基于激光點云的農田玉米種植株數數目識別

林承達，謝良毅，韓 晶，胡方正

(華中農業大學 資源與環境學院，武漢 430070)

引 言

農田環境中的玉米株數信息不僅是研究玉米出苗率的重要基礎，也對作物產量分析有意義。傳統的玉米株數識別采用人工實地考察的方法耗時費力，識別精度依賴于人工經驗，且對植株具有一定損傷性。隨著農業智能化及精細化的發展，激光測量方法的進步及其在農業領域中的應用[1-5]，作物信息的獲取具有更大的靈活性。

激光測量技術在農田環境下作物的分類識別應用中，和傳統方法相比，極大地降低了時間和人力成本，且非接觸式的掃描能彌補作物易損的缺陷。基于此，目前已有很多學者針對不同作物的特點提出了可行的方法。GUAN等人[1]針對大田大豆的種植模式特點，使用局部鄰域特征分割方法提取單行植株，然后通過均值漂移算法實現了單株大豆的提取。YANG等人[3]基于黃瓜幼苗的顏色信息結合條件濾波去除土壤背景，然后利用距離分割算法有效分割出單株黃瓜點集。LIAO等人[5]通過基于法向量的區域生長分割算法在油菜田塊點云數據中分割出了單株油菜的點云簇，結合視覺坐標系，對作物進行了準確定位。目前基于激光3維點云的大田作物研究內容相對較少，已有的大田作物分類和識別研究中大多過于依賴作物生長狀況以及生長環境，識別效率在較大程度上決定于作物之間的遮擋情況，對于種植間距較小且遮擋嚴重的情況不具有很強的適應性。

基于上述情況，作者以農田環境下的玉米植株作為研究對象，通過地面激光掃描儀、采用四站式掃描法獲取完整的玉米點云數據，提出一種基于標靶球自動提取的點云配準方法，并對配準后的點云數據進行定量分析，利用圓柱體幾何信息設計莖稈識別算法，獲取莖稈點云數據并統計莖稈數量，與實際株數進行對比分析。研究方法為農作物3維虛擬仿真、作物識別、產量估算、農田管理等提供依據。

1 材料與方法

1.1 實驗材料與數據獲取

研究區域位于武漢市洪山區華中農業大學校內試驗基地，中心地理坐標為30°28′47″N，114°21′6″E，海拔高度約為50m。該地區氣候濕潤，屬于北亞熱帶季風性氣候，雨水和日照充足，適合玉米種植。整個試驗田區域地勢較為平緩，玉米進行分塊種植，不同田塊的玉米種植密度不同，總體密度在6株/m2～9株/m2。

3維點云數據采用FARO公司focus s70型號的激光掃描儀獲取，該掃描儀的尺寸為30mm×183mm×103mm，掃描范圍為0.6m～70m，掃描視野在水平方向為0°～360°，垂直方向為-60°～90°，測量誤差在0.1mm～1.3mm，所能承受的環境溫度在5°～40°。考慮田間玉米的種植間距較小且玉米葉片較長，被掃描目標之間會造成較為嚴重的遮擋，需要通過圍繞玉米田塊架設多個站點進行掃描，獲取不同視角的點云數據，同時，由于玉米植株較高，為獲取玉米完整的3維信息，需要在每個站點進行不同高度的掃描。

圖1描述了田間玉米植株3維點云數據的采集方法。如圖1a(俯視圖)所示，數據采集過程采用四站式掃描，將站點布置在玉米田塊的4個角點處。如圖1b(側視圖)所示，高點掃描位置平行于冠層最高點，低點掃描位置平行于莖稈最高點。針對農田環境較為復雜，且玉米具有非剛性的特點，為了將各站點云數據配準在同一個坐標系下，采用直徑15cm的標靶球作為配準的基準，如圖1a中所示，將標靶球放置在田塊任意一條邊的外側，滿足同一側不能放置兩個及以上的標靶球，且任意兩個標靶球的連線不與田塊平行。考慮配準精度以及多站點云數據配準產生誤差疊加等問題，同時放置3個標靶球且保證在每一站掃描中標靶球都被掃描到。為分析本文中方法的適用性，實驗過程中采集多組數據進行分析對比。選取兩個長勢較為完整的拔節期玉米田塊進行數據采集，分別標記為f1和f2，并在16d后對f2進行第2次數據采集，獲取不同生長時期的玉米點云數據，標記為f3。圖1c為完整的數據獲取方法，A,B,C,D是布置的4個掃描站點，其中，Ah是A站點中的高點掃描位置，Al是A站點中的低點掃描位置，其它站點以此類推，a,b,c是標靶球位置，中間區域為目標田塊。按照圖1中的數據采集方法，每個田塊獲取8組原始點云，每組原始點云包含3個標靶球點集，共有24個標靶球點集，對每個標靶球點集進行編號，編號順序遵循掃描順序(Ah-Al-Bh-Bl-Ch-Cl-Dh-Dl)，其中，每組原始點云中的標靶球點集按照a-b-c順序進行排序，以圖中的A站點為起始站，編號從1開始，依次遞增，最終完成24個標靶球點集的編號。采用基于標靶球自動提取的點云配準方法對每組點云數據進行配準，并利用隨機采樣一致性(random sample consensus，RANSAC)算法[6]以圓柱體特征提取玉米莖稈點云數據進行玉米植株株數統計，將統計結果與實際種植數量進行對比，完成精度驗證。

Fig.1 Point cloud data collection process of corn fielda—top view b—side view c—point cloud collection method

1.2 點云配準方法

把不同視角獲取的3維點云數據轉換到同一個空間坐標系下即為3維點云的配準。目前，點云配準方法的研究大多是基于迭代最近鄰配準(iterated closest points，ICP)算法的改進[7-9]，但該類算法需要不斷迭代，時間成本較高，不適用于大場景下的點云數據，且局限于剛性物體的配準。在農田環境下掃描時，玉米容易發生形變，尤其是葉片部分較為柔軟，不具有剛性特征，本文中提出一種基于標靶球自動提取的點云配準方法[10]，該方法忽略掃描過程中玉米發生的形變，以標靶球為基準，實現多站點云數據的配準。圖2為算法流程圖。

考慮到農田環境復雜，飛蟲以及灰塵等使獲取的標靶球點云數據具有較多噪聲點，且玉米植株較高，會對標靶球造成一定程度的遮擋，為提高標靶球擬合精度，以球體幾何特征對原始點云數據中的標靶球點云數據進行自動提取[11-12]。對于給定的原始點云，隨機選取標靶球上的4個點S1(x1,y1,z1),S2(x2,y2,z2),S3(x3,y3,z3),S4(x4,y4,z4),則球體擬合方程為：

式中，(x0,y0,z0)是球心坐標。再加上球體半徑,根據這4個參量就可以確定一個球體。對于兩片待配準的點云數據(例如Ah，Al)，任選一片點云(如Ah)作為參考點云，分別提取Ah和Al中的標靶球點云并進行強制對應，則Ah中的標靶球球心Pi(x1i,y1i,z1i)與Al中對應的標靶球球心Qi(x2i,y2i,z2i)滿足：

Fig.2 Point cloud registration algorithm flow chart

式中，α，β，θ，分別代表x,y,z方向的旋轉角度，R是旋轉矩陣，T是平移矩陣，Δx、Δy、Δz分別代表x,y,z軸方向上的平移量。

以Ah，Al兩組點云中對應標靶球球心坐標作為對應點，利用(3)式計算旋轉和平移矩，陣將兩片點云數據配準在同一坐標系下。為了降低多站配準時的疊加誤差，首先對每個站點不同高度獲取的點云數據進行配準，然后再逐站依次配準。即Ah和Al，Bh和Bl,Ch和Cl,Dh和Dl獲取的原始點云數據分別配準，得到A0，B0，C0，D0共4組點云數據，然后A0和B0進行配準，得到AB0，再和C0進行配準,得到ABC0，以此類推，直到四站點云全部配準完成。

1.3 玉米莖稈提取

玉米莖稈整體上呈現出圓柱體幾何特征，為從玉米田中識別單顆作物，完整的計算出玉米植株數目，利用3維點云精確分離出每顆玉米的莖稈是最有效辦法。本文中根據玉米莖稈的圓柱體幾何特征利用隨機采樣一致性算法以圓柱體模型參量迭代尋找符合模型的最優點集[13-18]，完成莖稈點云提取。玉米莖稈空間柱面模型如圖3所示。圖中，M(a,b,c)是圓柱體軸線Ax上的一點，(p,q,l)是Ax的方向向量，r是圓柱體的半徑，N(x,y,z)是柱面上任意一點，根據這7個參量就可以確定一個圓柱體。圓柱體的計算公式為:

(x-a)2+(y-b)2+(z-c)2=r2+

[p(x-a)+q(y-b)+

l(z-c)]2/(p2+q2+l2)

(5)

Fig.3 Space cylinder model

算法具體步驟為：(1)對于給定的初始玉米田塊原始點云，任意選取一些點計算以上參量擬合圓柱體;(2)遍歷剩余所有點并計算其到圓柱表面的距離，對任意一點i，距離di的計算公式為：

(3)把距離小于閾值ε的點當作內點保存，否則將其作為外點并刪除，最后得到模型點集S;(4)重復該過程，直到達到預設迭代次數k，將模型最多點集數S與預設最小點集數σ比較，當S>σ時,將該點集作為玉米莖稈點云，否則認為莖稈不存在;(5)重復步驟(1)～(4)直到原始點云中不能再找到莖稈，算法終止。

Fig.4 Cloud extraction of corn stalk point

基于玉米實際生長狀況，經過反復試驗，本文中設置最大迭代次數k=10000，內點到模型的最大距離ε=0.005m，圓柱體模型半徑的估計范圍為0m～0.01m，最小點集數σ=4000，此時莖稈識別效果最好，圖4為玉米莖稈提取結果。紅色部分為莖稈部分，可以看出，即使獲取的莖稈點云有部分遮擋或者殘缺，仍然能取得較好的擬合效果。

2 結果與分析

2.1 多站點云自動配準分析

圖5是配準后的玉米3維點云數據。由于地面3維激光掃描儀水平掃描范圍為0°～360°，垂直掃描范圍為-60°～90°，因此需要對配準后的點云數據進行裁剪，獲取實驗區域的點云數據。圖5中的虛線框表示裁剪完的點云數據。

Fig.5 Result map of 3-D point cloud data registration

在農田環境下進行激光掃描時，玉米葉片會產生瞬間的形變，導致配準后的葉片點云數據出現不同程度的失真，稱之為葉片的分層現象。基于此，本文中采用標靶球的擬合誤差來分析點云數據的配準質量，以A站點高點掃描位置Ah獲取的的點云數據為例，圖6所示為標靶球擬合過程。可以看出，標靶球擬合較為均勻，每個標靶球之間沒有明顯的大小差異。圖7a表示4個站點掃描所獲得的8組點云數據中所有標靶球的擬合誤差。大部分的誤差波動在3mm～5mm，只有10號標靶球和16號標靶球的擬合誤差大于5mm，這是因為10號標靶球和16號標靶球對應的掃描位置為Bl和Cl，低點位置掃描時標靶球遮擋較為嚴重，掃描獲取的球面點云數據太少造成誤差較大。同時，標靶球自動提取的精度也是影響擬合誤差的重要因素，采用標靶球擬合的標準偏差來度量標靶球自動提取的誤差，如圖7b所示。大部分標靶球擬合的標準偏差都在0.1mm～0.5mm，個別偏差在0.5mm～0.7mm之間，并且16號標靶球的擬合誤差和標準偏差均為最大，表示遮擋過于嚴重時，標靶球自動提取會混入一定噪聲點。在該方法下，標靶球擬合的標準偏差均在掃描儀允許的測量誤差范圍內(0.1mm～1.1mm)，總體配準誤差小于大場景配準誤差標準(5mm)[19]，證明本文中提出的配準方法在農田環境中具有較好的適應能力，解決目標遮擋等問題，能夠滿足實驗需求。

Fig.6 Target ball fitting

Fig.7 Target ball fitting error and standard deviation

2.2 玉米植株莖稈提取分析

玉米種植情況以及玉米的生長狀態均會影響數據采集的精度，對采集的3組數據進行對比分析。采用本文中數據采集方法和配準算法獲取實驗區域完整的玉米3維點云數據，通過基于圓柱體模型提取的方法對獲取的點云數據進行迭代處理分別提取莖稈進行株數統計，與實際株數進行對比，完成精度R驗證。驗證方法如下：

R=(1-|E-F|/F)×100%

(7)

式中,E為識別的株數，F為真實種植株數。玉米莖稈的提取效果如圖8所示。圖中直線條部分代表莖稈。表1為株數識別精度分析。結果顯示，f1和f2的莖稈提取精度分別為92.1%和86.1%，種植密度分別為7株/m2和8株/m2，表明在生長時期相同的情況下，種植密度越小，莖稈提取的成功率越高，精度差異產生的原因主要是不同的種植密度造成各植株之間不同程度的遮擋對數據采集精度的影響。經過實地考察對比，f3的冠層密集程度明顯大于f2，但玉米的平均高度分別為1.61m和1.78m；根據精度驗證結果顯示，f2和f3的莖稈提取精度分別為86.1%和88.9%，說明相比于f3，雖然f2的冠層部分遮擋更為嚴重，但考慮株高因素，f3莖稈部分較長，能有效降低葉片的遮擋影響，提高莖稈識別率。

Fig.8 Point cloud extraction of tubers in corn fields

圖9是玉米田塊行和列之間的株數識別分析。從圖中可以看出，靠近田塊邊界的行和列識別的莖稈數量較為準確，而處于中間區域的行和列依然存在一定誤差，主要是因為中間區域植株獲取的莖稈點云數據較為殘缺，但是采用本文中的研究方法，不同高度的四站式掃描結合圓柱體莖稈特征提取，能最大程度上有效地解決農田作物遮擋難題，為高精度田間場景重建提供了技術方案。

Table 1 Comparative analysis of plant number extraction accuracy

Fig.9 Identification and analysis of plant numbers between rows and columns

3 結 論

本文中提出了1種基于激光點云的農田玉米種植株數識別的方法，首先根據玉米作物的特征采用不同高度掃描位置的四站式掃描獲取完整的玉米3維點云數據，提出了基于標靶球的點云自動配準算法，該算法基于球體特征自動提取標靶球的球面點云數據，以標靶球作為配準基準，忽略玉米形變實現點云配準。對于配準好的3維點云數據，利用采樣一致性算法基于圓柱體特征從完整的玉米田塊點云中精確分離出莖稈點云，統計玉米種植株數，實驗結果表明，該方法能有效識別出玉米田塊的種植株數，在不同生長時期和生長環境下都有較高的識別效率。