CN119693661A - 一种基于三维建模的植株修剪方法和系统 - Google Patents

Abstract

本申请公开了一种基于三维建模的植株修剪方法和系统，其中方法包括：采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据；利用三维重建技术生成所述目标植株的三维模型；通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征；在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议；通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

Description

一种基于三维建模的植株修剪方法和系统

技术领域

本申请涉及农业技术领域，具体而言，涉及一种基于三维建模的植株修剪方法和系统。

背景技术

目前，在农业生产中，对于果树的管理和修剪仍大量依赖于人工经验。传统的修剪方法不仅效率低下，而且由于缺乏科学的数据支持，容易导致修剪不一致或者错误的操作，难以实现规模化、标准化作业。此外，随着农业科技的进步，一些自动化工具和技术开始应用于这一领域，但这些技术和工具仍然存在一定的局限性，尤其是在复杂多变的自然环境下，难以实现精准有效的修剪作业。这些问题限制了果农对果实产量和品质的有效控制，也影响到了现代农业生产的整体效益和发展速度。

发明内容

为了解决上述技术问题，本申请公开一种基于三维建模的植株修剪方法和系统，利用多态识别模型对目标植株的生长趋势进行预测；基于生长预测结果生成目标植株的枝干的修剪建议。通过融合多维特征数据提升了模型的准确性，并且实现了三维可视化展示，使用户能够直观看到修剪前后的对比效果及其对未来成长态势的预测效果，辅助人工完成植株修剪工作。具体的，本申请的技术方案如下：

第一方面，本申请公开一种基于三维建模的植株修剪方法，包括如下步骤：

采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据；

利用三维重建技术生成所述目标植株的三维模型；

通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征；在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议；

通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

在一些实施方式中，所述的一种基于三维建模的植株修剪方法，还包括：

采用 Transformer 结构与三维卷积神经网络（3D CNN）相结合构建所述多态识别模型；

按照特定规律筛选并采集若干种类植株的历史生长记录作为训练集，对所述多态识别模型进行训练；

构建专家知识库，以便所述多态识别模型利用机器学习算法整合所述专家知识库向用户提供修剪建议的动态反馈。

在一些实施方式中，所述的利用三维重建技术生成所述目标植株的三维模型，具体包括：

对所述三维点云数据和所述多视角图像数据进行数据预处理，包括滤波与去噪、数据归一化；

通过点云配准技术，从点云数据中提取特征点并进行匹配，使用点云配准算法将多视角点云数据对齐到同一坐标系；

通过网格化处理技术，将配准后的点云数据进行融合，使用网格化算法将融合后的点云数据转换为网格模型；

通过纹理映射技术从所述多视角图像数据中提取纹理信息，将提取的纹理映射到所述网格模型上，生成三维模型，以确保生成的所述三维模型能够还原所述目标植株的枝干的空间分布和芽点的位置。

在一些实施方式中，所述的结合时序数据对所述目标植株的生长趋势进行预测，具体包括：

将不同时期提取到的所述目标植株生理特征数据和环境特征数据按照时间顺序排列，形成所述目标植株长势的时序数据；利用所述多态识别模型结合所述时序数据与所述目标植株的生长规律分析得到所述目标植株的生长趋势。

在一些实施方式中，所述的基于生长预测结果生成所述目标植株的枝干的修剪建议，具体包括：

在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；

根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

在一些实施方式中，所述的通过可视化界面展示所述生长预测结果和/或所述修剪建议，具体包括：

利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度。

在一些实施方式中，所述的通过可视化界面展示所述生长预测结果和/或所述修剪建议，还包括：

利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。

第二方面，本申请还公开一种基于三维建模的植株修剪系统，包括：

数据采集模块，用于采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据；

三维建模模块，用于利用三维重建技术生成所述目标植株的三维模型；

特征提取模块，用于通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征；

智能算法模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议；

AR展示模块，用于通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

在一些实施方式中，所述智能算法模块，具体包括：

识别子模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布；

预测子模块，用于将不同时期提取到的所述目标植株生理特征数据和环境特征数据按照时间顺序排列，形成所述目标植株长势的时序数据；利用所述多态识别模型结合所述时序数据与所述目标植株的生长规律分析得到所述目标植株的生长趋势；

模拟修剪子模块，用于在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

在一些实施方式中，所述AR展示模块，具体用于：利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度；

所述AR展示模块，还用于利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。

与现有技术相比，本申请至少具有以下一项有益效果：

1、本申请采用深度学习算法通过分析多源数据精准识别植株的结构和生长状态，对目标植株的生长趋势进行预测，生成科学的植株修剪建议，从而为修剪提供精确指导，这种方法不仅提高了修剪的效率，还减少了人工操作的误差。确保既不会过度修剪也不会忽略必要的疏除工作。有助于推动现代农业生产的规模化与标准化。

2、本申请通过AR设备，用户可以在现实环境中直接看到虚拟的修剪建议叠加在实际植株上，这种直观的可视化方式能够帮助用户更精准地执行修剪操作。AR技术可以实时显示需要修剪的枝条位置、修剪角度和长度，减少人为判断的误差，从而提高修剪的准确性和一致性。AR设备能够快速提供修剪建议，用户无需频繁查看纸质指南或依赖经验，从而显著提高修剪工作的效率。

3、本申请植株修剪方法降低了对操作人员技能的要求。即使是新手也可以通过AR设备快速上手，按照虚拟提示完成修剪工作，从而扩大了修剪工作的可操作人群。配合机器人技术实现自动修剪，从而显著降低劳动力成本。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本申请的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1为本申请一种基于三维建模的植株修剪方法的一个实施例的步骤流程图；

图2为本申请一种基于三维建模的植株修剪系统的一个实施例的结构框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。

为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

具体实现中，本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面（例如，触摸屏显示器和/或触摸板）的移动电话、膝上型计算机、家教机或平板计算机之类的其他便携式设备。还应当理解的是，在某些实施例中，所述终端设备并非便携式通信设备，而是具有触摸敏感表面（例如：触摸屏显示器和/或触摸板）的台式计算机。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对照附图说明本申请的具体实施方式。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，并获得其他的实施方式。

现有的果树修剪技术主要包括以下几种：

1、传统手工修剪：完全依靠工人个人经验和技能完成，这种方式虽然灵活性高，但是效率低、劳动强度大，并且修剪质量受个体差异的影响较大。

2、基于二维图像处理的自动识别技术：这类技术试图通过拍摄树冠的照片来确定最佳修剪位置，但由于只考虑平面信息，因此无法准确反映出树木的真实空间结构，特别是当树叶掉落时，枝干间的遮挡关系变得更为复杂，这种方法的效果就更加有限。

3、自动化修剪机器人：近年来，研究人员开发了一些能够在田间自行移动并执行修剪任务的机器人装置，尽管它们可以提高工作效率，减少劳动力需求，然而高昂的成本使其普及度较低，同时，这些机器人的适应性和灵活性也不足，面对不同的园地条件时常显得力不从心。

每种方案都有其适用范围和特定优势，但也伴随着明显的缺陷。当前市面上可用的各种果树修剪技术各有千秋，但从实际应用来看，普遍存在以下几个方面的不足之处：

对于已经落叶的果树来说，传统的视觉评估方法很难准确判断哪些分支应该被去除，因为没有叶子覆盖的情况下，枝条之间的层次感和密度变化不易区分。现有基于二维图像的识别方法无法捕捉果树的三维结构信息，难以满足精准修剪的需求。

单纯使用机械手臂或固定式裁剪器进行大规模作业可能会造成不必要的损伤或是错过重要的生长节点，从而影响到植物后续的成长发育情况。

部分高级别装备虽然集成了多种传感元件，能较好地感知周围环境的变化，却因过于专业化而难以推广开来，普通农户往往负担不起这样昂贵的投资。

本申请为了提供了更高效、低成本并且易于操作的方法来辅助农民在冬季或其他季节期间正确有效地修剪果树，确保既不会过度修剪也不会忽略必要的疏除工作。通过融合多维特征数据提升了模型的准确性，克服了单一维度数据造成的偏差，结合果树生长预测与增强现实技术，实现了三维可视化展示，使用户能够直观看到修剪前后的对比效果及其对未来成长态势的影响预测。

本申请一种基于三维建模的植株修剪方法和系统不仅可以用作果树修剪，还可以用作灌木、草坪、盆栽、绿化带、藤本等植株的修剪，在园艺设计、农业、艺术等领域发挥作用。本申请说明书以冬季已落叶果树的修剪为例对本申请方法进行说明，冬季是果树修剪的主要时期，通常在果树进入休眠期后至春季萌芽前进行，此时果树生理活动较弱，修剪对树体的损伤较小，主要目的是去除病枝、虫枝、枯枝、交叉枝和过密枝等，减少病虫害的越冬场所，同时调整树冠结构，提高挂果率。当然，在其他季节，或其他植株种类的选择并不影响本申请中技术方案的实现。应当理解的是，尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

参考说明书附图1所示，本申请一种基于三维建模的植株修剪方法的一个实施例具体包括以下步骤：

S100，采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据。

具体的，利用激光雷达（LiDAR）和多视角相机采集已落叶果树的三维点云数据和多视角图像数据，并通过环境传感器采集果园的光照、温湿度、土壤条件等环境数据。

S200，利用三维重建技术生成所述目标植株的三维模型。

具体的，根据采集到的三维点云数据和多视角图像数据，利用三维重建技术构建已落叶果树的高精度三维模型，以在模型中体现出枝干和芽点的空间位置。

S300，通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征。

具体的，基于深度学习算法，融合所述果树的形态特征、生理特征和环境特征，提取多态特征数据，其中形态特征包括枝干分布、芽点位置，生理特征包括历史生长数据、营养状态，环境特征包括日照时间、光照强度、温湿度、土壤条件。

S400，在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议。

具体的， 在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果，并结合果树的生长规律预测修剪后的生长趋势，包括枝条生长方向、长度变化以及果实产量预估。从不同修剪方案中选取最优的修剪方案作为修剪建议方案。通过可视化界面展示修剪建议与预测结果，辅助果农决策。

S500，通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

具体的，可视化界面为AR设备可视化界面，利用AR设备实时叠加修剪建议，指导果农进行精准修剪。结合专家知识库提供动态反馈，实时调整修剪建议，降低误操作率。

本申请采用深度学习算法通过分析多源数据精准识别植株的结构和生长状态，对目标植株的生长趋势进行预测，生成科学的植株修剪建议，从而为修剪提供精确指导，这种方法不仅提高了修剪的效率，还减少了人工操作的误差。确保既不会过度削减也不会忽略必要的疏除工作。

本申请公开一种基于三维建模的植株修剪方法的另一个实施例，在上述实施例的基础上，所述步骤S100具体包括以下子步骤：

S110，使用激光雷达采集所述目标植株以及所述目标植株所在目标区域内地形的所述三维点云数据。

具体的，利用激光雷达扫描仪获取目标区域内的地形地貌信息，可选的，使用深度相机代替激光雷达也可以实现三维点云数据的采集。

S120，使用图像采集设备从不同角度拍摄所述目标植株，以采集所述目标植株的所述多视角图像数据。

具体的，图像采集设备包括采用多视角相机或单视角相机。将图像采集设备安置在适宜高度，环绕待修剪果树四周缓慢行走一圈，确保所有部位都能被捕获。

S130，采用土壤传感器和气象传感器采集所述目标植株的环境特征数据，分别包括：土壤湿度、温度、pH值；空气温湿度、光照强度、风速、降雨量。

具体的，土壤传感器：用于监测土壤湿度、温度、pH值、电导率等参数。这些参数可以帮助了解土壤的肥力和水分状况，从而优化施肥和灌溉策略。

气象传感器：用于监测空气温湿度、光照强度、风速、降雨量等气象参数。这些数据有助于评估果园的气候条件对果树生长的影响。

S140，采用植物生理传感器采集所述目标植株的生理特征数据，包括：冠层覆盖度、树高、挂果量、营养状态。

具体的，植物生理传感器：用于监测果树的叶面温度、叶面湿度、果实膨大情况、叶片厚度和叶面积等生长指标。这些数据可以反映果树的生长状态和健康状况。

本申请利用激光雷达扫描仪获取目标区域内的地形地貌信息，配合摄像头捕获的多角度影像资料共同构建高精度的果树三维模型，具体操作包括：开启设备电源，启动多态识别程序，确认传感器正常运行。数据采集时可以结合天气情况避免光照的影响，可以分晴天、多云、阴天等分别对待修剪果树进行采集。数据收集完毕后，切换至三维建模界面等待建模系统加载完成。

三维模型建立过程依赖三维重建技术包括点云配准、网格化处理和纹理映射等。本申请提供一种基于三维建模的植株修剪方法的另一个实施例，在上述方法的任意一个实施例的基础上，所述步骤S200，具体包括以下子步骤：

S210，对所述三维点云数据和所述多视角图像数据进行数据预处理，包括滤波与去噪、数据归一化。

具体的，对点云数据进行去噪、滤波和裁剪等处理，对图像数据进行校正和特征提取等处理。

S220，通过点云配准技术，从点云数据中提取特征点并进行匹配，使用点云配准算法将多视角点云数据对齐到同一坐标系。

具体的，从点云数据中提取特征点（如SIFT或SURF特征），并进行匹配。使用迭代最近点（ICP）或基于特征的配准算法（如RANSAC）将多视角点云数据对齐到同一坐标系。再通过全局优化算法（如Gauss-Newton法或Levenberg-Marquardt法）进一步提升配准精度。

S230，通过网格化处理技术，将配准后的点云数据进行融合，使用网格化算法将融合后的点云数据转换为网格模型。

具体的，将配准后的点云数据融合，生成统一的稠密点云。使用网格化算法（如Marching Cubes或泊松重建）将点云数据转换为三角网格模型。对生成的网格进行简化、平滑和修复，以提高模型的质量。

S240，通过纹理映射技术从所述多视角图像数据中提取纹理信息，将提取的纹理映射到所述网格模型上，生成三维模型，以确保生成的所述三维模型能够还原所述目标植株的枝干的空间分布和芽点的位置。

具体的，从多视角图像中提取纹理信息，将提取的纹理映射到网格模型上，生成逼真的三维模型。

可选的，还包括对生成的三维模型进行进一步优化，处理多视角图像之间的纹理重叠和不一致问题，确保纹理的连续性和一致性。减少多边形数量、提高纹理质量等。

本实施例提供另一实施方式，在本实施例的基础上，所述步骤S300，通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征。具体的，所述多态识别模型采用 Transformer 结构与三维卷积神经网络（3D CNN）相结合的深度学习模型，提取果树的形态、生理（历史生长数据、营养状态等）及环境特征（日照时间长短、光照、温湿度、土壤条件等）。

在此基础上，本实施例的另一实施方式中，在使用所述多态识别模型之前还包括：S301，采用 Transformer 结构与三维卷积神经网络(3D CNN)相结合构建所述多态识别模型。

具体的，融合果树的形态特征（枝干分布、芽点位置）、生理特征（历史生长数据、营养状态）及外部环境特征（日照时间长短、光照、温湿度、土壤条件）等多维度信息，构建多态识别模型，提升落叶后果树枝干结构的识别精度。

S302，按照特定规律筛选并采集若干种类植株的历史生长记录作为训练集，对所述多态识别模型进行训练。

S303，构建专家知识库，以便所述多态识别模型利用机器学习算法整合所述专家知识库向用户提供修剪建议的动态反馈。

具体的，专家系统通过知识库存储专业知识，知识库包含事实知识（已知信息）和启发式知识（基于经验的规则）。多态识别模型通过学习这些知识，提高问题解决能力。

本申请多态识别模型可以利用机器学习算法分析用户行为，自动更新知识库内容，标记过时信息，并根据用户需求生成新内容。还可以通过用户反馈和系统自我学习，知识库能够不断优化，提高信息的准确性和相关性。

本申请提供一种基于三维建模的植株修剪方法的另一个实施例，在上述方法的任意一个实施例的基础上，所述步骤S400，具体包括以下子步骤：

S410，通过所述多态识别模型，在所述三维模型的基础上识别所述目标植株的枝干和芽点的空间分布。

具体的，多态识别模型基于目标植株的三维模型，对落叶后果树的形态特征（枝干分布、芽点位置）进行精准动态识别。并在果树的三维模型，标注枝干与芽点的空间位置。

S420，将不同时期采集到的所述目标植株所述生理特征和所述环境特征数据按照时间顺序排列，形成所述目标植株长势的时序数据；利用所述多态识别模型结合所述时序数据分析得到所述目标植株的生长趋势。

具体的，将采集到的多源数据进行融合处理和分析，以获取果树长势的时序数据，例如多态识别模型融合果树的生理特征（历史生长数据、营养状态）及外部环境特征（日照时间长短、光照、温湿度、土壤条件）等多维度信息，形成综合的果树长势监测数据，按照时间顺序排列形成时序数据。通过多态识别模型数据分析工具，对时序数据进行趋势分析、相关性分析等，评估果树的生长趋势和环境适应性，结合长势数据和历史产量数据，利用机器学习模型预测未来的果实产量。

S430，在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

具体的，在模型中标注出枝干和芽点的空间位置。在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果，并结合果树的生长规律预测修剪后的生长趋势，包括枝条生长方向、长度变化以及果实产量预估。在虚拟环境中模拟修剪效果，结合果树的生长规律预测未来生长趋势，为修剪决策提供科学依据。根据虚拟修剪模拟的结果，生成修剪建议，包括需剪枝的位置、保留长度及修剪角度等信息。

本申请提供一种基于三维建模的植株修剪方法的另一个实施例，在上述方法的任意一个实施例的基础上，所述步骤S500，具体包括以下子步骤：

S510，利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度。

S520，利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。

具体的，利用增强现实（AR）设备（如智能眼镜）实时叠加修剪建议，结合专家知识库与动态反馈机制，实时调整修剪建议，将上述所得结论以透明图层的形式呈现在用户的视野里，指引他们按照指示行动。具体操作可体现在：佩戴AR智能设备，初步调整视角直至满意为止；启动虚拟修剪模式，选定初始修剪路径；跟随屏幕上的箭头标志依次施行每个动作；完成一轮修剪后返回查看修剪效果或预期效果，如需要再次调整可重复上述某些环节直到完美为止。

AR设备能够快速提供修剪建议，用户无需频繁查看纸质指南或依赖经验，从而显著提高修剪工作的效率。此外，结合深度学习算法，AR设备还可以根据植株的实时修剪结果动态调整修剪建议，进一步优化修剪流程。

本申请提供一种基于三维建模的植株修剪方法的另一个实施例，参考说明书附图2所示，在上述方法的任意一个实施例的基础上，还包括：在实际修剪完成后，对修剪效果进行评估，包括枝条去除率、保留长度准确性以及对果树生长的影响等方面，以便进一步优化修剪建议生成算法。

基于相同的构思，本申请还公开一种基于三维建模的植株修剪系统。所述系统用于实现上述任一个方法实施例中所述的步骤。具体的，本申请一种基于三维建模的植株修剪系统的一个实施例，包括：

数据采集模块，用于采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据。

三维建模模块，用于利用三维重建技术生成所述目标植株的三维模型。

特征提取模块，用于通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征。

智能算法模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议。

AR展示模块，将生长预测结果和修剪建议通过可视化界面直观呈现，为人工修剪提供精准指导，确保修剪工作的高效与准确执行。

在上述实施例的基础上，本申请公开一种基于三维建模的植株修剪系统的另一个实施例，所述数据采集模块，具体包括以下子模块：

激光雷达，用于采集所述目标植株以及所述目标植株所在目标区域内地形的所述三维点云数据。

图像采集设备，用于从不同角度拍摄所述目标植株，以采集所述目标植株的所述多视角图像数据。

传感设备，包括土壤传感器、气象传感器和植物生理传感器等。

具体的，土壤传感器：用于监测土壤湿度、温度、pH值、电导率等参数。这些参数可以帮助了解土壤的肥力和水分状况，从而优化施肥和灌溉策略。

气象传感器：用于监测空气温湿度、光照强度、风速、降雨量等气象参数。这些数据有助于评估果园的气候条件对果树生长的影响。

植物生理传感器：用于监测果树的叶面温度、叶面湿度、果实膨大、叶片厚度和叶面积等生长指标。这些数据可以反映果树的生长状态和健康状况。

在本申请的另一个实施例中，所述三维建模模块，具体包括以下子模块：

数据预处理子模块，用于对所述三维点云数据和所述多视角图像数据进行数据预处理，包括滤波与去噪、数据归一化。

点云配准子模块，用于通过点云配准技术，从点云数据中提取特征点并进行匹配，使用点云配准算法将多视角点云数据对齐到同一坐标系。

网格化处理子模块，用于通过网格化处理技术，将配准后的点云数据进行融合，使用网格化算法将融合后的点云数据转换为网格模型。

纹理映射子模块，用于通过纹理映射技术从所述多视角图像数据中提取纹理信息，将提取的纹理映射到所述网格模型上，生成三维模型。

在上述实施例的基础上，本申请公开一种基于三维建模的植株修剪系统的另一个实施例，所述智能算法模块具体包括以下子模块：

识别子模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布。

预测子模块，用于将不同时期提取到的所述目标植株生理特征数据和环境特征数据按照时间顺序排列，形成所述目标植株长势的时序数据；利用所述多态识别模型结合所述时序数据与所述目标植株的生长规律分析得到所述目标植株的生长趋势。

模拟修剪子模块，用于在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

本申请提供一种基于三维建模的植株修剪系统的另一个实施例，在上述系统的任意一个实施例的基础上，还包括：

所述AR展示模块，具体用于：利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度。

所述AR展示模块，还用于利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。

更优的，本申请公开一种基于三维建模的植株修剪系统的另一个实施例，在上述任意一个系统实施例的基础上，本实施例还包括以下模块：

模型构建模块，用于采用 Transformer 结构与三维卷积神经网络(3D CNN)相结合构建所述多态识别模型；按照特定规律筛选并采集若干种类植株的历史生长记录作为训练集，对所述多态识别模型进行训练；构建专家知识库，以便所述多态识别模型利用机器学习算法整合所述专家知识库向用户提供修剪建议的动态反馈。

模型优化模块，用于根据实际修剪效果反馈，对多态识别模型进行持续优化和调整，以提高模型的识别精度和适应性。

修剪效果评估模块，用于在实际修剪完成后，对修剪效果进行评估，包括枝条去除率、保留长度准确性以及对果树生长的影响等方面，以便进一步优化修剪建议生成算法。

本申请的一种基于三维建模的植株修剪方法和系统具有相同的技术构思，二者的实施例的技术细节可相互适用，为减少重复，此次不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于三维建模的植株修剪方法，其特征在于，包括如下步骤：

采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据；

利用三维重建技术生成所述目标植株的三维模型；

通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征；

在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议；

通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

2.如权利要求1所述的一种基于三维建模的植株修剪方法，其特征在于，还包括：

采用 Transformer 结构与三维卷积神经网络(3D CNN)相结合构建所述多态识别模型；

按照特定规律筛选并采集若干种类植株的历史生长记录作为训练集，对所述多态识别模型进行训练；

构建专家知识库，以便所述多态识别模型利用机器学习算法整合所述专家知识库向用户提供修剪建议的动态反馈。

3.如权利要求1所述的一种基于三维建模的植株修剪方法，其特征在于，所述的利用三维重建技术生成所述目标植株的三维模型，具体包括：

对所述三维点云数据和所述多视角图像数据进行数据预处理，包括滤波与去噪、数据归一化；

通过点云配准技术，从点云数据中提取特征点并进行匹配，使用点云配准算法将多视角点云数据对齐到同一坐标系；

通过网格化处理技术，将配准后的点云数据进行融合，使用网格化算法将融合后的点云数据转换为网格模型；

通过纹理映射技术从所述多视角图像数据中提取纹理信息，将提取的纹理映射到所述网格模型上，生成三维模型，以确保生成的所述三维模型能够还原所述目标植株的枝干的空间分布和芽点的位置。

4.如权利要求1所述的一种基于三维建模的植株修剪方法，其特征在于，所述的结合时序数据对所述目标植株的生长趋势进行预测，具体包括：

将不同时期提取到的所述目标植株的生理特征数据和环境特征数据按照时间顺序排列，形成所述目标植株的长势的时序数据；利用所述多态识别模型结合所述时序数据与所述目标植株的生长规律分析得到所述目标植株的生长趋势。

5.如权利要求1或4所述的一种基于三维建模的植株修剪方法，其特征在于，所述的基于生长预测结果生成所述目标植株的枝干的修剪建议，具体包括：

在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；

根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

6.如权利要求1所述的一种基于三维建模的植株修剪方法，其特征在于，所述的通过可视化界面展示所述生长预测结果和/或所述修剪建议，具体包括：

利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度。

7.如权利要求1或6所述的一种基于三维建模的植株修剪方法，其特征在于，所述的通过可视化界面展示所述生长预测结果和/或所述修剪建议，还包括：

利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。

8.一种基于三维建模的植株修剪系统，其特征在于，包括：

数据采集模块，用于采集目标植株的三维点云数据与多视角图像数据；使用传感设备监测所述目标植株，采集环境传感数据；

三维建模模块，用于利用三维重建技术生成所述目标植株的三维模型；

特征提取模块，用于通过预先构建的多态识别模型，从所述三维模型与所述环境传感数据中提取所述目标植株的形态特征、生理特征和环境特征；

智能算法模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布；结合时序数据对所述目标植株的生长趋势进行预测；基于生长预测结果生成所述目标植株的枝干的修剪建议；

AR展示模块，用于通过可视化界面展示所述生长预测结果和/或所述修剪建议，辅助人工完成修剪工作。

9.如权利要求8所述的一种基于三维建模的植株修剪系统，其特征在于，所述智能算法模块，具体包括：

识别子模块，用于通过所述多态识别模型，在所述三维模型的基础上识别枝干和芽点的空间分布；

预测子模块，用于将不同时期提取到的所述目标植株的生理特征数据和环境特征数据按照时间顺序排列，形成所述目标植株的长势的时序数据；利用所述多态识别模型结合所述时序数据与所述目标植株的生长规律分析得到所述目标植株的生长趋势；

模拟修剪子模块，用于在所述三维模型的基础上进行虚拟修剪操作，模拟不同修剪方案下的修剪效果；根据虚拟修剪模拟的结果以及修剪前后预测的生长趋势生成修剪建议，包括枝干修剪位置、角度、保留枝干长度。

10.如权利要求8所述的一种基于三维建模的植株修剪系统，其特征在于，所述AR展示模块，具体用于：利用增强现实设备；在所述三维模型的基础上实时叠加所述修剪建议，包括展示枝干修剪位置、角度、保留枝干长度；

所述AR展示模块，还用于利用增强现实设备，在所述三维模型的基础上展示修剪前后所述目标植株的所述生长预测结果，包括预测枝条生长的方向、长度、预测果实产量。