学术中心
基于机器学习的高分辨率作物三维重建及表型指数自动分析
发布时间:
2021-11-07
来源:
本站
作者:
PhenoTrait
除了使用二维图像以外,三维图像对于作物表型的分析也是至关重要的。在本研究中,我们创建了一个系统,实现了红辣椒的三维图像重建与自动分析。在本系统中,我们采用带有深度传感器的Kinect 2和具有高分辨率的RGB摄像头来获取精确的重建三维图像,将重建的三维图像与传统的重建图像进行了比较,并对重建图像的数据进行了分析,以了解其直接测量的特征和精度,如叶数、宽度和株高。在自动分析方面,应用了几种图像提取和分割的算法。结果表明,所提出的方法在重建和分析作物三维图像时的误差约为5毫米,适用于作物表型分析。通过三维重建方法获得的图像和分析算法有望用于各种图像处理研究。
图1 获取作物不同角度图像的实验环境
图2 作物植株和叶片测试方法:(A)植株,(B)叶片
图3 图像采集、三维重建和数据分析的流程图
图4 三维图像获取和分析算法流程图
图5三维重建结果。(A)Kinect融合图像,(B)Kinect低分辨率彩色图像,(C)高分辨率RGB图像
图6叶子位置平均误差:(A)叶长和(B)叶宽
图7 叶子相对面积平均误差:(A)叶长和(B)叶宽
图8 叶子面积平均误差:(A)叶长和(B)叶宽
图9 通过几种算法的结合,三维提取结果。(A)k-means聚类(k=4);(B)ExG+k-means聚类;(C)ExG+Otsu
阈值
图10 坐标准换。(A)原始三维图像;(B)在三维图像上进行的PCA图像;(C)通过欧拉角转换实现坐标系统的标准化。
图11 采用聚类算法进行叶子分割的结果
图12 三维点云划分。(A)叶子;(B)茎、节间和节点;(C)未能分割的元素
图13 自动测量转换算法的应用。(A)叶子的原始点云,(B)经过坐标转换的叶子的点云
图14 分段式叶片长度和宽度的自动测量
图15自动测量的叶长与地面真实数据的比较。(A)手动测量和(B)分割和自动测量。
图16自动测量的叶宽与地面真实数据的比较。(A)手动测量和(B)分割和自动测量。
来源:Yang M, Cho S I. High-Resolution 3D Crop Reconstruction and Automatic Analysis of Phenotyping Index Using Machine Learning[J]. Agriculture, 2021, 11(10): 1010.
https://doi.org/10.3390/agriculture11101010
编辑:小王博士在努力
推荐新闻
视频展示