一种基于点云的农田土壤层水平校正及去除方法

摘要

本发明提供一种基于点云的农田土壤层水平校正及去除方法，首先利用深度相机获取农田土壤层的可见光图像及图像对应的深度信息，经过差值计算获得植株的三维点云数据，并将获得的田间植株的三维点云数据分类储存在计算机中；然后利用点云处理工具，将得到的三维点云数据逐步经过随机采样一致性算法进行土壤层拟合、得到拟合后的土壤层水平面，再将拟合后的土壤层水平面的点云通过罗德里格旋转算法进行土壤层水平校正，最后根据预设阈值将土壤层去除。该方法有效避免三维扫描过程中可能存在的无关环境点云给表型参数计算带来的复杂性，提高植物表型计算的准确程度、实现植株表型的精确测量。

说明书

技术领域

本发明涉及农业种植技术领域，具体涉及一种基于点云的农田土壤层水平校正及去除方法。

背景技术

植物表型作为植物基因型与环境互作效应等协同表达的可观察的形态特征，其相关研究可以探索表型、植物基因型以及环境因素间的相互联系，进而推动植物表型组学的发展，给农作物育种的研究带来新的、巨大的突破；高通量、高质量和高精度的植物表型测量作为植物表型解析的前期工作，既是表型组学研究的重要方向，也是现阶段面临的难题之一。

目前，对于高精度的表型获取，往往采用田间破坏性取样、然后在实验室中利用三维扫描仪或多角度视觉成像进行三维重建的方式，但破坏性取样所获得的数据对于一株植株只能进行一次(即针对同一株植株不具备再现性)，且无法动态、真实的反映植株在田间的生长变化情况；同时，利用三维扫描设备进行扫描虽然可以高通量的获取田间原位的作物点云数据、对一块农田进行时序点云分析，但在扫描过程中往往会扫描到作物真实生长环境(包括滴灌管、土壤层等)，对于表型提取来说具有较多冗余数据；并且，因为农田本身具有坡度或三维扫描设备在安装过程中有角度倾斜导致扫描过程并不能完全垂直于植株的生长方向，从而导致扫描出的地面点云不是水平的、而是带有坡度的，从而影响后续植物表型测量的精确度。

我国具有众多品种的粮食作物与经济作物，它们不仅具有重要的食用价值，也是畜牧业、轻工业以及化工业的重要原料；目前，在作物的诸多表型参数的获取与测量中，田间原位的植物点云获取一直是植物表型的研究重点。田间破坏性取样所造成的非真实表达，人工手动扫描费时费力，采用立尺、角度尺等传统农学方法的测量表型数据需考虑测量人员的主观因素等均是现有技术中表型精确测量存在的、亟待解决的问题，它们极大的制约着植物表型测量的发展。

发明内容

针对以上现有技术存在的问题，本发明的目的在于提供一种基于点云的农田土壤层水平校正及去除方法，通过获取植株的三维点云数据，同时以植株所在的土壤层表面为基础进行土壤层拟合、坐标系校正、土壤层去除，从而避免三维扫描过程中存在诸多无关环境点云给表型参数计算带来的复杂性以及拍摄角度、农田坡度等影响表型测量的精确性，进而提高植物表型计算的准确程度、确保植株表型测量结果的可信度。

本发明的另一个目的在于提供一种用于上述方法的系统。

本发明的目的通过以下技术方案实现：

一种基于点云的农田土壤层水平校正及去除方法，其特征在于：

首先利用RGB-D相机获取农田土壤层的可见光图像及图像对应的深度信息，经过差值计算获得植株的三维点云数据，并将获得的田间植株的三维点云数据分类储存在计算机中；然后再在计算机中利用点云处理工具，以植株所在的土壤层表面为基准、将得到的三维点云数据逐步经过随机采样一致性算法进行土壤层拟合、得到拟合后的土壤层水平面，再将拟合后的土壤层水平面的点云通过罗德里格旋转算法进行土壤层水平校正，最后根据预设阈值将土壤层去除、即得到完整的植株点云，用于植物表型的后期解析。

作进一步优化，所述三维点云数据包括空间X坐标、空间Y坐标、空间Z坐标、对应可见光图像的R通道数值、G通道数值以及B通道数值。

作进一步优化，所述随机采样一致性算法进行土壤层拟合具体为：

首先，针对一组扫描得到的点云数据S，采用随机选取的方法将不共线的三个点拟合为一个平面Plane，在此基础上构建一个包含未知量的参数模型，并计算点云中任意点到拟合平面Plane的距离d

若d

假设从点集中选取的点为模型内点的个数为m，确定参数模型需要点的个数为n，且迭代k次后确定n个点均为参数模型内点的概率为p，则有预设第一公式：

p＝1-(1-m

所述迭代次数k根据预设第二公式得到：

直到确定一个内点数最多的参数模型、则跳出迭代，确定拟合出土壤层平面。

作进一步优化，所述罗德里格旋转算法进行土壤层水平校正具体为：

首先建立三元一次平面方程：

ax+by+cz+d＝0；

式中，x、y、z为具体点云在空间直角坐标系中的具体坐标；a、b、c、d为常数，根据具体点云在空间直角坐标系中的具体位置得到；

然后，由三元一次平面方程获得土壤平面法向量

式中，θ为旋转前后向量

由于旋转轴必定垂直于地平面法向量

式中，(w

然后根据罗德里格旋转算法得到旋转矩阵R：

最后将原始点云与旋转矩阵R相乘，得到水平校正后的点云。

作进一步优化，所述预设阈值为0.05m，拟合平面后的结果在0.05m以下的点全部定义为土壤层点并进行去除。

一种基于点云的农田土壤层水平校正与去除系统，用于上述方法，其特征在于：包括获取模块、建立模块以及处理模块；

所述获取模块采用RGB-D深度相机获取植株的可见光图像以及深度信息；所述建立模块通过差值计算出植株的三维点云；所述处理模块针对植株点云所在平面进行拟合与去除，采用点云处理工具进行处理。

作进一步优化，所述点云处理工具采用Microsoft Visual Studio C++开源点云编程库PCL。

作进一步优化，所述系统还包括存储介质，所述存储介质与所述处理模块连接；所述存储介质为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)中的任一种。

本发明具有如下技术效果：

本发明提供的一种基于点云的农田土壤层水平校正与去除方法和装置，通过深度相机同时获取可见光图像和其对应的深度信息，差值计算得到植株的三维点云数据，并以植株所在的土壤层表面为基础进行土壤层拟合，进一步地，将获得的点云进行坐标系校正，并根据所设阈值将土壤层去除；有效避免了空间中可能存在的无关环境点云给表型参数计算带来的复杂性，提高了植物表型计算的准确程度、实现植株表型的精确测量，解决了植株表型测量过程中外部环境以及三维扫描角度的影响。

附图说明

图1为本发明实施例中基于点云的农田土壤层水平面校正与去除的流程示意图。

图2为本发明实施例中采用随机采样一致性算法的土壤层拟合示意图。

图3为本发明实施例中罗德里格旋转算法对拟合后的水平面校正的前后示意图；其中，图3(a)为校正前的示意图；图3(b)为校正后的示意图。

图4为本发明实施例中基于阈值切割的土壤层去除前后示意图；其中，图4(a)为去除前的示意图；图4(b)为去除后的示意图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

实施例：

如图1所示，一种基于点云的农田土壤层水平校正及去除方法，其特征在于：

步骤101：首先将RGB-D深度相机置于植株冠层1.5m处，进行定点拍摄，利用深度图和RGB图像差值生成植株点云，构建植株三维点云数据集；具体的，在一个实施例中，通过RGB-D相机获取的与植株表型相关的数据包括：可见光图像、深度信息，以及经过差值计算(差值计算采用本领域计算系统中常见的差值计算法，本发明实施例中不做过多论述)得到的植株三维点云数据：包括空间X坐标、空间Y坐标、空间Z坐标、对应可见光图像的R通道数值、G通道数值、B通道数值，并对获得田间植株点云的上述数据分类储存在计算机中。

步骤102：然后计算出俯视视角下的基于植株三维点云的表型参数，需要在点云数据中去除土壤层平面及无关对象，从复杂环境背景下将完整的植株点云进行提取；需要说明的是，俯视视角下的点云数据场景单一，有植株、土壤层以及滴灌管等无关对象，且大多数无关对象均在土壤层附近，采用随机采样一致性的方法(RANSAC)对土壤层进行平面拟合如图2所示。

具体为：

首先，针对一组扫描得到的点云数据S，采用随机选取的方法将不共线的三个点拟合为一个平面Plane，在此基础上构建一个包含未知量的参数模型，并计算点云中任意点到拟合平面Plane的距离d

若d

假设从点集中选取的点为模型内点的个数为m，确定参数模型需要点的个数为n，且迭代k次后确定n个点均为参数模型内点的概率为p，则有预设第一公式：

p＝1-(1-m

所述迭代次数k根据预设第二公式得到：

直到一个内点数最多的参数模型、则跳出迭代，确定拟合出土壤层平面；即在迭代次数k中进行迭代过程中，内点数最多时则直接跳出迭代。

S103：点云数据放置在三维坐标系中，发现因农田本身具有坡度或深度相机在安装过程中有角度倾斜导致扫描过程并不能完全垂直于植株生长方向，在这种情况下深度相机扫描出的地面点云并不是水平的而带有坡度，为使土壤层表面更易进行去除且进行植株表型参数计算时准确度、精确性高，需要将扫描到的点云通过罗德里格旋转算法进行土壤层水平校正，如图3所示。

具体为：

首先建立三元一次平面方程：

ax+by+cz+d＝0；

式中，x、y、z为点云在空间直角坐标系中的具体坐标；a、b、c、d为常数，根据点云在空间直角坐标系中的具体位置得到；

然后，由三元一次平面方程获得土壤平面法向量

式中，θ为旋转前后向量

由于旋转轴必定垂直于地平面法向量

式中，(w

然后根据罗德里格旋转算法得到旋转矩阵R：

最后将原始点云与旋转矩阵R相乘，得到水平校正后的点云。

步骤104：最后根据预设阈值将土壤层去除、即得到完整的植株点云，用于植物表型的后期解析；如图4所示。

根据植物生长的情况以及试验场景，预设阈值为0.05m，拟合平面后的结果在0.05m以下的点全部定义为土壤层点并进行去除。

此外还需要说明的是，本公开提供了一种基于点云的农田土壤层水平校正与去除方法，通过RGB-D相机同时获取可见光图像和其对应的深度信息，差值计算得到植株的三维点云数据，选用Microsoft Visual Studio C++开源点云编程库PCL(Point CloudLibrary)作为点云处理工具；以植株所在的土壤层表面利用随机采样一致性算法(RANSAC)进行土壤层拟合；将拟合平面后的点云通过罗德里格旋转算法进行土壤层水平校正；根据所设阈值将土壤层去除、即得到完整的植株点云，用于植物表型。避免了空间中存在的无关环境点云给表型参数计算带来的复杂性，提高了植物表型计算的准确程度，该方法对农田拟合、水平校正以及去除的效果较好。进一步的，可以节省大量的人力物力，通过连续数据获取可以通过时序进行表型分析，且减少以往人工实测数据存在的主观性，获取较为准确的植株表型参数结果。通过上述方法进行点云处理，能解决破坏性取样导致的同一作物无法连续获取其点云的问题，相对于同一块种植地的人工实测，减少了人工测量时的主观误差，也节约了人工测量所需要的时间，改善了自动化程度差、人工实测费时费力、效率低下的问题。

基于同一发明构思，还提供了一种基于点云的农田土壤层水平校正与去除系统，包括获取模块、建立模块以及处理模块；由于此系统解决问题的原理与前述基于点云的农田土壤层水平校正与去除方法相似，因此，该系统的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序如图1或上述实施例中的处理器执行。

本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行如图1或上述实施例中的方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。

为了示例和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和组合。