学术中心
基于无人机激光雷达结合三维深度神经网络的棉花表型性状计算方法
发布时间：
2025-03-10
来源：
作者：
准确、快速地获取棉花冠层表型性状，对棉花生长监测、产量预测、精准施药等科学管理具有重要意义。手工测量既耗时又费力。光探测与测距（Light detection and ranging，LiDAR）可以准确获取农业环境的点云数据。然而，激光雷达数据需要特定的算法来处理和解释，因此不适合直接用于农业应用。本研究提出了一种基于无人机（unmanned aerial vehicle，UAV）激光雷达平台的棉花冠层表型性状高通量检测方法。它由三个关键部分组成：首先，使用无人机激光雷达平台对大田棉花在结铃阶段进行高通量数据收集。其次，利用三维深度神经网络pointnet++对原始数据进行语义分割，提取棉花单株和块状；最后，利用6种单株棉花表型分析算法和5种地块级棉花表型分析算法提取棉花株高、孔隙度和冠层体积等冠层结构信息。最终结果表明，神经网络对棉花单株的提取率达到了86.3%。6种棉花表型计算方法中，株高法计算株高最有效，R2值为0.91，均方根误差（root mean square error，RMSE）最小，为0.034 m。在棉花冠层孔隙度算法的计算结果中，R2最大值为0.87，RMSE最小值为0.012。在棉花冠层体积算法的计算结果中，可实现的最高R2值为0.96，最小RMSE值为0.019 m3。该方法可有效分割棉花，提取表型信息，为棉花生长监测、产量预测和科学管理提供技术支持。
图1 实验材料。(a)试验点地理位置，(b)九江市，(c)广州市。(d)九江市棉花试验田。(e)地块分区图。
图2 无人机（UAV）扫描平台。
图3 无人机路线图。
图4 单株棉花冠层参数测量示意图。(a)棉花株高和冠层体积测量。(b)利用冠层分析仪获取棉花冠层图像，并将图像导入该分析仪进行棉花冠层孔隙度分析。
图5 地块内棉花冠层体积重叠示意图。
图6 综合实验分析过程。
图7 统计异常值去除滤波效果图。(a)预滤波块点云。(b)经过滤波的块点云，红色突起作为标记的旗杆。
图8 最远点采样法下采样效果图。
图9 PointNet++的分层机制。
图10 数据标记和数据注释：(a)原始点云数据，(b)和(c)数据标记，(d)和(f)仿射变换，(e)随机下采样。
图11 不同神经网络模型结果的比较。
图12 棉花单一栽培的提取。
图13 提取棉花地块。
图14 植物高度算法示意图。
图15 棉花冠层孔隙度算法示意图。(a)体素差分法，(b)体素-凸包法。
图16 冠层体积计算方法示意图。(a)棉花单株凸包的凸多边形。(b)棉块凸包的凸多边形。(c)单一栽培棉花的体素积累。(d)棉块体素累积。(e)单一栽培棉花的体积切片。(f)棉花块的体积切片。
图17 单株棉花表型性状提取结果：(a)株高，(b)孔隙度-体素差法，(c)孔隙度-体素-凸包法，(d)体积-凸包法，(e)体积-体素法，(f)体积-切片法。
图18 单株棉花表型提取结果的回归分析：(a)株高，(b)孔隙度-体素差法，(c)孔隙度-体素凸包法，(d)体积-凸包法，(e)体积-体素法，(f)体积-切片法。
图19 棉花地块表型性状提取结果：(a)孔隙度-体素差分法，(b)孔隙度-体素-凸包法，(c)体积-凸包法，(d)体积-体素法，(e)体积-切片法。
图20 棉花地块表型提取结果的回归分析：(a)孔隙度-体素差分法，(b)孔隙度-体素-凸包法，(c)体积-凸包法，(d)体积-体素法，(e)体积-切片法。
Chen, X., Wen, S., Zhang, L., Lan, Y., Ge, Y., Hu, Y., & Luo, S. (2025). A calculation method for cotton phenotypic traits based on unmanned aerial vehicle LiDAR combined with a three-dimensional deep neural network. Computers and Electronics in Agriculture. 2025, 230 109857.
编辑
王春颖
推荐新闻
视频展示
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874、18600875228
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯