激光点云三维技术提取作物表型参数研究进展

本文节选自《智慧农业（中英文）》2021年第3卷第1期，翟瑞芳博士团队的文章《利用多时序激光点云数据提取棉花表型参数方法》，其引用格式如下，欢迎大家阅读、引用。

引文格式：阳旭, 胡松涛, 王应华, 杨万能, 翟瑞芳. 利用多时序激光点云数据提取棉花表型参数方法[J]. 智慧农业(中英文), 2021, 3(1): 51-62.

YANG Xu, HU Songtao, WANG Yinghua, YANG Wanneng, ZHAI Ruifang. Cotton Phenotypic Trait Extraction Using Multi-Temporal Laser Point Clouds[J]. Smart Agriculture, 2021, 3(1): 51-62.

点击直达知网阅读

点击直达官网阅读（全文，免费）

激光点云三维技术提取作物表型参数研究进展

近年来，随着农作物表型组学和表型技术的发展，三维表型技术由于能够获取比二维表型技术多一个维度的信息，逐渐引起了高通量表型研究人员的关注和兴趣。其中，激光雷达（Light Detection and Ranging，LiDAR）技术作为一种通过发射激光脉冲快速获取目标空间数据的有效手段，既能无损地获取目标对象的三维信息，也克服了传统的计算机视觉技术重建作物的算法复杂度高和耗时长等不利因素，为三维空间中表型参数的自动测量提供了一种新思路。农作物是一种典型的形态结构随着时间变化而不断发生变化的对象，对不同生育期的作物进行持续的点云数据采集，既能够获取作物某一生长点的表型参数，也可以实现作物表型参数的动态变化过程，为育种学家提供更具参考价值的表型数据。

现阶段，作物的三维点云信息主要通过2种途径获取。一是利用基于图像的计算机视觉方法重建作物目标，如葡萄、番茄、大豆、玉米以及植物根系等。基于图像的计算机视觉方法一般通过相机标定、特征提取、特征匹配以及光束法平差等关键步骤实现，对获取的图像有约束性要求，如保证相邻视点影像间较高的重叠度，且生成的点云数据质量和图像数量关系较大。当作物本身缺乏足够特征时，需引入结构光等获得较丰富的纹理特征，以期获得较高精度的点云数据。Nguyen等搭建结构光系统获取植物多视影像，获得多视点云，并完成点云间的配准，构建了植株的完整三维模型；在此基础上，完成叶片数量、株高、叶片大小和节间距等参数的测量。Ni等利用三台相机获取120幅蓝莓簇图像数据，重建蓝莓点云及模型。针对获取的二维图像数据，利用Mask-RCNN实现单粒蓝莓的分割及成熟度检测，并将分割结果反投回三维空间，在三维空间中完成各蓝莓表型参数的提取。二是利用LiDAR技术直接获取目标三维信息。该类技术首先获取作物对象不同视点的三维点云数据，再利用最临近点迭代法（Iterative Closest Point，ICP）完成多视点的点云配准，生成目标完整的三维模型。利用LiDAR技术开展三维表型研究可概括为2个方面：点云数据处理方法和表型参数提取方法研究。从作物尺度进行划分，LiDAR技术可分别应用在单株作物和大田作物中，对应地获取不同尺度的表型参数。针对大田作物，提取的表型参数主要包括平均冠层高度、投影面积、植株密度、生物量等信息。Jiang等对田间获取的激光点云数据研发了一套和蓝莓收获相关的表型参数获的三维表型技术，包括大小、尺度等。Jin等提出了一种均值归一化向量生长算法（Median Normalized Vector Growth，MNVG）实现田间玉米的茎叶分割，完成了叶面角、茎高、株高等表型参数的测量。Sun等针对重建的田间成熟期棉花植株，利用密度聚类方法实现了棉铃球的分割和计数，为棉花估产提供数据支持。刘守阳等通过构建的数字化植物表型平台（Digital Plant Phenotyping Platform，D3P）获取田间小麦的三维冠层场景，记录了绿色叶面积指数、平均倾角和散射光截获率等信息，在此基础上模拟虚拟LiDAR实验，生成了三维点云数据，展示了LiDAR数据在田间冠层光截获和冠层结构方面的潜力。针对单株作物，主要采用近距离或手持式激光扫描对象，从叶、茎、甚至根等器官角度完成各表型参数的提取。其中，点云配准和点云分割分别是获取三维点云模型和提取表型参数的关键步骤。马福峰等提出了一种基于植株点云邻域几何特征约束的配准方法，选取关键点并估计其中每个点的支撑邻域估算出邻域几何特征，利用几何特征实现点云的初始配准。Chaudhury和Barron将不同视点的点云投影至二维平面上，通过定位节点位置来建立点云间的初始对应关系，该算法实现的前提是点云数据中存在直线特征。点云分割是获取表型参数的前提。适用于作物器官的点云分割方法主要3种：①基于三维区域增长的方法，通过利用区域内部点云的相似属性，制定合适的区域增长规则来完成，主要应用在植株叶片的分割中，如油菜叶片、绿萝和龟背竹等；②基于模型拟合的点云分割方法，利用植株中的直线、圆柱体、平面等典型几何模型来完成，在作物主茎的分割中应用较多，如向日葵和玉米主茎等；③基于机器学习的方法，代表性的算法包括支持向量机（Support Vector Machine，SVM）和均值漂移（Mean Shift）等各种聚类算法。Wahabzada等在获取植株模型的基础上，使用无监督聚类的方法，完成了葡萄、小麦和大麦的叶片和茎秆的分割。喻垚慎等融合了点云数据的多维特征，利用人工标记数据为样本，结合SVM分类器实现了树木枝叶分离，属于有监督分类方法。

按照一定的时间间隔多次采集作物对象的点云数据即可得到作物的多时序点云数据，这些数据中包含了作物对象的时空形态变化信息。针对多时序作物点云数据的研究可为作物表型参数的动态变化提供强有力的手段和方法，同时，也可为构建作物的生长模型提供数据基础。Su等使用激光扫描仪获取了玉米6个生长阶段的点云数据，计算了玉米株高、叶面积和投影叶面积3个表型参数，并研究表型参数的动态变化趋势。Chaudhury等构建了基于激光扫描仪的近景视觉系统，对野生拟南芥和大麦植株完成不同视点的点云完成配准，通过构建表面不规则网实现植株基于网格的面积计算和体积计算，并绘制了植株从观测第1天到第22天的面积和体积连续变化曲线。Sun等使用激光扫描系统对大田棉花完成了全生育期的表型参数提取和动态变化分析，探讨了表型参数和产量之间的关系。An等对拟南芥进行了连续10天的二维影像数据采集，分别从二维影像和三维模型的角度对比叶片表型参数测量结果的差异性，结果表明与传统的二维影像相比，三维模型能够获得精度更高的表型参数。以上研究表明，虽然三维表型技术已经取得了一定的进展，但针对不同作物植株，数据处理方法各异，因此，其潜力还有待进一步挖掘。阳旭等以单株棉花为研究对象，利用激光扫描技术获取多时序点云数据，研究了棉花主干和叶片的分割算法，实现株高、叶长、叶宽、叶面积，以及棉花植株体积等表型参数的计算。在此基础上，实现了棉花植株表型参数的动态量化过程，为三维空间的高通量表型组学及构建作物生长模型提供了方法支撑和数据依据。

小

店

欢迎光临选购

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。

入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广