(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210601835.7 (22)申请日 2022.05.30 (71)申请人 长安大学 地址 710000 陕西省西安市雁塔区南 二环 路中段 (72)发明人 李振洪　雷蕾　杨浩　杨贵军　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 专利代理师 梁静 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/20(2022.01) G06K 9/62(2022.01) G01S 17/88(2006.01) G01S 7/48(2006.01)G01C 9/00(2006.01) G01B 11/26(2006.01) (54)发明名称 一种大田玉米高通量叶夹角和叶倾角分布 提取方法 (57)摘要 本发明公开了一种大田玉米高通量叶夹角 和叶倾角分布提取方法， 包括以下步骤： 扫描获 取大田玉米的点云数据； 对大田玉米的点云数据 进行茎叶分离； 对得到的大田玉米的茎秆点采用 基于密度的DBSCAN空间聚类算法对大田玉米的 茎秆点进行聚类， 分别提取每株玉米的茎秆点； 采用最小二乘算法对提取出的每株玉米的茎秆 点进行拟合， 得到每株玉米的茎秆点拟合线； 计 算大田玉米的多层叶夹角分布曲线及多层叶倾 角分布曲线。 本发明提出的提取方法可对不同生 育期、 不同品种和不同种植密度的大田玉米进行 叶夹角和叶倾角分布的提取， 实现了各品种玉米 不同生育期叶夹角和叶倾角的动态 监测， 为获取 大田玉米表型信息提供了有效的工具。 权利要求书3页 说明书8页 附图4页 CN 114913359 A 2022.08.16 CN 114913359 A 1.一种大田玉米高通 量叶夹角和叶倾角分布提取 方法， 其特 征在于， 包括以下步骤： 扫描获取 大田玉米的点云数据； 对大田玉米的点云数据进行茎叶分离， 得到大田玉米的茎秆点、 叶片点； 对大田玉米的茎秆点进行抽稀， 并采用基于密度的DBSCAN空间聚类算法对大田玉米的 茎秆点进行聚类， 分别提取每 株玉米的茎秆点； 采用最小二乘算法对提取出的每株玉米的茎秆点进行拟合， 得到每株玉米的茎秆点拟 合线； 在大田玉米的叶片点中分别 选取距离各个茎秆点拟合线一定范围内的点， 并按照高度 将该范围内的点分为多层， 采用基于密度的DBS CAN空间聚类算法使每层中的叶片点分别聚 类为多个叶片点簇， 对每层中的各个叶片点簇分别拟合平面并求各叶片点簇的法向量； 根据每层中的各个叶片点簇拟合平面的法向量计算大田玉米的多层叶夹角分布曲线 及多层叶倾角分布曲线。 2.根据权利要求1所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 所述扫描获取 大田玉米的点云数据的方法， 包括： 在大田玉米中布置 两个或两个以上地基激光雷达扫描站点； 设置地基激光雷达的扫描方式和扫描范围； 设置地基激光雷达的扫描参数， 所述地基激光雷达的扫描参数包括扫描分辨率、 质量、 水平和垂直扫描角度。 3.根据权利要求2所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 在对大田玉米的点云数据进行茎叶分离之前， 还包括对大田玉米的点云数据进行预 处理； 所述对大田玉米的点云数据进行预处理包括多站点扫描数据的解算及拼接、 点云去 噪、 地面点滤波和小区分割； 经预处理后得到多个小区的玉米点云数据。 4.根据权利要求3所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 所述对大田玉米的点云数据进行茎叶分离， 包括以下步骤： 采用圆柱遍历的各个小区的玉米点云数据中所有的数据点， 得到每个数据点的邻域 点； 对每个数据点的邻域点构建协方差矩阵， 采用奇异值分解获取每个数据点的邻域点的 多维特征值及其对应的特征向量， 根据每个数据点的邻域点的多维特征值的分布判断每个 数据点的邻域 点的分布情况； 所述多维特征值中的最大特征值对应的特征向量为该数据点的邻域点的方向向量， 计 算该数据点的邻域 点的方向 向量与竖直方向的夹角； 根据每个数据点的邻域点的分布情况以及每个数据点的邻域点的方向向量与竖直方 向的夹角的大小 进行小区的玉米点云数据中的茎秆点及叶片点的分离 。 5.根据权利要求4所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 采用基于距离的方法对各个小区的玉米点云数据中的茎秆点进行抽稀， 使得点与点 之间的最小距离为0.01m。 6.根据权利要求1所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征权　利　要　求　书 1/3 页 2 CN 114913359 A 2在于： 所述采用基于密度的DBSCAN空间聚类算法对大田玉米的茎秆点进行聚类， 包括： 在各个小区的玉米点云数据中的茎秆点中任选一个点p； 找出与点p距离在Eps之内且包括Eps的附近点NEps(q)， 则NEps(q)定义为点q的集合且包 括点p本身， 表达为： NEps(q)＝{q∈D|distance(p， q)≤ Eps}    (1) 其中Eps表示聚类时点p的邻域半径值； NEps(q)表示距离点p 在Eps之内且 包括Eps的附近点； 当NEps(q)的数量≥Mi nPts， 则点p与其附近点形成一个茎秆点簇； 当NEps(q)的数量＜Mi nPts， 则点p的附近点被标记为噪声点； 其中MinPts表示距离点p为Eps的邻域中点数的阈值。 7.根据权利要求1所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 所述采用最小二乘算法对提取出 的所述每株玉米的茎秆点进行拟合， 得到每株玉米 的茎秆点拟合线， 包括： 在每株玉米的茎秆点中任取一个点(x0， y0， z0)； 获取每株玉米的茎秆点拟合线 的方向向量(m， n， p)， 则每株玉米的茎秆点拟合线 的直 线方程为： 8.根据权利要求1所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 对所述叶片点簇拟合平面并求叶片点簇的法向量， 包括： 利用每个叶片点簇中的若干三维点坐标(xi， yi， zi)建立拟合平面方程， 其中i＝1， 2， 3...； 所述拟合平面方程的约束条件为 a2+b2+c2＝1， 且拟合平面到叶片点簇中的所有点的距 离之和最小， 其中拟合平面方程的表达式为： ax+by+cz＝d    (3) 设每个叶片点簇中的所有点的平均坐标为 则： 由式(3)与式(4)相减， 得到： 假设矩阵 列矩阵 则式(5)等 价于AX＝0 对矩阵A进行奇异值分解， 止矩阵的奇异值的最小值对应的特征向量即为该叶片点簇 的拟合平面的法向量。 9.根据权利要求8所述的一种大田玉米高通量叶夹角和叶倾角分布提取方法， 其特征 在于： 在各个所述小区的玉米点云数据内的叶片点中， 分别选取距离茎秆拟合线[0.05m， 0.10m]、 [0.05m， 0.15m]和[0.10m， 0.15m]范围内的点， 并按照高度 将每个范围内的点 分为5 层； 采用基于密度的DBSCAN算法使每层中的叶片点分别聚类为多个叶片点簇， 对每层中的权　利　要　求　书 2/3 页 3 CN 114913359 A 3