楊征鶴，喻 晨，楊會民，陳毅飛，周 欣，馬 艷，王學(xué)農(nóng)

(1.新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，烏魯木齊 830052；2.新疆農(nóng)業(yè)科學(xué)院農(nóng)業(yè)機(jī)械化研究所，烏魯木齊 830091)

0 引 言

【研究意義】植物冠層數(shù)據(jù)是分析植物生長狀態(tài)的重要參數(shù)，利用傳感器技術(shù)檢測植物位置信息及輪廓外形是對靶精準(zhǔn)噴霧技術(shù)的基礎(chǔ)[1]，探測作物幾何信息是對靶噴霧技術(shù)的重要研究內(nèi)容[2]，植物冠層體積特征也是調(diào)整農(nóng)藥用量的關(guān)鍵。溫室中環(huán)境較為穩(wěn)定，更加適合使用激光雷達(dá)采集作物信息。獲取溫室環(huán)境中番茄作物冠層數(shù)據(jù)，搭建基于激光雷達(dá)的溫室番茄冠層檢測平臺，研究提出1種基于點云的單株番茄分割和體積獲取方法，對實現(xiàn)從番茄作物行中獲取單株番茄植株冠層數(shù)據(jù)與體積有實際意義?！厩叭搜芯窟M(jìn)展】檢測冠層表征采用的有超聲波傳感器技術(shù)、立體視覺技術(shù)、光傳感器技術(shù)及激光雷達(dá)傳感器技術(shù)[3]。超聲波技術(shù)已經(jīng)在計算作物冠層體積[4]和估算冠層密度[5]得到應(yīng)用，Maghsoudi等[6]使用超聲波傳感器進(jìn)行果樹冠層量的有效估計，以減少果園中農(nóng)藥用量。翟長遠(yuǎn)等[7]基于超聲波傳感器設(shè)計了1種果樹靶標(biāo)體積的探測方法。但在實際使用中超聲波傳感器存在靶向性及采樣頻率較低等問題，存在一定的誤差。Sylvain等[8]利用圖像技術(shù)和SFM技術(shù)建立了作物行三維模型，預(yù)估植物高度和葉面積。立體視覺技術(shù)及光傳感器受外界環(huán)境光影響較大[9]，穩(wěn)定性不足，在實際應(yīng)用限制較多，相比之下利用激光雷達(dá)檢測冠層表征是現(xiàn)階段最高效的技術(shù)。激光雷達(dá)傳感器具有速度快、精度高、靶向性強(qiáng)、非接觸性、受外界環(huán)境光影響較小等優(yōu)點[10]，在預(yù)測冠層表征方面較為可靠，并已經(jīng)廣泛應(yīng)用[11-13]，且在不規(guī)則植株冠層特征信息的獲取中有著難以比擬的優(yōu)勢[14]。Jordi等[15]驗證了二維激光雷達(dá)測定植株體積和密度相關(guān)的冠層參數(shù)的精度，俞龍等[16]基于二維激光雷達(dá)設(shè)計了1種對丘陵山地果樹冠層體積的激光測量方法，吳志鵬等[17]使用激光雷達(dá)對果樹輪廓進(jìn)行測量，試驗結(jié)果證明，該方法具有一定的可行性。張美娜等[18]使用二維激光雷達(dá)設(shè)計了1種靶標(biāo)探測系統(tǒng)試驗平臺，提出了1種基于點云信息的靶標(biāo)葉面積密度的計算方法。三維雷達(dá)相較于二維雷達(dá)具有更高的信息獲取能力，Ravi等[19]將LiDAR與無人機(jī)相結(jié)合，獲取作物冠層覆蓋情況并建立作物冠層地圖，管賢平等[20]將三維激光雷達(dá)與導(dǎo)航系統(tǒng)、無人機(jī)相結(jié)合獲取大田大豆單株幾何冠層幾何參數(shù)?！颈狙芯壳腥朦c】激光雷達(dá)現(xiàn)階段多用于針對森林或果園中林木及果樹的冠層數(shù)據(jù)提取，很少在溫室環(huán)境中對蔬菜類作物冠層進(jìn)行分析。研究基于LiDAR的溫室番茄冠層幾何參數(shù)提取?！緮M解決的關(guān)鍵問題】以番茄作物行為目標(biāo)，設(shè)計基于LiDAR的溫室番茄冠層檢測平臺，在番茄作物行兩側(cè)勻速運行激光雷達(dá)，獲取番茄植株的三維點云信息，對點云進(jìn)行去噪、配準(zhǔn)處理，從行點云中分割獲取單株點云，獲取冠層信息，將點云重建并獲取體積信息，驗證獲取的三維輪廓的準(zhǔn)確性，比較與凸包算法和人工測量值，驗證裝置的精準(zhǔn)性。

1 材料與方法

1.1 材 料

1.1.1 番茄

選擇新疆烏魯木齊西山的一處溫室番茄種植園內(nèi)，選擇的番茄作物生長期分別為40、80 d，高約0.6和1.5 m，株距同為0.3 m，分別定義為A組和B組。

1.1.2 儀器設(shè)備

試驗平臺主要由激光雷達(dá)部分、支架部分、導(dǎo)軌部分組成，其中導(dǎo)軌部分主要由滑塊、線軌部分、步進(jìn)電機(jī)、控制器及電源部分組成，激光雷達(dá)部分直接與PC機(jī)相連。圖1

選用銳博公司生產(chǎn)的XG80導(dǎo)軌平臺，該導(dǎo)軌平臺具有承載能力強(qiáng)、精度較高、穩(wěn)定性好的優(yōu)點。滑軌總長度為1 500 mm，滑塊通過步進(jìn)電機(jī)驅(qū)動，精度良好，滑塊移動速度為10～50 mm/s，滑塊所連接的支架高度可調(diào)，以適應(yīng)不同的作業(yè)環(huán)境。

選用北科天繪公司的R-Fans-32線程激光雷達(dá)。激光幀頻在5～20 Hz可調(diào)，最大探測距離為200 m，距離分辨率為4 mm，激光波長為905 nm，測程遠(yuǎn)，回波強(qiáng)度較為準(zhǔn)確，測量精度較高，角度覆蓋和角分辨率，有效的抵抗背景光的干擾。

1.2 方 法

番茄作物行點云通過獲取、配準(zhǔn)等一系列處理，最后獲取單株點云并通過MATLAB進(jìn)行重建與體積的計算。圖2

1.2.1 番茄行點云獲取

激光雷達(dá)使用飛行時間原理進(jìn)行計算[21]，激光雷達(dá)的坐標(biāo)生成Point(X，Y，Z)。圖3

從XY平面方向?qū)沃挈c云直接測量，計算點云中的最高點和最低點的差值作為激光雷達(dá)獲取的番茄植株的冠層高度HL，人工測量值為從平行于導(dǎo)軌方向使用卷尺從每株番茄中獲取冠層高度HM。

點云中每個點的坐標(biāo)計算：

Angle=-wt-w×ΔT-(H_Bta).

(1)

X=Range×cos(V_theta)×cos(Angle).

(2)

Y=Range×cos(V_theta)×sin(Angle).

(3)

Z=Range×sin(V_theta).

(4)

式中：Angle為雷達(dá)中激光發(fā)生器偏轉(zhuǎn)角度，w為其瞬時角速度，Range為該點回波距離，ΔT為激光發(fā)射與接收時間偏差，H_Bta為水平角度，V_theta為垂直角度。

將激光雷達(dá)分別固定在距地面0.4和0.8 m處，與番茄作物行的距離設(shè)置為2 m。支架安裝到滑塊上，導(dǎo)軌與番茄植株進(jìn)行平行放置。使用探測試驗平臺，在溫室中分別對2組番茄植株依次進(jìn)行探測。使用水平儀將導(dǎo)軌進(jìn)行水平放置，激光雷達(dá)設(shè)置10 Hz的掃描速度，掃描起始角度設(shè)置為-45°，終止角度為45°，以減少其他外界環(huán)境點云的影響，設(shè)置0.05 m/s的滑塊速度運行。運行激光雷達(dá)，使用雷達(dá)上位機(jī)軟件CtrlView獲取點云數(shù)據(jù)并以.xyz格式進(jìn)行存儲，獲取到的點云數(shù)據(jù)。圖4，圖5

1.2.2 點云去噪與匹配

點云去噪是通過為每個點搜索指定鄰域點個數(shù)的相鄰點，計算其與鄰域點的平均距離，并計算這些平均距離的中值和標(biāo)準(zhǔn)差。如果該點的平均距離大于最大距離，則將其視為噪聲點，將其去除。

利用ICP(Iterative Closest Points)即迭代最近點算法對雙側(cè)點云進(jìn)行匹配。ICP配準(zhǔn)算法是比較常用的點云配準(zhǔn)方法之一，其基本原理為在P、Q兩目標(biāo)點云中，按照一定的約束找到最近的鄰近點，計算出平移參數(shù)T和旋轉(zhuǎn)參數(shù)R，對Q使用求得的平移和旋轉(zhuǎn)參數(shù)，得到新的變換點集；如果新的變換點集與參考點集滿足2點集的平均距離小于某一給定閾值，則停止迭代計算，否則新的變換點集作為新的Q繼續(xù)迭代，直到達(dá)到目標(biāo)函數(shù)的要求[22]，目標(biāo)函數(shù)為：

(5)

1.2.3 地面分割

獲取番茄冠層高度需要去除地面，常用的地面分割方法有平面擬合、RANSAC算法等[23]，由于溫室地面相比大田環(huán)境較為平整，選擇平面擬合算法，地面在X、Y、Z3個方向上都存在一定的誤差[24]，選用基于特征值法擬合點云平面[25]，設(shè)置擬合點云平面方程為：

ax+by+cz=d.

(6)

式中：a、b、c為單位法向量，其中d為坐標(biāo)原點到該擬合平面的距離，則對某一平面掃描的n個數(shù)據(jù)點的坐標(biāo)為(xi,yi,zi)，則任意數(shù)據(jù)點到該擬合平面的距離為：

di=|axi+byi+czi-d|.

(7)

并且能夠滿足：

(8)

1.2.4 單株番茄點云分割算法

番茄植株在實際的生長過程中，相鄰的番茄植株會出現(xiàn)葉片的交織，在激光雷達(dá)獲取的番茄植株點云中出現(xiàn)單株番茄植株的邊緣界定不清晰，影響冠層數(shù)據(jù)的采集和冠層體積的計算。在番茄點云中，單株番茄點云中心密度較高，兩側(cè)較低，根據(jù)這一特征，采用均值漂移算法(Meanshift)進(jìn)行單株點云分割。均值漂移算法是通過沿著點云密度上升方向?qū)ふ揖鄞攸c，初始確定1個中心點，然后計算在設(shè)置的一定空間內(nèi)對所有的點xi與中心點的向量，并計算出整個點云空間的平均值，得到1個偏移均值，將中心點移動到偏移位置，重復(fù)移動，直到滿足一定條件后結(jié)束[26-27]，其中偏移均值為：

(9)

式中：以x為中心點，半徑為h的高維度球區(qū)域，k為包含在Sh范圍內(nèi)的點數(shù)，xi為包含在Sh內(nèi)的點。中心點的更新：

xt+1=Mt+xt.

(10)

式中：Mt為t狀態(tài)下求得的偏移均值，xt為t狀態(tài)下的中心。

使用LiDAR360軟件直接從XY平面方向?qū)沃挈c云直接測量，計算點云中的最高點和最低點的差值作為激光雷達(dá)獲取的番茄植株的冠層高度HL，人工測量值為從平行于導(dǎo)軌方向使用卷尺從每株番茄中獲取冠層高度HM。圖6

1.2.5 單株番茄植株體積計算

選取的alp值為0.1，其中alp值越小，網(wǎng)格化體積越小，得到的點云體積更加精確。驗證使用alpha shape算法求取體積的精度，使用凸包算法(Convex hull)求取體積，作為參考值對比。凸包算法能夠?qū)沃挈c云數(shù)據(jù)建立一個能夠?qū)⑺悬c云都包含在內(nèi)的最小整體凸包。

由于番茄植株具有并不規(guī)則的外形，枝葉相互遮擋，在計算體積時，需要對番茄植株點云數(shù)據(jù)進(jìn)行三維重建。該次試驗使用alpha shape算法對番茄植株的三維點云進(jìn)行重建[28]，alpha shape算法能夠在離散的三維點云空間中提取邊緣并建立對應(yīng)最小包絡(luò)。從A組和B組各選取10株番茄進(jìn)行點云重建，選取的alp值為0.1，其中alp值越小，網(wǎng)格化體積越小，得到的點云體積更加精確，從而更精準(zhǔn)的對番茄植株進(jìn)行重建，最后使用Volume函數(shù)對所重建后包絡(luò)進(jìn)行體積的計算[29]。為驗證使用alpha shape算法求取體積的精度，使用凸包算法(Convex hull)求取體積，作為參考值進(jìn)行對比。凸包算法能夠?qū)沃挈c云數(shù)據(jù)建立一個能夠?qū)⑺悬c云都包含在內(nèi)的最小整體凸包，并進(jìn)行體積的計算。

使用人工測量的方式對隨機(jī)5株番茄植株進(jìn)行體積獲取。在單株體積計算時，獲取的5個位置的冠層寬度，將5處位置的橫截面近似為橢圓，求出橢圓面積與每個部分的冠層高度相乘，并通過累加得到番茄植株的冠層體積。

1.2.6 精度驗證

(11)

Va=VLi-VMi.

(12)

(13)

(14)

(15)

式中：n為番茄株數(shù)。

2 結(jié)果與分析

2.1 規(guī)則框架人工測量值與系統(tǒng)檢測值對比

研究表明，在激光雷達(dá)前進(jìn)方向上最大相對誤差為-2.8%，誤差值為-1.7 cm，在垂直于激光雷達(dá)前進(jìn)方向最大相對誤差為-4.5%，誤差值為-3.6 cm，該檢測平臺在較小的測量范圍內(nèi)沿激光雷達(dá)前進(jìn)方向上誤差較小，誤差控制在10 cm以內(nèi)。圖7，表1

表1 規(guī)則框架人工測量值與系統(tǒng)檢測值對比Table 1 Comparison table between the manual measurement value of rule support and the platform detection value

2.2 冠層高度人工測量值與平臺檢測值對比

研究表明，A組為y=1.007 9x+0.020 1，R2=0.902 2，均方根誤差為RMSE=0.039，平均絕對誤差為0.025 m，B組為y=0.855 2x+0.267，R2=0.848 7，均方根誤差為RMSE=0.043，平均絕對誤差為0.031 m，各評價指標(biāo)達(dá)到了較好的水平[30]。表2，圖8，圖9

表2 冠層高度人工測量值與平臺檢測值對比Table 2 Comparison of canopy height measuredmanually with platform measured values

2.3 番茄冠層重建與體積

表3 番茄冠層體積平臺檢測值與參考值Table 3 Detection value and reference value of tomato canopy volume platform

獲取的5個位置的冠層寬度，將5處位置的橫截面近似為橢圓，求出橢圓面積與每個部分的冠層高度相乘，并通過累加得到番茄植株的冠層體積。人工測量值與平臺檢測值的VRMSE為0.015，絕對誤差Va最大為0.021 4 m3，最小為0.003 6 m3，相對誤差m最大為21.9%，最小為14.6%，平臺檢測值與人工測量值相差不大，能夠滿足實際需求。表4

表4 人工測量與平臺檢測體積對比Table 4 Comparison table between manual measurement and platform detection volume

3 討 論

利用激光雷達(dá)進(jìn)行植物冠層數(shù)據(jù)的分析已經(jīng)具備較大的發(fā)展?jié)摿?，激光雷達(dá)能夠快速直接獲取植物冠層形狀，信息準(zhǔn)確度較高，受外界環(huán)境影響較小，是其他技術(shù)無法比擬的優(yōu)勢。在實際的使用中，激光雷達(dá)在使用時需要保證一定的穩(wěn)定性，減少因為振動而造成的噪點過多，從而影響數(shù)據(jù)的準(zhǔn)確性。

采用平面擬合算法對地面進(jìn)行分割時對地形的要求較高，若地形起伏較大，則產(chǎn)生的誤差較大。采用均值漂移算法進(jìn)行單株番茄植株的分割時，當(dāng)植株枝葉過于茂密，相鄰植株間交織嚴(yán)重，激光雷達(dá)獲取的點云密集，從而無法通過點云特征處理，應(yīng)根據(jù)不同作物的生長狀況，采用不同的分類方法對單個植物進(jìn)行分割[30]。通過alpha shape算法獲得的植株體積小于使用凸包算法獲取的體積，是因為alpha shape算法能夠減少冠層間空隙帶來的影響。

4 結(jié) 論

4.1溫室環(huán)境中，作物狀態(tài)較為穩(wěn)定，受外界環(huán)境影響較小，相比于大田環(huán)境更加適合使用檢測平臺，檢測平臺在前進(jìn)方向與垂直前進(jìn)方向的測量誤差分別為-2.65%、-3.95%。

4.2采用基于平面擬合和均值漂移算法以實現(xiàn)從點云中分割地面和從番茄行中分割單株番茄點云，與人工測量冠層數(shù)據(jù)值相比，A、B 2組的均方根誤差RMSE分別為0.039和0.043，平均絕對誤差分別為0.025和0.031 m，均取得了較好的結(jié)果。

4.3對單株點云使用alpha shape算法進(jìn)行重建并進(jìn)行體積的計算，平均絕對誤差為0.009 4 m3，與凸包算法獲得結(jié)果相比，平均相對誤差下降了約15.3%，與人工獲取相比，VRMSE為0.015，最大相對誤差為21.9%，最小相對誤差為14.6%，該結(jié)果與實際值相差不大。