林承達，韓 晶，謝良毅，胡方正

田間作物群體三維點云柱體空間分割方法

林承達，韓 晶，謝良毅，胡方正

（華中農業(yè)大學資源與環(huán)境學院，武漢 430070）

農田作物群體表型信息對于研究作物內部基因改變和培育優(yōu)良品種具有重要意義。為實現田間作物群體點云數據中單個植株對象的完整提取與分割，以便于更高效地完成作物個體表型參數的自動測量，該研究提出一種田間作物柱體空間聚類分割方法。利用三維激光掃描儀獲取田間油菜、玉米和棉花的三維點云數據，基于HSI（Hue-Saturation-Intensity，色調、飽和度、亮度）顏色模型進行作物群體目標提取，采用直通濾波方法獲取作物莖稈點云，基于莖稈點云數據使用歐氏距離聚類分割算法提取每個植株的聚類中心點，并以聚類中心點建立柱體空間模型，使用該模型分割得到田間作物每個單體植株的點云數據。試驗結果表明，該研究的方法對油菜、玉米和棉花3種作物的分割準確率分別為90.12%、96.63%和100%，與歐氏距離聚類分割結果相比，準確率分別提高了36.42，61.80和82.69個百分點，算法耗時分別縮短為后者的9.98%，16.40%和9.04%，與區(qū)域增長算法分割結果相比，該研究的方法可用于不同類型農作物，適用性更強，能夠實現農田中較稠密作物植株的分割。該研究的方法能夠實現農田尺度下單個植株的完整提取與分割，具有較高的適用性，可為精確測量作物個體表型信息提供參考。

作物；激光；三維點云；柱體空間模型；分割

0 引 言

隨著人口數量的不斷增加，人類對糧食和油料作物的需求急劇上升，但其產量卻受到可利用耕地減少、土地荒漠化和自然災害等的影響而難以提升。解決這一問題的主要手段是選育優(yōu)良作物品種[1]，由于作物內在基因改變和作物群體生長參數密切相關，充分理解作物基因型和生長參數之間的關系是提高作物產量的關鍵[2-5]，這離不開對作物表型參數的大量分析。田間高通量表型獲取技術是限制作物改良和精準農業(yè)發(fā)展的主要瓶頸，能夠實現整個生長周期表型性狀的自動測量，為獲取高精度目標參數信息提供了條件[6-9]。

傳統(tǒng)農作物表型參數獲取存在耗時長、具有破壞性等問題，難以滿足現代農業(yè)科學研究需要。三維激光掃描技術克服了作物參數傳統(tǒng)測量的局限性，使得無損、高效、高精度參數測量成為了可能，是目前作物群體生長參數測量的研究熱點[10-12]。通過對獲取的三維點云數據進行處理，可以實現作物不同器官生長參數的測量[13-16]。Paulus等[17]通過激光掃描儀采集麥子點云數據，重建麥子的植株架構，實現了單葉和單莖器官的特異性生長監(jiān)測。郭新年等[18]針對作物株高測量中頂點與基點確定困難的問題，設計基于激光視覺的作物株高測量系統(tǒng)，相對誤差在2.17%以內。作物生長參數的自動化測量是數字農業(yè)全面推廣的前提，而農作物不同器官、個體的分割與作物參數自動測量密切相關[19]，作物具有復雜且隨機的形態(tài)結構，分割難度較大，目前已有不少學者對作物點云分割進行了深入研究[20-23]。Gélard等[24]利用向日葵RGB圖像重建了向日葵三維模型，并基于模型分割出向日葵的莖，葉柄和葉片。溫維亮等[25]利用歐氏距離聚類方法實現了果穗籽粒的分割，籽粒分割率可達90%以上。Wu等[26]利用深度相機對水蜜桃三維重建，基于顏色信息和果實輪廓特征實現了果實的分割。Sun等[27]通過獲取田間棉花點云數據，基于點云密度聚類方法實現棉鈴數統(tǒng)計。Zermas[28]等提出RAIN（Randomly Intercepted Nodes，隨機截取節(jié)點）算法，研究隨機放置的某個點云在整個點云表面滑動的行為，依據葉莖的不同表現實現葉莖分離。Jin[29]等使用快速R-CNN（Region-Convolutional Neural Networks，區(qū)域卷積神經網絡）訓練樣本識別莖稈，結合區(qū)域生長法分割出玉米個體。目前國內外對點云分割算法研究較多，但針對農田尺度下非結構體對象玉米、油菜及棉花等作物群體的點云數據分割方法較少，作物群體點云數據中單個植株的提取與分割是作物表型參數高效精確測量的前提，是研究作物基因型和生長參數關系的基礎，因此提出能夠滿足田間作物群體點云數據中單體植株分割的方法有十分重要的意義。

本文以田間種植的玉米、油菜和棉花作為研究對象，針對傳統(tǒng)歐氏聚類點云分割算法存在的過分割和欠分割等導致分割精度低的問題，以及田間點云數據采集過程中遮擋等導致的數據斷裂、缺失現象，提出了一種適應農作物群體點云分割的柱體空間聚類分割方法，通過三維點云數據提取每個植株的聚類中心建立柱體空間，實現田間作物個體植株之間的分割，為解決農田尺度下復雜作物群體分割難的問題提供一種新的方法，為后續(xù)作物表型參數的精確測量奠定基礎。

1 材料與方法

1.1 點云數據獲取

田間試驗于2019年3月和7月在湖北省華中農業(yè)大學實驗基地進行，選取田間花期油菜、苗期玉米以及花期棉花為對象，分別選取162、89和52株，使用FARO FocusS SeriesS 70三維激光掃描儀進行點云數據掃描，3種作物信息與試驗設置如表1所示。為了驗證本文方法的適用性，選取3種作物不同生長時期的點云數據進行數據處理和結果評價，其他生長期的作物數據也適用于本文方法。

表1 作物信息與點云采集參數

FARO FocusS SeriesS 70是一種基于相位測量的三維激光掃描儀，主要規(guī)格參數如表2所示。田間作物群體點云數據采集方案如圖1所示。圖中和分別為高站點和低站點，高站點在植株頂端上部30cm附近，低站點在植株頂端位置附近，球1、2、3為標靶球。

表2 FocusS SeriesS 70規(guī)格參數

注：1、2、3、4分別為測站點1、2、3、4處的高站點；1、2、3、4分別為測站點1、2、3、4處的低站點。

Note:1,2,3and4are the high stations of the test site 1, 2, 3 and 4 respectively;1,2,3and4are the low stations of the test site 1, 2, 3 and 4 respectively.

圖1 作物群體點云數據采集方案

Fig.1 Crop population point cloud acquisition scheme

以苗期玉米為例，首先將儀器架設在圖1中的1站點，該站掃描結束后調整至1，該位置的高低站點掃描結束后移動至2高站點，掃描結束后調整至2，以此類推移動至3、4位置執(zhí)行上述操作。由于農田作物種植密集，相互遮擋，單一站點無法獲取目標的完整信息，因此在選取樣地的四周布設測站點，采集目標不同部位的三維點云數據。油菜田測站點布設在樣地四角和長邊的中間，避免田塊長邊的中間數據缺失，玉米田和棉花田測站點布設在樣地的四角，并通過調整儀器高度，在同一測站點采集2組點云數據，確保采集的田間點云數據具有完整的莖稈信息，每個測站點掃描1次，每次掃描10 min。在三維激光掃描試驗開始之間，需要在試驗區(qū)域周圍擺放至少3個標靶球作為配準基礎，標靶球為直徑150 mm的白色空心球體，通過在不同站點獲取的數據擬合球體球心和半徑，為后續(xù)各個測站采集到的點云數據配準做準備。

1.2 點云數據預處理

田間作物點云數據預處理包括點云配準、點云去噪、目標點云數據提取和點云精簡，具體步驟如下：

1）點云配準。本文基于標靶球進行不同測站數據的配準，使用FARO三維激光掃描儀配套的軟件SCENE 2019將其配準到同一坐標系下，圖2a為作物群體配準效果圖。

2）點云去噪。采用深色掃描點過濾器、離群點過濾器和邊緣偽像過濾器實現噪聲點的剔除。

3）目標點云數據提取。為了將目標點云從原始點云中提取出來，需要對配準好的點云數據進行處理，目標點云提取主要分為2部分：第一部分是使用SCENE 2019對原始點云進行裁剪，保留作物研究區(qū)范圍，第二部分是基于HSI顏色模型利用作物植株和土壤顏色的差異，實現作物群體目標提取，由于點云數據RGB彩色信息可能會受到不同天氣光照和環(huán)境因素的影響，試驗將RGB空間轉換到HSI空間下，采用HSI空間下H分量用于分析顏色的差異。然而由于光照原因，作物根部顏色被映射到表層土壤，與作物植株顏色相近的土壤表層點云數據被保留，因此需要再利用條件濾波設置閾值實現這部分土壤和作物植株的分割，進而得到最終的作物群體點云數據，圖2b為作物群體點云提取結果圖。

4）點云精簡。為了提高工作效率，降低后續(xù)處理復雜程度，通過曲率采樣對點云數據進行簡化處理。

1.3 歐氏距離聚類分割

傳統(tǒng)點云數據分割常采用歐氏距離聚類方法[30]，由于目標對象之間通常具有一定的距離，同一對象的點云往往距離更近，利用這種距離差異可以實現作物對象的分割，其主要過程是：首先對作物群體點云利用KD-tree（K-Dimensional tree）建立點云拓撲結構，查找點云的臨近點，然后計算每個點與臨近點的歐氏距離，將距離最小的歸為一類，再對新生成的若干類別之間進行歐氏距離計算和迭代，直到劃分的類別中任意2類間距離都大于設定閾值或滿足分割后類的點云數量，完成點云分割。該算法的核心是點云之間的歐氏距離計算，設點云數據集合為，點云數據三維坐標表示為(,,)，則中任意2點間的歐氏距離dist的計算公式如下：

1.4 柱體空間聚類分割

由于農作物在田間的生長狀態(tài)復雜及非結構性特點，傳統(tǒng)點云聚類算法不能滿足農田尺度下作物群體點云數據的分割要求，存在過分割和欠分割問題。過分割是將背景誤分割為前景目標，植株分割結果中包含了其他植株的數據；欠分割是將前景目標誤分割為背景，植株分割結果中缺失了自身數據。本文提出一種適用于農田尺度下作物群體點云分割的柱體空間聚類分割方法。該方法的主要思想是通過直通濾波在作物群體點云數據軸方向上提取一定高度的植株莖稈，為保證提取莖稈的有效性，對帶有葉片的莖稈數據通過法向量差異去除葉片。然后采用歐氏距離聚類方法對作物群體莖稈點云聚類，提取植株聚類中心；最后建立以聚類中心點為底面圓心的柱體空間，柱體半徑和高度參數根據不同作物田間種植行間距和生長特點設置，以建立的柱體空間進行作物植株群體的分割。該算法的具體實現步驟如下：

2）計算點云數據集中各點的法向量=(,,)，通過設置角度閾值，剔除中的葉片點云數據，提取作物群體點云莖稈數據集，因為提取的莖稈點云數據周圍會存在一些噪點，可以利用包圍盒去除噪聲點，包圍盒是一種離散點集最優(yōu)包圍空間的算法，使用聚類和最小包圍盒方法去除包圍盒內點數少于某個閾值的類別，最終得到只有莖稈的點云數據。角度閾值的計算公式如下：

4）根據聚類結果計算不同類別的聚類中心，聚類中心點集C(x,y,z)計算公式如下：

其中為聚類中心序號，為某個聚類類別中點云序號，為某個聚類類別中點的總個數，X、Y和Z分別為某個聚類類別中點云序號為時的、、坐標。

2 結果與分析

試驗硬件處理平臺：Windows 10 企業(yè)版 64-bit系統(tǒng)，1T固態(tài)存儲，處理器Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10 GHz，16 G內存，顯卡NVIDIA Quadro M2000。

2.1 歐氏聚類分割結果

本文首先采用歐氏距離聚類算法對油菜冠層、玉米和棉花群體點云進行分割，該算法的閾值設置會影響作物點云的分割效果。3種作物不同距離閾值下的分割植株數量和準確率見表3。

表3 不同距離閾值下的作物點云分割結果

歐氏距離聚類分割結果主要取決于距離閾值。表3中，準確率為正確分割株數與田間實際植株個數的百分比，從表3可以看出，隨著距離閾值的增大，過分割株數逐漸增多，分割株數和欠分割株數逐漸變少，油菜正確分割株數先增加后減少，在距離閾值為0.06時準確率最高，為53.70%，玉米正確分割株數先增加后不變，在距離閾值為0.018和0.023時準確率最高，為34.83%，區(qū)別是閾值為0.018時比閾值為0.023時過分割株數減少，欠分割株數增多。綜合分析可知，當距離閾值設置較小時，出現了一個植株被分割為不同類別的現象，為欠分割現象，當距離閾值設置較大時，相鄰植株被分成同一類別，為過分割現象，經過參數優(yōu)化和調整，由于農作物點云數據的復雜性以及部分植株點云之間存在粘連、斷裂現象，均不能得到準確的分割結果。棉花分割結果正確率較低，完整正確的分割株數較少，由于棉花點云數據葉片較多，相鄰植株葉片距離比較近，分割結果較為破碎，無法得到完整的個體植株，不能得到較好的分割結果。

綜上所述，基于歐氏距離的聚類方法不能對油菜、玉米和棉花群體點云數據實現有效分割，在作物群體植株分割方面表現出一定的局限性，不能直接用于作物群體點云的分割實驗。同時，田間作物點云數據量比較龐大、植株個數多，發(fā)生斷裂的地方具有隨機性，點云數據補全需要耗費大量的時間。本文針對采集數據中存在的點云粘連、斷裂問題，在結合作物生長特點和農田種植特點的基礎上，利用基于柱體空間模型的聚類分割方法進行農田作物點云分割。

2.2 柱體空間聚類中心

2.2.1 作物植株聚類中心提取

針對歐氏距離分割結果中出現的過分割和欠分割問題，本文提出基于柱體空間的聚類分割方法對作物點云進行分割，利用植株聚類中心建立柱體空間實現各個植株之間的分離。植株聚類中心的計算過程見圖3。首先運用直通濾波沿著作物生長方向(軸方向)截取一定長度的作物莖稈，根據作物群體結構的復雜程度以及雜草遮擋的現象，濾波范圍的設置原則為提取作物群體軸方向最小值，并在最小值基礎上提取0.1～0.5 m范圍內的點云數據，然后利用主成分分析（Principal Component Analysis，PCA）算法計算點云數據法向量，調整法向量數據一致性，該算法實現過程是為每個點構建局部鄰域，擬合局部鄰域的最小二乘平面，將擬合平面的法向量作為該點的法向量，根據作物莖稈與葉片生長特點，將法向量與水平方向夾角大于閾值的葉片點剔除，得到作物群體莖稈點云數據。試驗得到作物群體莖稈點云的聚類中心點集C，將三維點集C降維投影得到植株聚類中心。

2.2.2 閾值對聚類中心提取結果的影響

因為采集數據過程中，部分植株點云數據會出現莖稈斷裂、缺失等現象，所以在計算聚類中心時，出現了一個植株具有多個聚類中心點的現象。為解決這一問題，對初步計算得到的聚類中心點進行重復點剔除，對于和坐標值之間差值小于0.1的點做取舍處理，只保留其中一個。歐氏距離聚類的參數設置會影響作物個體植株聚類中心的提取結果，分析發(fā)現分割結果主要取決于最大迭代次數（Maximum Iteration Number，MIN），其他參數只要設置在合適的范圍即可。作物提取中心點數量和準確率見表4，最優(yōu)聚類中心提取結果見圖4。

表4 不同參數下的植株聚類中心提取結果

從表4可以看出，隨著最大迭代次數的增加，分割得到的中心點數量逐漸增加，本試驗采集的棉花點云數據共有52個植株，在MIN為90時，剔除重復點后的聚類中心點數量與作物實際植株數量相等，且準確率為100%，油菜和玉米則分別在MIN為235和160時達到最大值。迭代次數增加能夠提高中心點提取的準確性，因此MIN設置要大于實際植株個體數，且通過調整盡可能使得最終的聚類中心數量與實際植株個體數相等，本文設置初始迭代次數為植株個數，根據剔除重復點后的聚類中心點數量增加迭代次數，直到結果與實際植株個數相近且不再發(fā)生變化。

注：MIN為最大迭代次數。

Note: MIN is the maximum number of iterations.

圖4 聚類中心提取結果

Fig.4 Clustering center extraction results

2.3 柱體空間聚類分割結果分析

2.3.1 柱體空間聚類分割結果

在提取植株聚類中心后，建立柱體模型空間，對提取的作物群體點云進行分割。根據作物種植特點，本文分別設置油菜、玉米和棉花柱體空間半徑閾值為0.11、0.16和0.22，結果以不同假彩色顯示來區(qū)分不同植株的分割效果，圖5為基于本文方法的油菜、玉米和棉花分割結果圖。

由圖5a可看出油菜冠層點云數據分割效果較好，沒有出現多個植株聚類為同一類別的現象，這也是本方法結合作物生長特性的優(yōu)點，通過設置合適的閾值，完整地將油菜冠層植株點云分割出來。由圖5b可看出玉米作物群體的分割效果較好，但出現部分相鄰玉米植株下層葉片誤分割的現象，原因為玉米葉片生長特點是自上而下葉片與莖稈夾角逐漸增大，因此下層葉片伸展較大，部分下層葉片超出柱體空間分割閾值而出現少量誤分割，但作物植株的高度信息主要由靠近玉米中心的上層葉片決定，對作物群體參數測量結果沒有影響。圖5c棉花植株群體的分割效果最好，實現了不同植株個體之間的分割。

2.3.2 分割結果評價

不同分割方法的結果如表5所示，其中柱體空間聚類分割方法的準確率遠高于歐氏距離聚類分割方法，油菜、玉米和棉花的分割準確率分別提高了36.42，61.80和82.69個百分點。對比算法耗時可以看出，柱體空間聚類分割方法相比歐氏距離聚類方法耗時較少，算法耗時分別縮短為后者的9.98%，16.40%和9.04%，這與前者通過植株聚類中心有序實現植株個體分割有關。歐氏距離聚類分割結果通常存在過分割和欠分割的現象，不能達到預期效果，柱體空間聚類分割結果基本不存在上述現象，能夠完全實現植株間的分離，從分割準確率和算法耗時2個方面來看，柱體空間聚類分割方法都優(yōu)于歐氏距離聚類分割。

對比表5可知棉花群體植株均實現了正確分割，玉米和油菜分別有3和16株未被正確分割，本文方法對油菜、玉米和棉花3種作物的分割準確率分別為90.12%，96.63%和100%。玉米有3株未被正確分割的原因為部分矮小玉米植株點云數據信息不全或點云數過少，不能作為有效植株，在使用歐氏聚類分割計算聚類中心時被剔除。油菜群體點云分割準確率相對較低，這是由于花期油菜群體結構復雜，油菜根部有過多雜草和植株間的相互遮擋，造成內部油菜植株的莖稈點云缺損，在進行作物莖稈點云的歐氏聚類時，僅聚類了有效點云數量的莖稈點云數據，無法得到莖稈數據缺損植株的植株聚類中心。

表5 不同作物群體點云分割方法的結果對比

3 討 論

本研究的目的是探討田間作物群體中單個植株的分割提取方法。單個植株的提取與植株表型生長參數的測量密不可分，本文提出了一種適于農作物群體點云分割的柱體空間聚類分割方法，能夠實現田間作物個體植株之間的分割，大幅提高了作物群體點云分割的精度。

本文方法適用于間隔播種且具有莖稈信息的農作物植株分割，目前田間作物大多采用間隔播種的方式，植株間有一定的間距可以充分利用光能，提高光能利用率，如油菜、玉米和棉花等作物。作物種植密度對分割結果有一定的影響，當種植密度較大時，存在植株交叉現象，仍舊可以通過莖稈中心點分割出不同的植株個體，但是邊緣葉片數據會逐漸損失。如果目標植物不是單主莖作物，但只要莖稈信息完整，多個莖稈分支之間無嚴重斷裂現象，仍舊可以聚類得到植株中心點，繼而分割得到單個植株；若多個莖稈分支之間出現斷裂現象，則會聚類得到多個中心點，可以通過設置閾值對多個中心點進行合并，并求取其平均值得到植株聚類中心點進行植株個體分割。

Jin等[29]基于區(qū)域生長算法從激光點云數據中分割出玉米個體，在稀疏、中等和稠密3種密度下的玉米個體分割結果召回率分別為0.95、0.93和0.92，通過對比試驗田面積和玉米株數可以發(fā)現，本研究玉米種植密度介于上述中等和稠密密度之間，植株高度高于前者20～30 cm左右，玉米個體分割結果準確率為96.63%，除此之外，本研究方法應用于油菜、棉花等更多類型的農作物，均能得到良好的分割結果，具有較好的適用性。

該方法可基本實現植株個體之間的分割，但仍然存在一定的局限性，對于非間隔種植的田間作物，由于存在大量的葉片交叉，可能會導致分割精度降低，對于莖稈數據缺失的作物點云數據，無法提取植株聚類中心，也限制了該方法的使用。

4 結 論

1）針對傳統(tǒng)點云數據聚類方法不能滿足作物群體點云數據分割要求的情況，本文提出一種適用于田間作物群體點云數據分割的柱體空間聚類分割方法，實現了玉米、油菜和棉花3種作物個體植株之間的分割，證明柱體空間聚類分割方法具有一定的通用性，適用于具有一定種植間隔且含有莖稈器官的農作物。

2）與歐氏距離聚類分割的分割結果相比，柱體空間聚類分割方法能夠解決過分割和欠分割問題，實現作物群體植株之間的分割，通過對比分割結果和人工統(tǒng)計株數，本文方法對油菜、玉米和棉花3種作物的分割準確率分別為90.12%，96.63%和100%，相對歐氏距離聚類方法準確率分別提高了36.42，61.80和82.69個百分點，且算法耗時縮短為歐氏距離聚類方法的9.98%，16.40%和9.04%。與區(qū)域生長算法的單體分割結果相比，本研究可應用于多種不同的農作物類型，適用性更強，不需要大量數據訓練，耗時短。

本文基于植株聚類中心點建立柱體空間實現作物植株個體的準確分割，能夠大大減少工作量，為作物群體表型信息研究提供了方法，可為農作物無損測量提供參考。

[1] 蘇偉，蔣坤萍，郭浩，等. 地基激光雷達提取大田玉米植株表型信息[J]. 農業(yè)工程學報，2019，35(10)：125-130.

Su Wei, Jiang Kunping, Guo Hao, et al. Extraction of phenotypic information of maize plants in field by terrestrial laser scanning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(10): 125-130. (in Chinese with English abstract)

[2] Sun S P, Li C Y, Paterson A H, et al. In-field high throughput phenotyping and cotton plant growth analysis using LiDAR[J]. Frontiers in Plant Science, 2018, 9: 16.

[3] Goggin F L, Lorence A, Topp C N. Applying high-throughput phenotyping to plant–insect interactions: picturing more resistant crops[J]. Current Opinion in Insect Science, 2015, 9: 69-76.

[4] Grosskinsky D K, Pieruschka R, Svensgaard J, et al. Phenotyping in the fields: Dissecting the genetics of quantitative traits and digital farming[J]. New Phytologist, 2015, 207(4): 950-952.

[5] Rahaman M, Chen D, Gillani Z, et al. Advanced phenotyping and phenotype data analysis for the study of plant growth and development[J]. Frontiers in Plant Science, 2015, 6: 619.

[6] Cobb J N, DeClerck G, Greenberg A, et al. Next-generation phenotyping: requirements and strategies for enhancing our understanding of genotype–phenotype relationships and its relevance to crop improvement[J]. Theoretical and Applied Genetics, 2013, 126(4): 867-887.

[7] Guo Q H, Wu F F, Pang S X, et al. Crop 3D-a LiDAR based platform for 3D high-throughput crop phenotyping[J]. Science China Life Sciences, 2018, 61(3): 328-339.

[8] 趙春江. 植物表型組學大數據及其研究進展[J]. 農業(yè)大數據學報，2019，1(2)：5-18.

Zhao Chunjiang. Big data of plant phenomics and its research progress[J]. Journal of Agricultural Big Data, 2019, 1(2): 5-18. (in Chinese with English abstract)

[9] 邊黎明，張慧春. 表型技術在林木育種和精確林業(yè)上的應用[J]. 林業(yè)科學，2020，56(6)：113-126.

Bian Liming, Zhang Huichun. Application of phenotyping techniques in forest tree breeding and precision forestry[J]. Scientia Silvae Sinicae, 2020, 56(6): 113-126. (in Chinese with English abstract)

[10] 劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業(yè)工程學報，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[11] 張慧春，周宏平，鄭加強，等. 植物表型平臺與圖像分析技術研究進展與展望[J]. 農業(yè)機械學報，2020，51(3)：1-17.

Zhang Huichun, Zhou Hongping, Zheng Jiaqiang, et al. Research progress and prospect in plant phenotyping platform and image analysis technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 1-17. (in Chinese with English abstract)

[12] 李鵬，勞彩蓮，楊瀚，等. 基于移動機器人平臺的玉米植株三維信息采集系統(tǒng)[J]. 農業(yè)機械學報，2019，50(S1)：15-21.

Li Peng, Lao Cailian, Yang Han, et al. Maize plant 3D information acquisition system based on mobile robot platform[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 15-21. (in Chinese with English abstract)

[13] 郭彩玲，宗澤，張雪，等. 基于三維點云數據的蘋果樹冠層幾何參數獲取[J]. 農業(yè)工程學報，2017，33(3)：175-181.

Guo Cailing, Zong Ze, Zhang Xue, et al. Apple tree canopy geometric parameters acquirement based on 3D point clouds[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 175-181. (in Chinese with English abstract)

[14] 張漫，苗艷龍，仇瑞承，等. 基于車載三維激光雷達的玉米葉面積指數測量[J]. 農業(yè)機械學報，2019，50(6)：12-21.

Zhang Man, Miao Yanlong, Chou Ruicheng, et al. Maize leaf area index measurement based on vehicle 3D LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(6): 12-21. (in Chinese with English abstract)

[15] 楊斯，高萬林，米家奇，等. 基于RGB-D相機的蔬菜苗群體株高測量方法[J]. 農業(yè)機械學報，2019，50(S1)：128-135.

Yang Si, Gao Wanlin, Mi Jiaqi, et al. Method for measurement of vegetable seedlings height based on RGB-D camera[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 128-135. (in Chinese with English abstract)

[16] Crommelinck S, Hofle B. Simulating an autonomously operating low-cost static terrestrial LiDAR for multitemporal maize crop height measurements[J]. Remote Sensing, 2016, 8(3): 205.

[17] Paulus S, Schumann H, Kuhlmann H, et al. High-precision laser scanning system for capturing 3D plant architecture and analysing growth of cereal plants[J]. Biosystems Engineering, 2014, 121: 1-11.

[18] 郭新年，周恒瑞，張國良，等. 基于激光視覺的農作物株高測量系統(tǒng)[J]. 農業(yè)機械學報，2018，49(2)：22-27.

Guo Xinnian, Zhou Hengrui, Zhang Guoliang, et al. Crop height measurement system based on laser vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 22-27. (in Chinese with English abstract)

[19] Mesas-Carrascosa F J, de Castro A I, Torres-Sanchez J, et al. Classification of 3D point clouds using color vegetation indices for precision viticulture and digitizing applications[J]. Remote Sensing, 2020, 12(2): 317.

[20] Wang Y W, Chen Y F. Non-destructive measurement of three-dimensional plants based on point cloud[J]. Plants-Basel, 2020, 9(5): 571.

[21] 喻垚慎，云挺，楊緒兵. 基于激光點云數據的植物器官多維特征分割方法[J]. 數據采集與處理，2015，30(5)：1054-1061.

Yu Yaoshen, Yun Ting, Yang Xubing. Multi-dimension feature segmentation method of foliage organs based on laser point cloud data[J]. Journal of Data Acquisition and Processing, 2015, 30(5): 1054-1061. (in Chinese with English abstract)

[22] 邢萬里，邢艷秋，黃楊，等. 基于體元逐層聚類的TLS點云數據單木分割算法[J]. 中南林業(yè)科技大學學報，2017，37(12)：58-64，71.

Xing Wanli, Xing Yanqiu, Huang Yang, et al. Individual tree segmentation of TLS point cloud data based on clustering of voxels layer by layer[J]. Journal of Central South University of Forestry & Technology, 2017, 37(12): 58-64, 71. (in Chinese with English abstract)

[23] Xia C L, Wang L T, Chung B K, et al. In situ 3D segmentation of individual plant leaves using a RGB-D camera for agricultural automation[J]. Sensors, 2015, 15(8): 20463-20479.

[24] Gélard W, Devy M, Herbulot A, et al. Model-based segmentation of 3D point clouds for phenotyping sunflower plants[C]//12. International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2017: 459-467.

[25] 溫維亮，郭新宇，楊濤，等. 玉米果穗點云分割方法研究[J]. 系統(tǒng)仿真學報，2017，29(12)：3030-3034，3041.

Wen Weiliang, Guo Xinyu, Yang Tao, et al. Point cloud segmentation method of maize ear[J]. Journal of System Simulation, 2017, 29(12): 3030-3034, 3041. (in Chinese with English abstract)

[26] Wu G, Zhu Q B, Huang M, et al. Automatic recognition of juicy peaches on trees based on 3D contour features and colour data[J]. Biosystems Engineering, 2019, 188: 1-13.

[27] Sun S P, Li C Y, Chee P W, et al. Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 160: 195-207.

[28] Zermas D, Morellas V, Mulla D, et al. 3D model processing for high throughput phenotype extraction-the case of corn[J]. Computers and Electronics in Agriculture, 2020, 172: 105047.

[29] Jin S C, Su Y J, Gao S, et al. Deep learning: Individual maize segmentation from terrestrial lidar data using faster R-CNN and regional growth algorithms[J]. Frontiers in Plant Science, 2018, 9: 866.

[30] 陳向陽，楊洋，向云飛. 歐氏聚類算法支持下的點云數據分割[J]. 測繪通報，2017(11)：27-31，36.

Chen Xiangyang, Yang Yang, Xiang Yunfei. Measurement of point cloud data segmentation based on Euclidean clustering algorithm[J]. Bulletin of Surveying and Mapping, 2017(11): 27-31, 36. (in Chinese with English abstract)

Cylinder space segmentation method for field crop population using 3D point cloud

Lin Chengda, Han Jing, Xie Liangyi, Hu Fangzheng

(,430070,)

A new phenotype of crop population depends mainly on the internal genetic change of plants with environment, thereby determining new varieties of crops in farmland. A three-dimensional (3D) laser scanning technology can provide a rapid acquisition for the accurate phenotypic data of crops, compared with some traditional time-consuming and destructive measurements. However, field high-throughput phenotypic acquisition is still a major bottleneck limiting crop improvement and precision agriculture. It is also necessary to automatically acquire phenotypic traits throughout the growth cycle of crops and further to obtain target parameters with high accuracy. In this study, a cylinder space clustering segmentation was proposed for a highly efficient extraction on complete phenotypic parameters of a single plant in field crop population using a 3D point cloud. Field experiments were carried out at the Huazhong Agricultural University in Wuhan City, Hubei Province of China in 2019. Flowering rapeseed, seedling corn, and flowering cotton were selected as the research objects. The experimental procedure was: 1)A 3D laser scanner(FARO FocusS SeriesS 70) was used to collect high-precision point cloud data of field corn, rapeseed and cotton. Multiple sites were set around the experimental field for high accuracy information about the target. The measuring sites of rapeseed field were laid in the four corners and the middle of the long side of a sample plot. Four corners of a sample plot were selected to measure in corn and cotton field. Two groups of point cloud data were collected at different heights in the same measuring site. Each position was scanned once, and each scanning took 10 min. At least 3 target balls were placed in the test area as the registration basis, thereby preparing for the registration of point cloud data collected by subsequent test stations.2) The crop target was then extracted from the massive point cloud, including registration, denoising, data extraction, and simplification. The point cloud registration was completed using a target ball. The noise points were eliminated using dark scan point, outlier, and edge artifact filter. A Hue Saturation Intensity(HSI) color model was utilized to extract crop group target, according to the difference between crop and soil color. Curvature sampling was selected to realize point cloud simplification. 3)A pass-through filter was used to extract the stem point clouds at a certain height, whereas, the leaf point clouds were removed according to the difference of normal vectors. Conditional Euclidian distance was selected to extract the cluster center point of each plant using stem point cloud. A cylinder spatial model with the center point was also established to segment the point cloud of each plant. The column radius and height were set according to the row spacing and growth of specific crops in farmland. The segmentation accuracies of corn, rapeseed, and cotton were 90.12%, 96.63%, and 100%, respectively. The accuracy increased by 36.42, 61.80 and 82.69 percentage points, respectively, while the running time shortened to to 9.98%, 16.40% and 9.04%, compared with the conventional clustering segmentation. As such, better applicability, feasibility, and universality were achieved to effectively segment and extract all three types of individual plants from crops in dense fields, compared with previous region growth. Therefore, the segmentation and recognition of a single plant in crop population can provide a promising technical approach for the accurate, rapid, and non-destructive measurement of phenotypic information of individual crop in the field.

crops; laser; three dimensional point cloud; cylinder space model; segmentation

2020-12-10

2021-02-20

國家自然科學基金項目（41301522）；中央高校基本科研業(yè)務費專項（2662018JC054）；湖北省自然科學基金項目（2014CFB940）

林承達，博士，副教授，研究方向為數字農業(yè)三維重建。Email：linchengda@mail.hzau.edu.cn

10.11975/j.issn.1002-6819.2021.07.021

TP391

A

1002-6819(2021)-07-0175-08

林承達，韓晶，謝良毅，等. 田間作物群體三維點云柱體空間分割方法[J]. 農業(yè)工程學報，2021，37(7)：175-182. doi：10.11975/j.issn.1002-6819.2021.07.021 http://www.tcsae.org

Lin Chengda, Han Jing, Xie Liangyi, et al. Cylinder space segmentation method for field crop population using 3D point cloud[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(7): 175-182. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.07.021 http://www.tcsae.org