農(nóng)作物三維空間數(shù)據(jù)采集平臺及試驗設(shè)計

馮可心

摘 要：建立在虛擬植物基礎(chǔ)上的生產(chǎn)決策系統(tǒng)將有助于深入地了解和調(diào)控農(nóng)作物生長，有效提高農(nóng)業(yè)決策水平，減少化肥、農(nóng)藥的使用量。作為現(xiàn)代農(nóng)業(yè)信息化技術(shù)核心部分，虛擬植物在農(nóng)業(yè)上具有廣泛應(yīng)用。本文對農(nóng)作物三維空間數(shù)據(jù)采集平臺及試驗設(shè)計進(jìn)行了分析。

關(guān)鍵詞：農(nóng)作物;三維空間;數(shù)據(jù)采集平臺;試驗設(shè)計

以三維視覺方式分析，研究和設(shè)計農(nóng)作物形態(tài)結(jié)構(gòu)和生長過程。由于植物生長的多樣性、復(fù)雜性和可變性，植物形態(tài)模型的建立比機(jī)械部件和建筑物等的建模更難，因此三維植物模型的建立一直是植物學(xué)重點，計算機(jī)圖形學(xué)等方面?；趫D像的植物三維重建是指利用機(jī)器視覺原理通過攝像機(jī)獲取圖像進(jìn)行三維重建，主要應(yīng)用于農(nóng)作物生長狀況的實時監(jiān)測，藥物和肥料的準(zhǔn)確噴灑。及時預(yù)防和控制病蟲害等研究領(lǐng)域。在本文中，Kinect是微軟為XBOX360室內(nèi)運(yùn)動感應(yīng)游戲，用于收集不同時期農(nóng)作物的三維空間數(shù)據(jù)。

一、系統(tǒng)設(shè)計方案

1.數(shù)據(jù)采集系統(tǒng)設(shè)計

本研究采用的數(shù)據(jù)采集系統(tǒng)如圖2.1所示。采集系統(tǒng)由數(shù)碼相機(jī)，視頻傳感器，三維激光測距儀，數(shù)據(jù)采集單元和通信模塊組成。

（1）數(shù)碼相機(jī)。數(shù)碼相機(jī)采用鎖孔成像原理，通過光學(xué)鏡頭投射物體的坐標(biāo)點，并在傳感器上形成相應(yīng)的坐標(biāo)點。圖像平面坐標(biāo)點的集合可以真實地反映拍攝對象的空間關(guān)系。通過對圖像平面坐標(biāo)點的分析，可獲得拍攝對象的特征形態(tài)。圖像傳感器是農(nóng)作物生長觀察的關(guān)鍵組成部分，是農(nóng)作物生長觀察的基礎(chǔ)，利用圖像傳感器做農(nóng)作物生長區(qū)域的空間映射，將目標(biāo)識別到圖像空間坐標(biāo)點，通過計算坐標(biāo)像素，得到目標(biāo)特征參數(shù)?？紤]到現(xiàn)場環(huán)境的復(fù)雜性，選擇具有自動對焦，自動曝光和自動白平衡的攝像機(jī)，以確保攝像機(jī)能夠適應(yīng)不斷變化的天氣并更好地收集農(nóng)作物的真實場景圖像。

（2）三維激光測距儀。3 d激光測距儀是一臺激光測距儀，安裝在三軸云臺，三軸云臺安裝在地面上，3米高度測量范圍0-250厘米，它可以實現(xiàn)360°旋轉(zhuǎn)水平，垂直--90°-90 °旋轉(zhuǎn)，旋轉(zhuǎn)角度為0.5°，最小支持RS485和RS232通訊，可通過PC指令掃描設(shè)定開始時間和視點，實現(xiàn)觀察區(qū)域耕作測量。三軸搖籃頭的固定底座安裝在離地面3.5米處。由于地面的平坦度和主搖籃頭的安裝位置，三軸搖籃頭中的激光發(fā)射器的高度略有不同。

（3）數(shù)據(jù)采集單元。農(nóng)作物生長狀態(tài)信息由數(shù)據(jù)采集單元獲取，由數(shù)據(jù)存儲，通信接口，USB接口，外部存儲器接口，以太網(wǎng)接口，監(jiān)控電路，指示燈等組成。同時，系統(tǒng)可以運(yùn)行嵌入式實時操作系統(tǒng)。結(jié)構(gòu)框如圖2.2所示。數(shù)據(jù)采集單元主要用于收集農(nóng)作物生長的真實場景圖像并將其與通信模塊連接。數(shù)據(jù)采集系統(tǒng)的主要功能包括以下三點：

①控制圖像傳感器采集圖像并設(shè)置傳感器參數(shù);②將采集的圖像數(shù)據(jù)存儲到CF卡中，通過通信模塊實現(xiàn)數(shù)據(jù)通信和傳輸，并與數(shù)據(jù)監(jiān)控中心進(jìn)行交互;③為省電可以設(shè)置自適應(yīng)供電模式，例如可以在工作間隔期間接通低功耗模式。

（4）數(shù)據(jù)傳輸單元。ZY2100自動農(nóng)作物氣象觀測站支持現(xiàn)有的有線和無線通信技術(shù)。有線通信模式包括以太網(wǎng)專線（IEEE 802.3）和光纖，無線通信模式主要通過4G網(wǎng)絡(luò)傳輸。如圖2.3所示。將監(jiān)控點的警告信息發(fā)送到區(qū)域控制中心或本地信息顯示標(biāo)志。

圖像采集器通過有線，Wi-Fi / 3G / 4G路由器和其他通信設(shè)備將農(nóng)作物圖像采集信息傳輸?shù)綌?shù)據(jù)監(jiān)控中心。監(jiān)控中心設(shè)置收集時間并控制數(shù)據(jù)收集單元在不同時間收集數(shù)據(jù)。當(dāng)收集的圖像連續(xù)丟失時，監(jiān)控中心將發(fā)出警報消息。為確保觀測數(shù)據(jù)的完整性、連續(xù)性和準(zhǔn)確性，數(shù)據(jù)采集單元具有自動和手動數(shù)據(jù)采集和采集功能。

（5）供電單元。大多數(shù)農(nóng)作物觀測站都是在田間建造的。當(dāng)使用220V市政電源時，需要鋪設(shè)線路。為不影響農(nóng)業(yè)，電力線需要埋在地下。因此電源采用電池供電方式，并采用太陽能光伏發(fā)電板對電池充電。如圖所示，太陽能供電單元主要由太陽能光伏板，充放電控制器和儲能電池組成。供電能力主要與連續(xù)陰雨天，工作時間和系統(tǒng)功耗有關(guān)，可根據(jù)實際情況計算。本文使用的電池輸出電壓為12V，3d激光測距儀的輸入電壓為12V，集電極輸入電壓為5V，攝像機(jī)輸入電壓為7.4v。需要轉(zhuǎn)換電池輸出電壓。目前，常見的電壓轉(zhuǎn)換芯片是LM2596和TPS5430。在本文中，選擇LM2596模塊作為電壓控制芯片。 LM2596是降壓電源管理單片機(jī)的開關(guān)穩(wěn)壓器，可通過電位器實現(xiàn)5V固定輸出電壓或0-37v直流可調(diào)電壓，最大輸出電流為3A。兩個直流電壓輸出模塊設(shè)計用于將電池的12V電壓轉(zhuǎn)換為可由收集器和攝像機(jī)正常使用的電壓。

2.農(nóng)作物自動觀測識別軟件設(shè)計

自動農(nóng)作物觀察和識別軟件是數(shù)據(jù)監(jiān)測中心的一部分，是整個識別系統(tǒng)的核心。數(shù)據(jù)監(jiān)控中心由數(shù)據(jù)通信軟件，農(nóng)作物識別軟件和集成商業(yè)軟件組成。本文以農(nóng)作物識別算法及其實現(xiàn)為主要研究內(nèi)容，對通信軟件設(shè)計和綜合業(yè)務(wù)部分進(jìn)行了詳細(xì)的介紹。 MATLAB2014a用作材料識別軟件的開放式開發(fā)環(huán)境，硬件配備i5-6500cpu，8GB內(nèi)存和Windows 64位操作系統(tǒng)。設(shè)置配置文件，該文件包含觀察站點信息ID，裁剪類型代碼ID，讀取圖像的路徑，識別開始日期，識別開發(fā)周期的開始，識別結(jié)果的存儲路徑。軟件運(yùn)行時首先讀取配置文件，通過字符匹配，是否存在圖像存儲路徑，如果圖像路徑存在，則根據(jù)配置設(shè)置位置開始讀取圖像，然后確定網(wǎng)站信息的圖像，編碼并且配置文件設(shè)置的信息是一致的，如果沒有則需要重置配置文件，如信息一致根據(jù)配置文件選擇相應(yīng)的判別算法周期進(jìn)行判斷。如圖像達(dá)到一定生長階段，生長階段識別標(biāo)記成為下一個生長階段識別標(biāo)記。

3.多傳感器圖像融合技術(shù)

被稱為最大的優(yōu)點是能夠同時獲取彩色圖像的空間距離信息，即獲得RGB三維圖像，在目標(biāo)物體識別和定位過程中，獲得更多具有信息的特征，并通過一定的算法有效地進(jìn)行信息融合，將顯著提高目標(biāo)識別的準(zhǔn)確性，精度和速度，研究人員一直致力于信息融合在傳感器中的發(fā)展和意義。在RGB-D圖像處理過程中，根據(jù)應(yīng)用的不同，一般有兩種處理方法：（1）圖像處理在融合決策之前獲取特征信息;（2）執(zhí)行圖像融合以在做出決定之前獲得融合的特征信息。

4.三維重建技術(shù)

目前的三維重建方法包括：（1）基于生長規(guī)則的建模方法，如l系統(tǒng)，過程參數(shù)方程等。它們只需要少量參數(shù)來控制一些基于植物學(xué)或數(shù)學(xué)的生長規(guī)則來獲得植物模型，實際減少程度低。（2）基于圖像的三維重建，有基于單一圖像和圖像序列的方法，該方法的復(fù)雜度很高。（3）基于激光點云的重建方法。通過Fast SCAN，F(xiàn)ocus3D，Hand SCAN和其他激光掃描儀獲得3d點云數(shù)據(jù)，然后重建模型。該技術(shù)很簡單，但掃描設(shè)備很昂貴。 Kinect深度圖像包含空間信息，通過簡單的空間坐標(biāo)變換處理，可以間接獲得點云數(shù)據(jù)，然后可以獲得三維重建模型。

二、識別算法研究

1.農(nóng)作物發(fā)育狀況特征參數(shù)識別算法研究

農(nóng)作物生長狀況特征參數(shù)包括農(nóng)作物覆蓋度、密度、高度、葉面積指數(shù)、干物質(zhì)重量等參數(shù)，本文主要研究覆蓋度，高度的自動識別方法，基于顏色特征的圖像分割算法的使用，獲取圖像分割，目標(biāo)特征參數(shù)，并根據(jù)覆蓋的公式，農(nóng)作物的覆蓋值。

（1）農(nóng)作物發(fā)育狀況特征參數(shù)識別算法框架。圖像處理是通過不同的數(shù)學(xué)運(yùn)算從數(shù)字圖像獲得特征信息的過程，包括圖像預(yù)處理，圖像分割，特征提取和其他手段。為獲得一些預(yù)期的結(jié)果，初步篩選所收集的原始圖像，即圖像預(yù)處理。預(yù)處理是去除圖像中的噪聲。常用的圖像預(yù)處理方法有圖像增強(qiáng)、圖像變換、圖像濾波、圖像平滑等功能，算法處理手段有圖像灰度和二值化、腐蝕擴(kuò)展操作、中值濾波、高斯濾波、小波分析等，目的是去除圖像噪聲，增強(qiáng)有用信息，從而提高特征提取和識別分析的可靠性。由于天氣、太陽光照度和其他條件的差異，所獲得的大田農(nóng)作物圖像有明顯差異，因此處理圖像并減少環(huán)境干擾對識別結(jié)果的影響尤為重要。隨著基于綠色像素的分割方法的不斷研究和發(fā)展，許多學(xué)者提出了對光強(qiáng)度不敏感的分割算法，可用于分割所收集的綠色農(nóng)作物圖像，這不僅節(jié)省了計算量，但也使分割結(jié)果更準(zhǔn)確。

（2）綠色植被提取算法。綠色植被提取通常使用圖像的顏色特征來提取不同顏色的空間（例如RGB和HSV）。最常用的色彩空間是RGB色彩空間。根據(jù)綠色像素的頻率，直方圖統(tǒng)計方法用于計算該區(qū)域中顏色發(fā)生的頻率。 Ex G和Ex GR等提取方法不需要考慮顏色之間的空間位置和空間關(guān)系，只需要對顏色的頻率值進(jìn)行統(tǒng)計，并設(shè)置合適的閾值來實現(xiàn)綠色像素的提取。該方法計算速度快，復(fù)雜度低，但由于忽略了顏色之間的空間關(guān)系，因此無法在分割中準(zhǔn)確表達(dá)圖像目標(biāo)。自1995年以來在Excess green（ExG）算法中，一些學(xué)者在不斷深入研究的基礎(chǔ)上，先后提出了CIVE，AP-HI聚類算法，本研究采用了三種田間農(nóng)作物實時圖像分割算法。從2016年春季內(nèi)蒙古吐泉縣農(nóng)作物生長周期中選取三個具有代表性的真實場景圖像。該區(qū)域的光照強(qiáng)度高于鄭州地區(qū)。圖像的選擇原則如下：第一個是早期生長階段農(nóng)作物的真實場景圖像，即三葉期和七葉期之間。為了便于后者的表達(dá)，它被稱為I類圖像，如圖3.1（a），（b）和（c）所示。第二類是中期生長階段，基本上是農(nóng)作物生長的拔節(jié)期。它被稱為II類圖像，如圖3.1（d）（e）（f）所示。第三種類型是后期生長階段，在農(nóng)作物抽穗期之后和成熟期之前，稱為III類圖像，如圖3.1（g）（h）（I）所示。根據(jù)不同的照明條件，選擇了三種圖像，即不充分照明，正常照明和明亮照明，并采用不同的分割方法對圖像進(jìn)行分割。所選圖像如下：

①ExG分割

Excess green （Ex G）是 Woebbecke 在 1995 年提出的，通過使用色度坐標(biāo)和修改色調(diào)，將綠色植物從土壤背景中分離出來，分割公式如 2.1所示：

Ex G =2 g -r -b （2.1）

利用 Ex G 算法分別對三類圖像進(jìn)行處理，得到分割結(jié)果如下：

從圖像分割的結(jié)果可以看出，Ex G方法能夠分割I(lǐng)類圖像。如圖3.2（a），（b）和（c）所示，盡管在具有較低亮度的圖像中分割農(nóng)作物，但是引入了大量噪聲，而在其他兩個圖像中不能分割田地中的農(nóng)作物。在II類圖像分割中，如圖3.2（d）（e）（f）所示，暗圖像的亮度很好地分割出裁剪出來，而另外兩個圖像被引入了很多噪點，特別是第二幅圖像未能分解，對光強(qiáng)度特別敏感，該方法在正常亮度的情況下說明，不可能對土壤進(jìn)行背景分割，對光線的敏感性較強(qiáng)，導(dǎo)致分割效果不理想;對于III類圖像的分割，噪聲被引入圖3.2（g），（h）和（I）所示的結(jié)果中。特別是，當(dāng)光強(qiáng)度高時，圖像不能被有效地分割。

②CIVE分割

CIVE植被提取顏色指數(shù)（植被提取的顏色指數(shù)）是2003年基于大豆和甜菜區(qū)綠色植被提取的片岡，考慮如何從背景中獲取綠色植被，土壤和農(nóng)作物生長狀況的領(lǐng)域進(jìn)行評價，方法表達(dá)式如公式2.2中所示的類型：

CIVE =0.441r -0.811g +0.385b +18.78745 （公式2.2）

利用 CIVE 對三類圖像進(jìn)行分割，實驗結(jié)果如下：

CIVE方法在I類圖像分割過程中，CIVE方法實現(xiàn)了良好的分割效果，但有一點損失分割; CIVE方法當(dāng)II類圖像在a和c中分割時，存在很大一部分分割結(jié)果丟失，尤其是丟失圖像，分割誤差過大; CIVE方法對III類圖像進(jìn)行分割，對三種圖像分割結(jié)果有損失，特別是在第一次圖像丟失嚴(yán)重時，分割誤差過大，說明這種方法也不穩(wěn)定。 CIVE算法在較高的土壤背景百分比下，可以實現(xiàn)綠色植被的有效提取。當(dāng)農(nóng)作物到后期，隨著葉面積的增加，以農(nóng)作物覆蓋土壤背景的圖像形式，從而導(dǎo)致CIVE算法對分割結(jié)果缺乏綠色植被。

2.覆蓋度自動識別算法

農(nóng)作物覆蓋率是衡量農(nóng)作物生長的重要指標(biāo)，也是評估農(nóng)作物生長的重要參數(shù)。覆蓋率是指植物垂直投射在地面上的樣本區(qū)域總面積的百分比。準(zhǔn)確提取覆蓋率信息對于監(jiān)測農(nóng)作物生長和預(yù)測農(nóng)作物產(chǎn)量非常重要。傳統(tǒng)的覆蓋度計算方法包括：估算方法，概率計算方法，儀器測量方法等。隨著農(nóng)業(yè)科技的發(fā)展，中國農(nóng)業(yè)進(jìn)入了以高產(chǎn)，優(yōu)質(zhì)，高效為發(fā)展方向的新階段。通過統(tǒng)計綠色像素自動觀察圖像占整個圖像的比例，得到農(nóng)作物覆蓋率，提出四種方法，農(nóng)作物生長完整周期的圖像分割真實統(tǒng)計綠色像素在每個圖像中占比例整個圖像，農(nóng)作物覆蓋全循環(huán)曲線。見圖3.4。

X軸表示2016年收集的春季農(nóng)作物的田間圖像數(shù)量，從苗期到成熟期共427個，按生長順序排列。 Y軸表示從整個圖像中的相應(yīng)圖像分割的農(nóng)作物的比例。 Ex G分割得到的覆蓋曲線波動最嚴(yán)重，整體數(shù)據(jù)分割性能與上述三次實驗一致。由于其對光的敏感性，分割結(jié)果是均勻的，因此不適合具有大的光變化的農(nóng)作物分割場景。 CIVE方法曲線波動比較嚴(yán)重，也觀察到Y(jié)值，CIVE方法與其他方法相比，農(nóng)作物分割最小，特別是在農(nóng)作物中后期，土壤逐漸受到農(nóng)作物植被的阻斷，分割結(jié)果數(shù)值小，從上述三種圖像分割結(jié)果是一致的，因此CIVE方法對農(nóng)作物種植面積較大，土壤在背景條件下不明顯，容易造成分割缺失，使分割效果小;通過HI方法和本文中的方法獲得的曲線是相似的。觀察到Y(jié)值。這兩種方法的分割結(jié)果是相似的。根據(jù)HI對上述三種圖像的分割效果，當(dāng)光照強(qiáng)度較高時，HI分割會引入噪聲，從而導(dǎo)致高覆蓋值。因此，多閾值圖像分割的分割結(jié)果更接近實際值。本研究采用多閾值圖像分割方法，圖像分割，告知日常采集和篩選參數(shù)，從每日三葉蟲期間篩選開始收集第一天的覆蓋率作為基準(zhǔn)，所有圖像使用的第一個日期閾值分割圖像分割方法，獲取每個圖像的覆蓋范圍，設(shè)置每日圖像覆蓋率變化的三角洲，覆蓋范圍內(nèi)三角洲所有圖像的變化篩選率，其平均值為三葉蟲周期圖像覆蓋率第一天。設(shè)置每日覆蓋率rho，確定圖像覆蓋開始后的三葉期，圖像覆蓋率以滿足每日覆蓋率和每日圖像覆蓋率，并選擇農(nóng)作物覆蓋率的平均值作為當(dāng)天的圖像覆蓋范圍，以及標(biāo)準(zhǔn)覆蓋范圍之后的第二天。識別過程如圖3.5所示：

3.深度圖像獲取試驗

傳統(tǒng)的單眼識別往往是可見光照度和陰影，色度和環(huán)境的變化，物體等因素對彩色圖像的影響無法提供3D數(shù)據(jù)信息，而雙目識別雖然克服了這個問題，可以轉(zhuǎn)換2 d識別為3 d識別處理，但雙目很難識別攝像系統(tǒng)的校準(zhǔn)和測量等，當(dāng)攝像系統(tǒng)運(yùn)動或變形時，必須選擇校準(zhǔn)對象，系統(tǒng)的魯棒性大大降低。另外，雙目識別有時需要匹配拍攝相同場景的兩個攝像機(jī)，這需要相對大量的計算并且難以滿足實時要求。 Kinect可用于獲取深度圖像，這可以更好地解決單眼和雙目識別中遇到的問題。主要優(yōu)點如下：（1）可以快速獲取物體和場景的深度信息，滿足實時監(jiān)控的要求; （2）像素灰度值僅與物體或場景與深度相機(jī)之間的距離有關(guān)，并且不受光線或陰影等因素的影響。它可以適應(yīng)各種環(huán)境變化，具有很強(qiáng)的魯棒性。 （3）核心設(shè)備是廉價彩色攝像機(jī)，紅外發(fā)射器和紅外CMOS傳感器。價格也比較低，使用方法與普通相機(jī)類似，適合普遍使用; （4）除獲得深度圖像外，該裝置還可以獲得相應(yīng)的RGB彩色圖像，更有利于后期圖形和圖像的分析和處理。

4.農(nóng)作物冠層高度識別算法研究

田間農(nóng)作物的冠層高度測量是自動農(nóng)作物生長觀察的難點。傳統(tǒng)的測量方法是技術(shù)人員深入到現(xiàn)場，測量幾個區(qū)域的高度值，然后計算平均值。工作量大，測量結(jié)果受人為因素的影響很大。一些研究采用基準(zhǔn)測試方法，通過圖像采集比較基準(zhǔn)測量的大小來測量農(nóng)作物冠層的高度。然而，該方法在測量方面存在很大的局限性，只能通過基準(zhǔn)周圍幼苗的高度來判斷整個區(qū)域的幼苗冠層高度。此外，實地崗位影響正常的農(nóng)業(yè)活動，給機(jī)械化作業(yè)帶來諸多不便。本文研究了基于激光技術(shù)的野外冠層高度測量技術(shù)。激光測距儀安裝在三軸云平臺上，實現(xiàn)觀察區(qū)域的動態(tài)掃描，獲得冠層定位點集。通過校正內(nèi)角誤差，三角幾何轉(zhuǎn)換和數(shù)據(jù)擬合獲得農(nóng)作物冠層高度。

（1）激光測距原理。激光測距是通過測量激光脈沖信號和目標(biāo)之間的時間間隔來計算目標(biāo)的測量距離。激光發(fā)射器發(fā)射光束。當(dāng)光束撞擊物體時，光束將被反射回來。激光接收器接收反射光并記錄用于發(fā)射和接收的時間t。

（2）三軸云臺參數(shù)標(biāo)定。當(dāng)數(shù)據(jù)采集系統(tǒng)通電時，三軸支架頭被激活并旋轉(zhuǎn)到初始位置。此時，激光發(fā)射器S直接面向地面，以從地面獲得發(fā)射點的高度。高度是從三軸云臺底部到地面的高度，這是通過激光發(fā)射器自動測量地面獲得的高度。在terminal命令中輸入READPARAM命令以獲得高度值H0，垂直校正角度α和水平校正角度b。校正后的角度a和b是在三維高度計頭部設(shè)計中校準(zhǔn)后由全站儀器確定的旋轉(zhuǎn)偏差角度。在高度計算中，測距儀的掃描角度是設(shè)定角度和校正角度的總和。

為了確保實驗的準(zhǔn)確性，在采集系統(tǒng)通電之前，應(yīng)對三軸云臺下的地面進(jìn)行布置和平整。在激光測距儀獲得從發(fā)射噴嘴到地面的高度之后，采用垂直線測量方法。具有T形錐形的細(xì)線用于將垂直線從激光發(fā)射器的初始位置引導(dǎo)到地面，并且用儀表標(biāo)尺測量垂直線L0的長度。 L0 / cosa用于測量高度H0是否可靠。如果手動測量值和自動測量值之間的高度差在50mm以內(nèi)，則H0用作后續(xù)計算的基礎(chǔ)。如果誤差在50mm以內(nèi)，則使用L0 / cosa的長度作為基準(zhǔn)。使用SETPARAM指令重置高度值。當(dāng)測距儀垂直旋轉(zhuǎn)時，激光口高度離地面會發(fā)生變化，顯然，發(fā)射口高度值離地面作為測量基準(zhǔn)是不科學(xué)的，因此，利用三角形角度和邊長關(guān)系，確定高度偏差圖3.6三軸云臺發(fā)射器的垂直掃描位置之間的關(guān)系，根據(jù)三角余弦定理可以知道delta delta H = R *（1-cosa）。

設(shè)定初始化高度H0，垂直旋轉(zhuǎn)角度Ai，垂直校正角度a，三軸云臺旋轉(zhuǎn)半徑r，如圖3.7所示：Hi = H0 +列車H = H0 + r *（1-cosai） 。

在實際應(yīng)用過程中，為避免設(shè)備對農(nóng)民的農(nóng)業(yè)活動造成的不便，觀察設(shè)備一般安裝在沒有農(nóng)作物生長的田地邊緣。因此激光發(fā)射器的高度與地面的高度與農(nóng)作物生長的水平面的高度之間存在偏差。當(dāng)測量農(nóng)作物冠層的高度時，應(yīng)以農(nóng)作物生長平面為基準(zhǔn)，計算平面到激光發(fā)射點S垂直高度h'，如圖3.8所示，農(nóng)作物平面與設(shè)備安裝平面高度差為火車在初始化激光發(fā)射器時，將照射在地面上的點O的平面作為參考平面。有：H'= H +ΔH

當(dāng)h> 0時，農(nóng)作物平面在基準(zhǔn)面上方;當(dāng)h <0時，裁剪平面位于基準(zhǔn)平面下方;當(dāng)h = 0時，裁剪平面和基準(zhǔn)平面重疊，h'值和h相同。

（3）農(nóng)作物冠層高度數(shù)據(jù)采集。由于農(nóng)作物真實場景圖像的采集位置是固定的，因此高度數(shù)據(jù)應(yīng)該是該真實場景圖像區(qū)域中農(nóng)作物的冠層高度。打開遙控終端，在終端窗口輸入READPARAM指令，設(shè)置掃描的初始和結(jié)束角度，以及掃描的水平和垂直步驟，使激光發(fā)射器發(fā)出的光束落在觀察到的農(nóng)作物范圍內(nèi)通過相機(jī)。將水平掃描范圍設(shè)置為“beta”，將垂直掃描范圍設(shè)置為“alpha”。在高度測量裝置中，電動工作，三軸云臺自動初始化，激光發(fā)射旋轉(zhuǎn)到S“點，垂直角度α理論角度位置為0°，三軸云臺在水平位置e點，水平角度β理論角度為0°。

5.出苗期識別算法研究

農(nóng)作物的出苗階段是農(nóng)作物生長發(fā)育初期的第一個特征階段。在觀察農(nóng)作物生長階段期間，可以基于農(nóng)作物的出苗階段計算生長和發(fā)育階段的經(jīng)驗。因此準(zhǔn)確判斷農(nóng)作物幼苗出苗階段對于確定農(nóng)作物整個生長階段至關(guān)重要。農(nóng)作物出苗階段的鑒定主要是根據(jù)每日圖像出現(xiàn)階段的數(shù)量來確定是否達(dá)到出苗階段，利用綠色像素提取，出苗階段的幼苗類型特征和出苗分布區(qū)域的圖像來判斷是否到苗期。在判斷出現(xiàn)圖像時，所涉及的識別算法包括多閾值圖像分割算法，掩模操作和區(qū)域生長算法。判斷圖像出現(xiàn)的前提是從真實場景中分割出農(nóng)作物苗期的圖像。由于田間背景環(huán)境復(fù)雜，在農(nóng)作物出現(xiàn)之前就已在田間產(chǎn)生雜草。同時，不同氣候和地區(qū)土壤的色差較大，增加了農(nóng)作物出苗時圖像分割的難度。因此，在苗期自動識別農(nóng)作物之前，應(yīng)消除復(fù)雜背景環(huán)境對鑒定結(jié)果的影響。在本文中，二元掩模處理用于去除背景中的干擾項。

三、結(jié)語

本研究總結(jié)了Kinect在農(nóng)業(yè)信息領(lǐng)域的應(yīng)用，闡述了其在國內(nèi)外的研究進(jìn)展，分析了Kinect的關(guān)鍵技術(shù)，闡述了其優(yōu)缺點和發(fā)展方向，為其應(yīng)用和研究提供了有益的參考。 Kincet在現(xiàn)代農(nóng)業(yè)信息領(lǐng)域。在三維形狀重建的農(nóng)作物生長模型方面，為了實現(xiàn)基于農(nóng)作物生長發(fā)育的實際重建規(guī)律是非常困難的，盡管可以在設(shè)備的基礎(chǔ)上獲得圖像信息的深度，以提高重建效率，簡化重建步驟，但三維重建和低自動化的普遍適用性，未來應(yīng)增加樓宇自動化系統(tǒng)，三維重建快速重建。

參考文獻(xiàn)：

[1]高仁強(qiáng)，張顯峰，孫敏，趙慶展. 融合無人機(jī)LiDAR和高分辨率光學(xué)影像的點云分類方法[J]. 南京信息工程大學(xué)學(xué)報（自然科學(xué)版），2018，10（01）：102-112.

[2]王孟博. 基于點云的農(nóng)作物植株三維重建技術(shù)研究[J]. 鄂州大學(xué)學(xué)報，2018，25（01）：104-106+109.

[3]牛慶林，馮海寬，楊貴軍，李長春，楊浩，徐波，趙衍鑫. 基于無人機(jī)數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（05）：73-82.

[4]高寒，李芳，朱景福，王孟博，李妍. 農(nóng)作物基于點云的三維重建方法研究[J]. 農(nóng)業(yè)科技與信息，2018（02）：74-76+86.

[5]陳晨，劉濤，武威，陳雯，李瑞，周彤，姚照勝，孫成明. 三維傳感器Kinect在農(nóng)業(yè)領(lǐng)域的應(yīng)用與發(fā)展[J].江蘇農(nóng)業(yè)科學(xué)，2018，46（08）：11-14.

[6]肖麗萍，劉木華，ZHU Heping，蔡金平，林金龍，歐鳴雄. 噴嘴噴施不同生物農(nóng)藥霧滴特性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49（02）：100-106.

[7]陳洪，趙慶展，李沛婷. 無校正點的機(jī)載LiDAR農(nóng)作物點云數(shù)據(jù)精度評價[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（12）：179-184.

[8]戴建國，張國順，郭鵬，曾窕俊，崔美娜，薛金利. 基于無人機(jī)遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（18）：122-129.

[9]周杰，王益. 均勻矩形陣列的三維空間衰落相關(guān)模型[J]. 新疆大學(xué)學(xué)報（自然科學(xué)版），2017，34（01）：44-48.

[10]張雪，郭彩玲，宗澤，張偉潔，劉剛. 基于輪廓分割的草莓葉片三維建模[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（S1）：206-211.

[11]陳冬梅. 基于計算機(jī)的視覺立體匹配算法研究[J]. 無線互聯(lián)科技，2017（04）：61-62.

[12]甘陽英，蘇柱華，肖廣江，張金鴿. 廣東連平縣生態(tài)農(nóng)業(yè)發(fā)展規(guī)劃研究[J]. 中國農(nóng)學(xué)通報，2017，33（17）：146-152.

通訊作者：李偉凱，男，山東安丘人，教授，博士生導(dǎo)師。