全球定位系统和惯性导航系统,通过激光雷达设备记录点云数据,GPS全球定位系统和惯性导航系统记录点云数据的位置和方向信息;
步骤3、基于点云数据构建目标监测区域的三维数字表面模型;
步骤4、对生成的三维数字表面模型进行分割和计算,最终得到花生的株高估算值。
进一步地,步骤1中,机载激光雷达设备的参数包括扫描角、相机镜头焦距、扫描频率;天气条件包括雾、云、烟尘、降雨。
进一步地,步骤2中,无人机按照规划的飞行高度和路径对目标监测区域进行数据采集,激光雷达发射激光脉冲并测量脉冲从无人机到地面的回程时间,以此计算距离,进而记录点的坐标信息,坐标信息以点云的形式保存,每个点都包含X、Y、Z坐标信息,以此来表示点在三维空间中的位置。
进一步地,步骤3的具体过程如下:
步骤3.1、使用大疆智图软件进行多条航线的点云数据拼接,生成合并后完整实验场景的点云模型;
步骤3.2、对拼接后的点云数据进行一次预处理,包括去噪、滤波、校准和分类操作;
步骤3.3、采用三维重建算法进行监测区域的三维建模。
进一步地,步骤3.2中,去噪操作采用密度聚类法,密度聚类算法将点云按相似性划分为不同的簇,将距离近且密度高的区域划分为同一簇,而将距离远且密度低的区域的点划分为异常点,然后删除异常点;滤波操作采用不规则三角网加密滤波算法,提取地面点;校准操作采用GPS全球定位系统和惯性导航系统将点云数据准确定位到地球坐标系;分类操作采用大疆智图软件中的点云分类工具进行处理。
进一步地,步骤3.3的具体过程为:首先,通过构建三角网格生成地表的平滑模型,将点云数据网格化;然后,使用局部拟合曲面来逼近点云数据,通过曲面重建的方法转换为连续的三维表面;再然后,将采集的纹理信息映射到表面模型;最后,从表面模型中提取花生顶部的高程信息,分别生成裸土期数字表面模型和饱果成熟期数字表面模型。
进一步地,步骤4的具体过程如下:
步骤4.1、分别从裸土期数字表面模型和饱果成熟期数字表面模型中获取裸土期、饱果成熟期两个时期的点云数据,然后对裸土期、饱果成熟期两个时期的点云数据进行配准;
步骤4.2、将点云数据转为带有坐标信息的TIFF格式文件,再对数据进行二次预处理,包括图像重采样和图像掩膜提取;
步骤4.3、利用ArcMap中的栅格计算器工具,对饱果成熟期数字表面模型与裸土期数字高模型进行相减运算,得出目标监测区域的花生冠层高度模型;
步骤4.4、通过局部极大值估计算法,对整片田间上的各地块进行小区域划分,统计各地块上小区域的花生冠层高度模型的最大值,将最大值作为各地块上小区域的株高估算值,统计地块上小区域株高估算值的平均株高作为当前地块花生的株高,再对所有地块采用相同的估计方法进行计算,最终得到整片田间的花生株高估算值。
进一步地,步骤4.2中,图像重采样选择最邻近法,将与当前图像中距离某像元位置最近的像元值作为像元的新值,重采样输出像元大小与裸土期的数字高程模型的像元大小一致;图像掩膜提取的过程为:制作能覆盖整个目标监测区域的矢量文件,将矢量文件叠加在裸土期和饱果成熟期两幅图像上,按照矢量范围对图像进行掩膜提取。
本发明所带来的有益技术效果:低空无人机搭载激光雷达遥感技术为花生这一田间作物株高的提取提供了一种高效、便捷、高精度的技术。这一技术通过激光雷达系统,获取目标监测区域的点云数据,进而生成数字表面模型,从而实现快速的三维模型重建。结合栅格计算工具和局部极大值估计算法可以自动提取目标监测区域中花生的株高,并且保证较高的精度,从而可以高效率、高精度地获取全部区域内花生株高的变化情况,能够解决人工观测耗时耗力、以点代面、数据精度不一致等问题。本发明提出的新的花生株高监测技术具有采样速度快、采样精度高、采样范围广、无接触测量等显著优势。基于无人机激光雷达的低空遥感技术在花生的农情监测中拥有广阔的应用前景。它不仅有助于准确衡量作物的长势、实现精准农业的定量化和实时化,而且还为产量预测、育种筛选等应用领域提供了详实而丰富的数据支持。
附图说明
图1为本发明基于无人机激光雷达的田间花生株高估算方法的流程图。
图2为本发明株高预测值与地面实测值线性拟合结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提供一种基于无人机激光雷达的田间花生株高估算方法,利用无人机遥感机动灵活的特性针对花生裸土期和饱果成熟期两个时期进行作物三维点云模型的重建,获取大范围复杂农田条件下作物的株高,可以有效解决人工测高费时费力、以点代面、数据精度不一致等问题,极大地减少了地面测量工作、提高了花生测高的效率,并且保证了株高提取的精度和一致性。本发明方法的具体步骤如下:
步骤1、无人机参数规划设计。综合考虑目标监测区域的地貌地形、机载激光雷达设备的参数(扫描角、相机镜头焦距、扫描频率等)、天气条件(雾、云、烟尘、降雨等)、航带重叠度和航带宽度,设计出符合要求的航线。
步骤2、无人机采集点云数据。将机载激光雷达系统安装在无人机飞行器上,机载激光雷达系统包括激光雷达设备、GPS全球定位系统和惯性导航系统,通过激光雷达设备记录点云数据,GPS全球定位系统和惯性导航系统记录点云数据的位置和方向信息。
无人机按照规划的飞行高度和路径对目标监测区域进行数据采集,激光雷达发射激光脉冲并测量这些脉冲从无人机到地面或地物表面的回程时间,以计算距离,进而记录点的坐标信息,坐标信息以点云的形式保存,每个点都包含X、Y、Z坐标信息,以此来表示点在三维空间中的位置。点云数据必须满足一定的重叠度,其中,旁向重叠度应达到20%,最少为13%,以保证数据无漏洞,同时,点云密度也能得到更好的保证。
步骤3、基于点云数据的田间花生的三维重建。基于激光雷达三维重建算法对预处理后的点云集合进行处理,获取目标监测区域的数字表面模型(Digital Surface Model,DSM)。具体包括如下步骤:
步骤3.1、使用大疆智图软件,进行多条航线的点云数据拼接,生成合并后完整实验场景的点云模型;
步骤3.2、对拼接后的点云数据进行一次预处理,主要包括去噪、滤波、校准和分类操作,使用后处理软件大疆智图中的点云去噪、点云分类等工具,采用人机交互的方式,对机载激光点云数据进行预处理,可以提高数据质量;其中,使用密度聚类法实现 LiDAR 噪点的剔除,密度聚类算法将点云按相似性划分为不同的簇,不同簇之间点云存在很大的差异性,密度聚类法能够将临近且密度较高的区域划分为同一簇,而距离较远且密度较低区域的点就被认为是异常点;采用TIN不规则三角网加密滤波算法,提取地面点,并使用GPS全球定位系统和惯性导航系统进行校准数据、修正姿态,将点云数据准确定位到地球坐标系,以确保后续三维建模生成的DSM具有正确的地理位置信息;
步骤3.3、采用三维重建算法进行监测区域的三维建模;三维重建算法的建模过程主要包括表面重建和纹理映射两部分,具体为:通过构建三角网格生成地表的平滑模型,将点云数据网格化,再使用局部拟合曲线或曲面来逼近点云数据,通过曲面重建的方法转换为连续的三维表面,最后将采集的纹理信息映射到表面模型,以增加更多的细节;最终从三维建模中生成的表面模型中提取花生顶部的高程信息,分别生成裸土期数字表面模型和饱果成熟期数字表面模型。
为确保数字表面模型的准确性和质量,可以对其进行进一步的降噪、平滑化和修复操作。
步骤4、对生成的三维数字表面模型进行分割和计算,最终得到花生的株高估算值。具体过程如下:
步骤4.1、分别从裸土期数字表面模型和饱果成熟期数字表面模型中获取裸土期、饱果成熟期两个时期的点云数据,然后对裸土期、饱果成熟期两个时期的点云数据进行配准,使它们处在同一个坐标系下;
步骤4.2、由于三维重建生成的DSM数字表面模型数据量庞大,庞大的数据量会导致三维重建算法、冠层高度模型提取算法和局部极大值估计算法的复杂度大大增加,还会降低算法的准确度,因此,在正式的株高计算之前,先将点云数据转为带有坐标信息的TIFF格式文件,再对数据进行二次预处理,;二次预处理过程包括图像重采样和图像掩膜提取,首先进行图像重采样,重采样方式选择最邻近法,将与当前图像中距离某像元位置最近的像元值作为像元的新值,重采样输出像元大小选择与的像元大小一致,使后续图像运算可以实现点对点的准确运算。然后进行图像掩膜提取,制作可以覆盖整个目标监测区域的矢量文件,将矢量文件叠加在裸土期和饱果成熟期两幅图像上,按照矢量范围对图像进行掩膜提取。通过以上两步,可以实现两幅图像的点与点对应,并使其区域范围大小一致,从中选取有效的信息,减少计算数据量,同时提高了模式识别算法的精确度;
步骤4.3、通过冠层高度模型提取算法得到花生冠层高度模型,即利用ArcMap中的栅格计算器工具,对饱果成熟期数字表面模型与裸土期数字高模型进行相减运算,得出目标监测区域的花生冠层高度模型;
冠层高度模型具体通过以下公式进行计算:
;
式中,表示花生冠层高度模型,/>表示花生饱果成熟期监测得到的数字表面模型,/>表示裸土期的数字高程模型;
步骤4.4、通过局部极大值估计算法,对整片田间上的各地块进行小区域划分,统计各地块上小区域的花生冠层高度模型的最大值,将最大值作为各地块上小区域的株高估算值,统计地块上小区域株高估算值的平均株高作为当前地块花生的株高,再对所有地块采用相同的估计方法进行计算,最终得到整片田间的花生株高估算值。
由上述发明内容可知,本发明的基于无人机激光雷达的田间花生株高估算方法,通过对无人机搭载的激光雷达对目标区域进行点云数据采集,以此来构建目标区域的含花生冠层空间信息的数字表面模型,进而获得花生的株高,能够解决人工观测耗时耗力、以点代面、数据精度不一致等问题。
为了证明本发明的可行性,给出如下实施例。本实施例综合考虑测区的地貌地形、机载激光雷达设备的参数(扫描角、相机镜头焦距、扫描频率等)、天气条件(雾、云、烟尘、降雨等)、航带重叠度和航带宽度,选择大疆经纬M300 RTK无人机,搭载禅思L1,并预先规划好航测的航线和飞行高度。无人机、激光雷达的相关参数如表1所示:
表1 无人机、激光雷达相关参数;
。
本实施例选定一个100m×70m的花生种植区域作为监测目标作物区域。然后按照步骤3和步骤4的过程进行三维重建和计算株高。
本发明还进行了对比实验,将株高预测值(单位:米)与地面实测值(单位:米)进行线性拟合分析,拟合结果如图2所示,得出拟合的结果为,相关系数/>=0.824,结果显示具有良好的拟合效果和精度,因此,该方法可以用于提取花生株高。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (8)
1.一种基于无人机激光雷达的田间花生株高估算方法,其特征在于,包括如下步骤:
步骤1、综合考虑目标监测区域的地貌地形、机载激光雷达设备的参数、天气条件、航带重叠度和航带宽度,规划符合要求的航线;
步骤2、将机载激光雷达系统安装在无人机飞行器上,机载激光雷达系统包括激光雷达设备、GPS全球定位系统和惯性导航系统,通过激光雷达设备记录点云数据,GPS全球定位系统和惯性导航系统记录点云数据的位置和方向信息;
步骤3、基于点云数据构建目标监测区域的三维数字表面模型;
步骤4、对生成的三维数字表面模型进行分割和计算,最终得到花生的株高估算值。
2.根据权利要求1所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤1中,机载激光雷达设备的参数包括扫描角、相机镜头焦距、扫描频率;天气条件包括雾、云、烟尘、降雨。
3.根据权利要求1所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤2中,无人机按照规划的飞行高度和路径对目标监测区域进行数据采集,激光雷达发射激光脉冲并测量脉冲从无人机到地面的回程时间,以此计算距离,进而记录点的坐标信息,坐标信息以点云的形式保存,每个点都包含X、Y、Z坐标信息,以此来表示点在三维空间中的位置。
4.根据权利要求1所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1、使用大疆智图软件进行多条航线的点云数据拼接,生成合并后完整实验场景的点云模型;
步骤3.2、对拼接后的点云数据进行一次预处理,包括去噪、滤波、校准和分类操作;
步骤3.3、采用三维重建算法进行监测区域的三维建模。
5.根据权利要求4所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤3.2中,去噪操作采用密度聚类法,密度聚类算法将点云按相似性划分为不同的簇,将距离近且密度高的区域划分为同一簇,而将距离远且密度低的区域的点划分为异常点,然后删除异常点;滤波操作采用不规则三角网加密滤波算法,提取地面点;校准操作采用GPS全球定位系统和惯性导航系统将点云数据准确定位到地球坐标系;分类操作采用大疆智图软件中的点云分类工具进行处理。
6.根据权利要求4所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤3.3的具体过程为:首先,通过构建三角网格生成地表的平滑模型,将点云数据网格化;然后,使用局部拟合曲面来逼近点云数据,通过曲面重建的方法转换为连续的三维表面;再然后,将采集的纹理信息映射到表面模型;最后,从表面模型中提取花生顶部的高程信息,分别生成裸土期数字表面模型和饱果成熟期数字表面模型。
7.根据权利要求1所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1、分别从裸土期数字表面模型和饱果成熟期数字表面模型中获取裸土期、饱果成熟期两个时期的点云数据,然后对裸土期、饱果成熟期两个时期的点云数据进行配准;
步骤4.2、将点云数据转为带有坐标信息的TIFF格式文件,再对数据进行二次预处理,包括图像重采样和图像掩膜提取;
步骤4.3、利用ArcMap中的栅格计算器工具,对饱果成熟期数字表面模型与裸土期数字高模型进行相减运算,得出目标监测区域的花生冠层高度模型;
步骤4.4、通过局部极大值估计算法,对整片田间上的各地块进行小区域划分,统计各地块上小区域的花生冠层高度模型的最大值,将最大值作为各地块上小区域的株高估算值,统计地块上小区域株高估算值的平均株高作为当前地块花生的株高,再对所有地块采用相同的估计方法进行计算,最终得到整片田间的花生株高估算值。
8.根据权利要求7所述基于无人机激光雷达的田间花生株高估算方法,其特征在于,所述步骤4.2中,图像重采样选择最邻近法,将与当前图像中距离某像元位置最近的像元值作为像元的新值,重采样输出像元大小与裸土期的数字高程模型的像元大小一致;图像掩膜提取的过程为:制作能覆盖整个目标监测区域的矢量文件,将矢量文件叠加在裸土期和饱果成熟期两幅图像上,按照矢量范围对图像进行掩膜提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509398.7A CN117253163A (zh) | 2023-11-14 | 2023-11-14 | 一种基于无人机激光雷达的田间花生株高估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509398.7A CN117253163A (zh) | 2023-11-14 | 2023-11-14 | 一种基于无人机激光雷达的田间花生株高估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253163A true CN117253163A (zh) | 2023-12-19 |
Family
ID=89137126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311509398.7A Pending CN117253163A (zh) | 2023-11-14 | 2023-11-14 | 一种基于无人机激光雷达的田间花生株高估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253163A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
CN108594262A (zh) * | 2018-07-05 | 2018-09-28 | 南京林业大学 | 一种结合无人机和地基激光雷达提取树高的方法 |
CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN114863369A (zh) * | 2022-07-06 | 2022-08-05 | 北京市农林科学院信息技术研究中心 | 激光雷达监测玉米倒伏的方法、装置、设备及介质 |
CN114994702A (zh) * | 2022-06-15 | 2022-09-02 | 江苏省水利科学研究院 | 一种基于机载激光雷达的水库库容测算方法 |
CN116229289A (zh) * | 2022-12-13 | 2023-06-06 | 河南省农业科学院农业经济与信息研究所 | 一种基于无人机的冬小麦生物量快速高精准估测方法 |
-
2023
- 2023-11-14 CN CN202311509398.7A patent/CN117253163A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
CN108594262A (zh) * | 2018-07-05 | 2018-09-28 | 南京林业大学 | 一种结合无人机和地基激光雷达提取树高的方法 |
CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN114994702A (zh) * | 2022-06-15 | 2022-09-02 | 江苏省水利科学研究院 | 一种基于机载激光雷达的水库库容测算方法 |
CN114863369A (zh) * | 2022-07-06 | 2022-08-05 | 北京市农林科学院信息技术研究中心 | 激光雷达监测玉米倒伏的方法、装置、设备及介质 |
CN116229289A (zh) * | 2022-12-13 | 2023-06-06 | 河南省农业科学院农业经济与信息研究所 | 一种基于无人机的冬小麦生物量快速高精准估测方法 |
Non-Patent Citations (4)
Title |
---|
王涛;龚建华;张利辉;岳玉娟;: "基于机载激光雷达点云数据提取林木参数方法研究", 测绘科学, no. 06 * |
胡凯龙;刘清旺;庞勇;李梅;穆喜云;: "基于机载激光雷达校正的ICESat/GLAS数据森林冠层高度估测", 农业工程学报, no. 16, pages 179 - 62 * |
陈洪;韩峰;赵庆展;刘伟;张天毅;: "近地机载激光雷达棉花LAI提取方法研究", 干旱区地理, no. 06 * |
陈秋计;杭梦如;李继业;王鑫;: "基于LIDAR的矿区恢复植被高度提取方法研究", 煤炭科学技术, no. 04, pages 113 - 119 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
CN107085710B (zh) | 一种基于多光谱LiDAR数据的单木自动提取方法 | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN112729130A (zh) | 卫星遥感测量树木冠层高度的方法 | |
CN114781011A (zh) | 一种像素级全球森林碳储量高精度计算方法及系统 | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Liu et al. | Single tree segmentation and diameter at breast height estimation with mobile LiDAR | |
CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 | |
Chen et al. | Site quality assessment of a Pinus radiata plantation in Victoria, Australia, using LiDAR technology | |
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 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Tian et al. | Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series | |
Domazetovic et al. | Assessing the Vertical Accuracy of Worldview-3 Stereo-extracted Digital Surface Model over Olive Groves. | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
Calou et al. | Estimation of maize biomass using unmanned aerial vehicles | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
Itakura et al. | Voxel-based leaf area estimation from three-dimensional plant images | |
Momm et al. | Methods for gully characterization in agricultural croplands using ground-based light detection and ranging | |
CN114862872B (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
CN117253163A (zh) | 一种基于无人机激光雷达的田间花生株高估算方法 | |
Saponaro et al. | Influence of co-alignment procedures on the co-registration accuracy of multi-epoch SFM points clouds | |
Aravinth et al. | Evaluation and Analysis of building Height with LiDAR Data |
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 |