田间密集点云中麦穗尺寸的无监督自动测量


发布时间:

2021-12-23

来源:

本站

作者:

PhenoTrait

  准确测量田间生长的小麦性状,包括穗数、尺寸和体积,对于作物表型和产量分析至关重要。在本文中,我们提出了一种高通量的方法来对田间小麦进行三维成像,并提出了一种无监督的测量方法来获取单个小麦穗的数据。在田间移动平台上使用四个结构光扫描仪来获取图像,在不到10s的时间内为4.5立方米的体积创建了尺寸精确到亚毫米分辨率的3D点云。采用无监督方法分析每个试验小区的三维点云,包含数百个麦穗,并计算每个小区的麦穗平均尺寸和总麦穗面积。该分析采用了具有动态自适应k-means算法,以适应每个麦穗的性状,并采用随机抽样一致算法测量尺寸,通过生成小的立方体来适应所有的麦穗,并估计了麦穗的总体积。结果表明,所提出的算法是一个可以识别小麦穗和小麦单穗的可靠工具,与人工测量相比,根据五个场景的结果,测试中穗子的数量、高度和宽度的平均误差率分别为16.27%,5.24%和12.38%。

 

  图1 小麦作物三维点云图像

 

  图2 DBSCAN和k-means分割结果

 

  图3 动态视角下的麦穗图像

 

  图4基于提出的k-means方法的分割结果

 

  图5 三种不同的麦穗值空间。从a到c,值s逐渐增大

 

  图6 (a)异常尺寸的形状拟合结果;(b)最终的形状拟合结果

 

  图7 所提出方法的整体流程图

 

  图8 使用长方体拟合的体积计算方法示例

 

  图9 包含四个结构光扫描仪的小麦三维形状获取系统的现场应用

 

  图10 基于三维和二维点云的k-mens结果

 

  图11 不同k值得聚类结果

 

  图12不同场景下的聚类结果

 

  图13运行时测试的现场图像片段示例。

 

  图14 来自现场的五个不同的三维点图像

 

  表1 手动计算与所提出方法的估测结果比较

 

  表2 所提出方法的错误率

 

  来源:Wang F, Li F, Mohan V, et al. An unsupervised automatic measurement of wheat spike dimensions in dense 3D point clouds for field application[J]. Biosystems Engineering, 2021.

  https://doi.org/10.1016/j.biosystemseng.2021.11.022

  

  编辑:小王博士在努力

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。