基于网格分析的激光点单株果树识别

来源:用户上传      作者:

　　摘要：为快速识别果园环境中果树的分布情况，提高果园机械自动化果树定位精度，在控制成本与缺乏信息的前提下使用少线数激光雷达，提出一种基于地物点云侧投影网格分析方法实现果树识别。该方法通过线雷达获取果树信息点云，然后根据点云角度信息进行侧面二维投影、地物聚类划分网格、高程跨度计算、逐层分析、逐网判断等，完成果树识别。试验证明，该方法在地物信息缺乏的情况下可实现果树准确识别，低成本地快速判断果园中果树分布情况，是一种有效的果树识别方法。
　　关键词：果树识别;点云数据;乏信息;地物聚类;网格分析
　　DOI： 10. 11907/rjdk.191688
　　开放科学（资源服务）标识码（OSID）：
　　中图分类号：TP319
　　文献标识码：A
　　文章编号：1672-7800（2020）004-0194-05
　　0 引言
　　果园机械无人机化是近年来农用机械研究热点，果树提取识别是果园机械研究的重要内容[1]。由于果树随季节变换更迭，其形态变换较快，探索一种使用现代手段，实现果树信息的快速准确提取具有重要的农业应用价值[2]。
　　钱建平[3]使用双侧图像，通过获取果树图片信息分析识别单株果树;马永兵[4] 接收RSSI信号泰勒级数，展开多信道扫描定位以实现果树识别;林怡[5]等使用激光雷达，采用圆检测法计算局部极值点与周边点到中心点的距离，以提取树木信息;李霖等[6]进行点云聚类，根据树木整体和局部信息提取单株树;M artin等[7]利用3dapha形状减少点云，推导模型参数，如树冠和树干高度、树冠和树干直径及树冠形状，并分别对树木进行建模减少数据量;程晓光等[8]根据树木点云之间的几何性质与点云的空间分布关系提取树木信息;Bohm等[9]设置平台系统，提高城区树木移动处理速度;李丽等[10]通过树干和树冠双生长法提取单株树木信息。
　　综合现有研究可发现在农业机械耕作中，使用激光雷达提取单株果树的研究较少，尚处于发展阶段。激光雷达可实时提供（果树、电线杆和低矮植被）地物位置和三维信息[11]。雷达数据处理近年来逐步增多，在三维测绘领域占比增大[12]。由于多线数激光雷达价格昂贵，限制了激光雷达在农业上的应用[13]，因此急需一种低成本、高精度的果树识别方法。本文改进了史文中等[14]的方法，依据果园特殊的种植环境，使用少线数激光雷达获取果树信息，在缺乏信息（乏信息）的情况下，进行单株果树提取研究，提出一种基于地物点云侧投影网格分析的果树信息提取方法，从海量的点云数据中提取单株果树的激光点。
　　本文方法采用少线数16线激光雷达作为主要采集设备，单株树木提取的场景是果园环境，果园中果树排列规则如图1所示，设备采集角度平面定义与投影形式如图2所示。
　　1 侧投影网格分析树木提取方法
　　不同地物有其特定的特征，三維信息不同，不同高度点云的状态也不同，如果树干部分点云数量少，则树冠部分点云散乱较多[15]。因此，采用侧面点云投影网格分析方法，依据高程值进行网格分析判断，通过分析点云不同高度值形态特征，提取单株果树，实现单株果树识别，并去除果园电线杆和低矮杂草的干扰等。
　　1.1 单株果树识别
　　（1）点云投影。地面点是点云采集中必存元素，地面点云的存在将地物连接形成一个整体。为避免地面点云对果树识别造成影响，需将地面点去除，使点云在空间上形成孤立的点云团。地面一般是最低点，选取数据点P（ P>n），从P中选取最低的3个点，组成一个平面M;之后逐次计算数据点（xi，yi，zi，）距离平面M的位置，距离计算如式（1）所示。
　　（4）点云分层标记。点云分层是利用点云的高程值，获取待处理点云数据中高程最大值Hmax与最小值Hmin作差，将差平均分为N层，即每层高度间隔为（Hmax-Hmin）/N，并将每层数标记为Layer[20-21]。
　　（5）逐层进行Y轴方向跨度计算。统计网格内点云数目，逐层计算每层点云在Y轴方向宽度，设定宽度阈值W，将计算的单层Y轴方向点云宽度与设定宽度阈值作比较;向上搜索时，寻找该层中非空网格，确定非空网格的行列号，在非空网格的基础上，行数加1，列数不变;完成一层向上搜索后，左右两边开始搜寻，并将Layeri与上一层Layer i，宽度作比较，看是否出现宽度突变;再分层处理，联合Layer的整体高程值与不同高程值所处层的Y轴方向宽度，确定不同地物种类。
　　具体过程如图3所示。将三维单株树木投影到YOZ平面，根据八邻域搜索法进行网格邻域搜索（见图4Ca》，并根据点云层之间的高差划分网格，使同一物体在网格划分时不会出现空格网。网格点统计与搜索的第一步是从第一层开始横向搜索，找出非空网格标记为Groupk ，向右继续搜索，若仍为非空网格，做相同标记为Groupk，设置Y轴方向跨度值W，将该层具有相同属性的网格内最大值ymax与最小值ymin作差，即E1 =ymax一ymin，并与W进行比较;第二步是进行自下而上的搜索，行数加1列数不变，进入上一层Layer2，搜索方式与上一层相同，并将下层差值E1与该层差值E2再次作差K1，即K1= E2 -E1，以此类推，
　　（6）提取单株树木。完成上述工作后，输出具有单株树木Treek属性的激光点，将激光点组成单株树木原型。
　　1.2其它地物排除
　　在多数果园环境下，基于侧投影网格点密度分析的单株树木提取方法中，存在电线杆和一些低矮植的点云，需进行区分和排除。由于在果树和电线杆中，果树在高处会出现分枝，在投影格网层跨度之间会出现突变，电线杆投影形状和横向跨度基本规则不变，在低矮植被判断时高度值小于Hy，高程值不高的物体，被分类为低矮植被。据此，在输出单株树木之前，可对点云二维投影的形态特征进行判断，输出满足单株树木条件的激光点云，获得单株树木的激光点云，如图5所示，电线杆形状较规则，呈柱状，不存在形状突变。低矮植被整体高度值在1.5m以下，且Y轴方向植被跨度值较大，达到3m左右。 　　上述总体流程如图6所示。
　　2 应用实例及对比结果
　　使用少线数16线激光雷达，选取果园中的果树作为实验对象，获取激光雷达点云数据。图7（a）为含有15 405个激光点（包含树木、电线杆和低矮植被）的试验1区;图7（b）为包含28 507个激光点的试验2区，含有10棵果树（杏树）。
　　在进行投影面分析时，为避免设备两面点云相互干扰，根据设备采集时激光点相对雷达设备的位置和建立的雷达坐标系，将激光点分为左半平面点云和右半平面点云，如图8所示。（本文彩图扫描OSID码可见，下文同）蓝色激光点云是雷达坐标系中0°-180°获取的点云数据，玫红色激光点云是雷达坐标系中180°-360°采集的点云数据。建立大小为0.5mx0.5m的网格，按照研究区域1中的树木高度信息将点云分为8层，设置高度阈值H为2m，宽度阈值W根据果树生长直径设置为0.3m，提取单株果树。按照研究区域2的树木高度信息，将点云分为6层，设置高度阈值为1m。区域1和区域2高度阈值设置不一样的原因是果树整体分叉高度不同。区域2是杏园环境，果树出现分叉的高度距离较低，故一般根据实际应用的场景设置高度阈值。如图9所示，采用基于侧投影网格点密度分析的方法可有效提取单株树木，且能够将电线杆有效滤除。
　　3 实验结果与分析
　　侧投影网格点密度分析方法的核心是根据网格划分为基础，计算点云投影密度的方法，格网大小选取决定后续树木提取精度。分别采用1mx1m、0.5mx0.5m和0.25mX0.25m的网格对获取的点云进行实验，在进行网格点密度统计时，网格内激光点数量小于3时，判定为空网格。提取结果如图10、图11所示。
　　结果表明，由于雷达垂直方向欠采样，如图10所示，采集设备距离树木5m左右，树木间间隔较大，0.5mx0.5m网络获取的信息较为准确，0.25mx0.25m网格较小，搜索过程复杂;如图11所示，采集设备距离树木2m左右，在树木相对密集，0.25mx0.25m试验2区提取出的激光点云信息较为集中，0.5mx0.5m和1mx1lm提取的点云相对分散。因此，在实际应用中需根据具体情况适当选择。
　　4 结语
　　本文以果树为研究对象，根据果园种植特点，在低成本、少线数雷达采集地物信息缺乏的条件下，提出一种地物点云侧投影网格分析方法，提取果园中果树，并快速判断果树分布。该方法首先将左右平面的激光点数据分开处理，并去除地面点干扰，点云聚类并投影到YOZ二维平面;然后通过网格划分、点密度统计、逐层分析、计算Y方向跨度等步骤识别果树，算法结合雷达获取的信息进行验证，提取单株树木信息。从试验结果可看出，该方法可在缺乏信息的情况下，成功提取单株果树。本文对农用机械自动化研究具有参考价值。
　　本次試验场地是一处较平坦的野外环境，而实际中的果园环境一般是崎岖不平的路面，车辆在行驶过程中的晃动会对果树识别产生一定影响。因此，本文方法针对复杂环境的适用性还需进一步提高。
　　参考文献：
　　[1]李守根，康峰，李文彬，等.果树剪枝机械化及自动化研究进展[J].东北农业大学学报，2017（8）：88-96.
　　[2]周建军，周文彬，刘建东，等.果园机器人自动导航技术研究进展[J].计算机与数字工程，2019，47（3）：571-576.
　　[3]钱建平，李明，扬信廷，等.基于双侧图像识别的单株苹果树产量估测模型[J].农业工程学报，2013，29（ 11）：132-138.
　　[4] 马永兵.基于RSSI信号强度定位的夜间采摘作业机器人设计[J].农机化研究，2017（1）：212-216.
　　[5] 林怡，季昊巍，叶勤.基于LiDAR点云的单棵树木提取方法研究[J].计算机测量与控制，2017（6）：142-147.
　　[6] 李霖，李大林，朱海红，等.一种基于车载激光扫描数据的单株树木点云自动提取方法[ P]，CN201610280634.6， 2016-08-24.
　　[7] RUTZINGERM，KUMAR PA，et al. Tree modelling from mohile laserscanning data-sets[J].International Archives of the PhotogrammetryRemote Sensing&Spatial Information Sciences， 2011， 26： 361-372.
　　[8] 程晓光，黄先锋，张帆.机载LiDAR数据的城区树木点提取方法[J].测绘科学，2014， 39（3）：52-56.
　　[9]BOHM J，BREDIF M， CIERLINCER T， et al. The IQmulus urhanshowcase： automatic tree classification and identification in huge mo-bile mapping point clouds[J].International Archives of the Photogram-metry Remote Sensing&Spatial Information Sciences， 2016. 41：301-307.
　　[10]LI L ，LI D， ZHU H.et al.A dual growing method for the automatic ex-traction of individual trees from mohile laser scanning data [Jl. IS-PRS Journal of Photogrammetry and Remote Sensing. 2016， 120：37-52. 　　[11]庞勇，李增元，陈尔学，等.激光雷达技术及其在林业上的应用[J].林业科学，2005，41（3）：129-136.
　　[12]耿会东，吕德奎，陶伟东.LIDAR技术在数据处理中的应用.软件导刊，2016（8）：162-165.
　　[13]张莹莹，周俊.基于激光雷达的果园树干检测[J].中国农业大学学报，2015， 20（5）：249-255.
　　[14]史文中，李必军，李清泉.基于投影点密度的车栽激光扫描距离图像分割方法[J].测绘学报，2005，34（2）：95-100.
　　[15] LEHTOMAKI M，JAAKKOLA A. KUKKO，et al. Performance analy-sis of a pole and tree trunk detection method for mobile laser scan-ning data[C].Burnahy： ISPRS Workshop on Laser Scanning， 2011.
　　[16]杨莎莎，李永强，李框宇，等.基于车载LiDAR数据的单株树提取[J].测绘工程，2014， 23（8）：23-27.
　　[17]吴宾，余柏蒗，岳文辉，等.一种基于车载激光扫描点云数据的单株行道树信息提取方法[J].华东师范大学学报（自然科学版），2013（2）：38-49.
　　[18]WU B， YU B L， YUE W H.A Voxel-based method for automatedidentification and morphological parameters estimation of individualstreet trees from mobile laser scanning data [J]. Remote Sensing.2013，5（2）：584-611.
　　[19] 贾彬，梁毅，苏航.一种改进的K-Modes聚类算法[J].软件导刊，2019（2）：19-24.
　　[20] WU R. CHEN Y，WEN C， et al. Delineation of individual tree crownsfor mobile laser scanning data[C].ISPRS International Conferenceon Computer Vision in Remote Sensing. International Society for Op-tics and Photonics， 2016： 1-7.
　　[21]CUAN H， CAO S.YU Y， et al. Street-scene tree segmentation frommohile laser scanning data [Jl. International Archives of the Photo-grammetry Remote Sensing&Spatial Information， 2016， XLI-B3：221-225.
　　（責任编辑：江艳）
　　作者简介：罗秋慧（1993-），女，河南科技大学机电工程学院硕士研究生，研究方向为机器视觉;李航（1962-），男，博士，河南科技大学机电工程学院教授，研究方向为精密测试理论与技术。
转载注明来源:https://www.xzbu.com/8/view-15247466.htm