基于三维点云的群体樱桃树冠层光照分布预测模型

合理的果树冠层结构和栽培密度可提高其冠层内光截获量,对提升果实产量和质量有重要影响。本文以细纺锤形樱桃树为研究对象,构建了基于三维点云的群体樱桃树冠层光照分布预测模型。使用Azure Kinect DK相机获取群体樱桃树三维点云数据,通过点云数据预处理得到完整的群体樱桃树三维点云数据。在冠层尺度内,对樱桃树冠层点云数据进行分层,提取不同区域的点云颜色特征。提出基于Delaunay三角化凹包算法的点云投影面积计算方法,通过凹包边界点提取和向量积叉乘,计算不同区域的点云投影面积。以点云颜色特征和相对投影面积特征为输入,以实测相对光照强度为输出,建立群体樱桃树冠层光照分布预测模型。试验结果表明,该模型能够较为准确地预测樱桃树冠层内的光照分布,预测值与实际值决定系数平均值为0.885,均方根误差为0.0716。研究结果可为樱桃树合理的种植密度管理及樱桃树休眠期自动化剪枝等提供技术支持。

基于三维点云的群体樱桃树冠层去噪和配准方法

樱桃树的栽培密度影响其冠层的光照分布,通过研究群体樱桃树的三维结构,可分析不同栽植密度下温室甜樱桃树冠层光照分布规律,指导樱桃树的科学种植,进而提高甜樱桃产量和品质。高质量的点云数据是构建群体樱桃树三维结构的基础,而点云去噪和点云配准是点云数据预处理的关键环节。本文提出一种基于三维点云的群体樱桃树去噪和配准方法,搭建群体樱桃树三维信息采集平台,使用2台固定的DK深度相机获取群体樱桃树彩色点云数据;提出基于颜色区域生长的二分类方法,设置颜色阈值分割点云并进行二分类处理,可有效去除彩色点云数据中的异常无效点,并设置点云离散度和RGB值,作为点云去噪评价标准;结合人工标记法和双相机位姿矩阵,提出基于颜色特征改进的ICP方法,解决传统ICP配准算法多依赖初始位姿且配准速度较慢的问题。该方法通过对点云粗配准,得到较好的初始位姿,使用SIFT算法提取颜色特征点,将颜色特征与ICP算法结合进行点云精配准,然后使用PCL中随机采样一致性算法,去除错误匹配点,有效减少配准时间,提高配准精度。以夏季和冬季的群体樱桃树20组点云数据为实验对象,对比分析ICP算法、NDT算法、SAC-IA算法和本文配准方法的配准精度和配准时间,结果表明,本文配准方法平均耗时分别为5.01、4.30 s,均方根误差分别为2.316、2.100 cm,有效减少了配准时间和配准误差,验证了本文算法的有效性和普适性。