基于点云的苹果树冠层光照分布与生长过程数字化关键技术研究

发布时间：2020-09-30 08:56

　　苹果是我国重要的经济作物,我国是世界上的苹果生产和消费大国,但是苹果的优产率和出口率低。苹果生长过程中所反映出的形态信息以及相关生理生化指标,是支撑果树培育相关研究不可缺少的重要信息,苹果树生长过程数字化与可视化表达技术对科学精准的田间管理具有重要的理论意义和应用价值。但是目前关于果树数字化的研究仍存在一些问题,主要有:高精度的点云扫描设备价格昂贵,树点云数据难以无损完整获取;重构出的树模型精度不高,植物学特性低;生长过程模拟的研究大都使用基于规则的方法,偏重于视觉效果,真实感较低,对光照等环境因素的交互研究较少。基于此,本文以陕西省种植较为广泛的‘陕富6号’苹果树为研究对象,采用理论分析、可视化模拟和实验研究相结合的技术路线,开展了基于点云数据的苹果树三维重构、冠层光照分布预测和一个生长周期内的生长过程模拟研究,本文主要工作如下:(1)针对果树点云数据难以无损、完整获取的问题,构建了树木点云数据获取和预处理方案。使用微软公司出品的消费级三维激光扫描仪Kinect V2.0,结合扫描设备配套的SDK,对Kinect V2.0进行二次开发,获取扫描对象的深度数据和颜色数据,同时将深度信息和颜色信息进行一一映射,为后期苹果果实定位提供数据支撑。获取点云数据时,为了保证扫描对象的数据完整度和减少冗余数据的产生,使用正反双面扫描策略。针对原始点云数据含有大量地面噪声和离群噪声的问题,根据噪声点云的分布规律,本文使用直通滤波和统计滤波的方法进行去噪处理;使用人工标记的初始配准方法结合IRLS-ICP的精配准方法将正反双面点云进行拼接,人工标记法可以使两片待配准点云有较好的初始位姿,IRLS-ICP算法可以保证配准的精度,配准误差小于3.25cm。配准后的点云数据使用体素化下采样的方法进行精简,体素化方法可以在保留形状特征的基础上减少冗余点云。点云数据获取和预处理为树模型的三维重构研究提供了原始数据。(2)以预处理后的点云数据为基础,基于骨架信息的重构策略,提出了角度约束-空间殖民算法获取树木骨架点信息。在骨架信息基础上,使用广义圆柱体重构树木枝干模型。最后基于叶序规则添加树叶模型,同时,提出了一种基于单幅图像的叶片模型便捷重构方法。树重构试验表明:角度约束-空间殖民算法可以获取连续的骨架信息,重构方法具有较好的普适性和鲁棒性,在高斯噪声标准差小于0.02或者精简率小于70%时,对重构结果影响较小。重构后的三维模型与初始三维点云吻合度高,能够展现树的拓扑结构关系,重构误差在7.5%以内。(3)以重构出的树木三维模型和获取到的RGB-D点云数据为基础,提出了一种基于随机森林回归算法的冠层光照预测模型。将苹果树三维模型置于虚拟场景中,在竖直方向上使用“切片法”将冠层模型每隔10cm分层划分,使用POV-Ray渲染器逐层渲染阴影,获得阴影图,同时使用光照度计,自顶向下每隔10cm实测光照强度数据,构建以每层阴影图灰度特征和每层点云HSI颜色特征为输入、以相对光照强度为输出的随机森林网络,将此作为苹果树冠层光照分布预测模型。试验结果表明,该方法能够较为准确的预测冠层内的光照分布情况,样本预测值与实际值的平均决定系数R~2为0.853,平均MAPE为27.1%。(4)基于虚拟器官理论,将苹果树一个生长周期分解为枝条生长模拟、花期模拟、叶片生长模拟和果实膨大模拟。在马尔可夫模型基础上,提出了点云边界约束-可逆半马尔可夫链模型,对枝条生长过程进行模拟;使用平面双向形变算法对花期进行模拟;使用距离约束的异速生长理论对叶片的生长进行模拟;使用游标卡尺连续测量苹果果实的纵径和横径,拟合出苹果果实S型生长曲线,使用3D Morphing技术对果实膨大过程进行模拟,同时,改进经典的Faster Rcnn算法,提出了基于三特征的非极大值抑制算法,提高了苹果果实的识别率,识别准确率由84.1%提高至91.3%,基于深度信息与颜色信息一一映射的关系,定位果实的三维坐标。最后,基于悬臂梁力学模型,对生长过程中果实坠枝进行了模拟。
【学位单位】：西北农林科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：S661.1;TP391.41
【部分图文】：

分枝,长模,绪论,过程

第一章绪论长模拟方法能够很好地控制植物生长的可视化过程，并真实地模拟现实世界中各种形态的植物及其生长环境，图 1-1 展示了几种 L 系统生成的植物模型。Honda(1971)建立了热带树分枝几何模型，首次实现了树结构计算机模拟，Hackett(1972)首次进行了根系二维分枝模拟研究，Fournier 等(1999)依据 L-系统和计算机图形学实现了对玉米生长发育过程的三维结构模拟，对玉米生长过程进行了研究(刘刚等 2014)。

建模,枝条,树木,插值

(a)源图 (b)运动恢复 (c)重建可见枝条 (d)重建遮挡枝条 (e)重建结果 (a)Source image (b)SFM (c)Visible branches (d)Occluded branches (e)3D model 图 1-2 基于多幅图像的树建模(Tan 等 2007) Fig. 1-2 Tree modeling based on multiple images(Tan et al. 2007) Tan 的算法虽然可以重建出较高精度的树木模型，但是需要的图片数量较多，增加了用户采集图像的任务。针对这个问题，胡少军等(2014)提出基于稀疏图像的树三维重建方法。与其他算法不同的是，在图片采集时，先采集 2 幅相差 90°的树木初始图像，然后再采集 90°之间的插值图像 4-7 幅。随后，采用半自动化的方式在初始图像中获取枝干投影位置，通过插值图像完善枝条信息，逐个寻找各个枝条在其他插值图像中的匹配树枝，最后使用透视矫正生成树的三维模型，如图 1-3所示。此方法可以减少输入图片的数量，但是很多操作依赖交互式完成，对用户的要求较高并且处理耗时较长，对于树叶稠密的大型树木，重建难度较大。

草图,建模,树枝,重建算法

第一章绪论 Zeng 等(2006)在多幅图像的基础上提出了基于单幅图像的树重建算法。首先算法通过对图像信息细化，分类等获取枝条的二维结构，之后使用分枝旋转的方法将二维信息转换到三维实现树木的三维重建，但是此方法的精度不高。Tan 等(2008)在其研究团队前期的成果上提出了经典的基于单幅图像的树重建算法。该方法需要用户勾勒出树冠的轮廓以及主要枝条，是一种交互式-草图式的建模方法。此方法中作者引入了树枝库的概念，算法将用户勾勒出的枝条信息转化到三维空间内，建立树枝库。基于建立好的树枝库，选择合适的树枝分枝结构适配图像中的树冠轮廓，直至适配完整个树冠。建模效果如图 1-4所示。

【相似文献】