现阶段,作物的三维点云信息主要通过2种途径获取。一是利用基于图像的计算机视觉方法重建作物目标,如葡萄
[1]、番茄
[2]、大豆
[3]、玉米
[4]以及植物根系
[5]等。基于图像的计算机视觉方法一般通过相机标定、特征提取、特征匹配以及光束法平差等关键步骤实现,对获取的图像有约束性要求,如保证相邻视点影像间较高的重叠度,且生成的点云数据质量和图像数量关系较大。当作物本身缺乏足够特征时,需引入结构光等获得较丰富的纹理特征,以期获得较高精度的点云数据。Nguyen等
[6]搭建结构光系统获取植物多视影像,获得多视点云,并完成点云间的配准,构建了植株的完整三维模型;在此基础上,完成叶片数量、株高、叶片大小和节间距等参数的测量。Ni等
[7]利用三台相机获取120幅蓝莓簇图像数据,重建蓝莓点云及模型。针对获取的二维图像数据,利用Mask-RCNN实现单粒蓝莓的分割及成熟度检测,并将分割结果反投回三维空间,在三维空间中完成各蓝莓表型参数的提取。二是利用LiDAR技术直接获取目标三维信息。该类技术首先获取作物对象不同视点的三维点云数据,再利用最临近点迭代法(Iterative Closest Point,ICP)完成多视点的点云配准,生成目标完整的三维模型。利用LiDAR技术开展三维表型研究可概括为2个方面:点云数据处理方法和表型参数提取方法研究。从作物尺度进行划分,LiDAR技术可分别应用在单株作物和大田作物中,对应地获取不同尺度的表型参数。针对大田作物,提取的表型参数主要包括平均冠层高度、投影面积、植株密度、生物量等信息。Jiang等
[8]对田间获取的激光点云数据研发了一套和蓝莓收获相关的表型参数获的三维表型技术,包括大小、尺度等。Jin等
[9]提出了一种均值归一化向量生长算法(Median Normalized Vector Growth,MNVG)实现田间玉米的茎叶分割,完成了叶面角、茎高、株高等表型参数的测量。Sun等
[10]针对重建的田间成熟期棉花植株,利用密度聚类方法实现了棉铃球的分割和计数,为棉花估产提供数据支持。刘守阳等
[11]通过构建的数字化植物表型平台(Digital Plant Phenotyping Platform,D3P)获取田间小麦的三维冠层场景,记录了绿色叶面积指数、平均倾角和散射光截获率等信息,在此基础上模拟虚拟LiDAR实验,生成了三维点云数据,展示了LiDAR数据在田间冠层光截获和冠层结构方面的潜力。针对单株作物,主要采用近距离或手持式激光扫描对象,从叶、茎、甚至根等器官角度完成各表型参数的提取。其中,点云配准和点云分割分别是获取三维点云模型和提取表型参数的关键步骤。马福峰等
[12]提出了一种基于植株点云邻域几何特征约束的配准方法,选取关键点并估计其中每个点的支撑邻域估算出邻域几何特征,利用几何特征实现点云的初始配准。Chaudhury和Barron
[13]将不同视点的点云投影至二维平面上,通过定位节点位置来建立点云间的初始对应关系,该算法实现的前提是点云数据中存在直线特征。点云分割是获取表型参数的前提。适用于作物器官的点云分割方法主要3种:①基于三维区域增长的方法,通过利用区域内部点云的相似属性,制定合适的区域增长规则来完成,主要应用在植株叶片的分割中,如油菜叶片
[14]、绿萝和龟背竹
[15]等;②基于模型拟合的点云分割方法,利用植株中的直线、圆柱体、平面等典型几何模型来完成,在作物主茎的分割中应用较多,如向日葵
[16]和玉米主茎
[17]等;③基于机器学习的方法,代表性的算法包括支持向量机(Support Vector Machine,SVM)和均值漂移(Mean Shift)等各种聚类算法。Wahabzada等
[18]在获取植株模型的基础上,使用无监督聚类的方法,完成了葡萄、小麦和大麦的叶片和茎秆的分割。喻垚慎等
[19]融合了点云数据的多维特征,利用人工标记数据为样本,结合SVM分类器实现了树木枝叶分离,属于有监督分类方法。