基于MLS LiDAR點(diǎn)云提取桃樹結(jié)構(gòu)參數(shù)

鐘丹 陳鴻文 王思 邱霞 蒲長(zhǎng)兵 李宗南

摘要：為構(gòu)建數(shù)字化果園并提高智能化管理水平，探索基于MLS LiDAR提取桃樹結(jié)構(gòu)參數(shù)的方法。使用背包搭載多平臺(tái)激光雷達(dá)采集展葉期桃園點(diǎn)云數(shù)據(jù)，采用改進(jìn)K-Means聚類算法分割單棵桃樹點(diǎn)云；對(duì)部分存在空洞的枝條點(diǎn)云上采樣，得到較高密度枝條點(diǎn)云數(shù)據(jù)；使用不同直徑的圓柱擬合重建桃樹定量結(jié)構(gòu)模型（QSM），提取桃樹5項(xiàng)結(jié)構(gòu)參數(shù)。結(jié)果表明：該方法能實(shí)現(xiàn)桃樹精準(zhǔn)三維模型重建，重建后提取的冠幅值、株高、主干直徑、一二級(jí)枝條長(zhǎng)度與實(shí)測(cè)值決定系數(shù)分別為0.779、0.939、0.978、0.965、0.986，均方根誤差分別為0.280 m、0.076 m、0.003 m、0.066 m、0.068 m；平均相對(duì)誤差為8.6%、2.5%、3.2%、2.6%、8.4%。研究結(jié)果可為桃園智能化管理提供數(shù)據(jù)支撐。

關(guān)鍵詞：LiDAR點(diǎn)云；桃樹；結(jié)構(gòu)參數(shù)；定量模型；桃樹分割

中圖分類號(hào)：S662.1； TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 05-0182-06

收稿日期：2022年5月26日? 修回日期：2022年7月4日*基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2021YFD1600800）；四川省科技計(jì)劃項(xiàng)目（2023JDRC0046）；四川省財(cái)政自主創(chuàng)新專項(xiàng)（2022ZZCX032）；四川省農(nóng)業(yè)科學(xué)院揭榜掛帥項(xiàng)目（1+9KJGG008）

第一作者：鐘丹，女，1990年生，四川遂寧人，碩士，工程師；研究方向?yàn)閿?shù)字農(nóng)業(yè)。E-mail：? 838092218@qq.com

通訊作者：王思，男，1985年生，四川平昌人，碩士，副研究員；研究方向?yàn)閿?shù)字農(nóng)業(yè)。E-mail：? frankly@163.com

Extracting peach tree structural parameters based on MLS LiDAR point cloud

Zhong Dan， Chen Hongwen， Wang Si， Qiu Xia， Pu Changbing， Li Zongnan

（Institute of Remote Sensing and Digital Agriculture， Sichuan Academy of Agricultural Sciences，

Chengdu Agricultural Remote Sensing Center，? Chengdu， 610066， China）

Abstract：

In order to build digital orchards and improve the level of intelligent management， this study extracted peach tree structural parameters based on MLS LiDAR point cloud. Firstly， a backpack equipped multi-platform LiDAR was used to collect the point cloud data of peach orchard during leaf development， and an improved K-Means clustering algorithm was used to segment a single peach tree point cloud. Then， some branches with holes were sampled to obtain high density point cloud data of peach branches. Finally， the quantitative structure model （QSM） of peach tree was reconstructed by using cylinder fitting with different diameters， and five structural parameters of peach tree were extracted. The results showed that this method could? achieve accurate 3D model reconstruction of peach trees. The determination coefficients of crown width， plant height， trunk diameter， length of primary and secondary branches and measured values extracted by point cloud 3D reconstruction were 0.779， 0.939， 0.978， 0.965， 0.986， respectively， the root mean square errors were 0.280 m， 0.076 m， 0.003 m， 0.066 m， 0.068 m， respectively， and the average relative error was 8.6%， 2.5%， 3.2%， 2.6%， 8.4%， respectively. The research results can provide data support for the intelligent management of peach orchard.

Keywords：

LiDAR point cloud; peach tree; structural parameters;? quantitative model; peach tree segmentation

0 引言

果樹冠層結(jié)構(gòu)信息是表征樹干、枝條、葉片等器官特征、數(shù)量及空間分布的數(shù)據(jù)，是估算果樹光合效率、蒸騰、生產(chǎn)潛力的基礎(chǔ)，對(duì)果園精準(zhǔn)灌溉、病害防治及提高產(chǎn)量與品質(zhì)有重要作用［1-3］。因而建設(shè)智慧果園實(shí)現(xiàn)標(biāo)準(zhǔn)化智能化管理有賴于快速準(zhǔn)確獲得果樹結(jié)構(gòu)信息。果樹結(jié)構(gòu)信息獲取方式主要分為三類：（1）人工測(cè)量方法，直接使用尺子測(cè)量株高和樹冠直徑［4-6］該方法需要投入大量勞動(dòng)力、效率低且具有破壞性等缺點(diǎn)。（2）基于圖像的方法，圖像數(shù)據(jù)獲取簡(jiǎn)單、快速且成本低，因此成為獲取果樹信息的常用方法。目前主要通過(guò)圖像提取冠幅［7， 8］、株高值［7］、預(yù)估果實(shí)大?。?］和產(chǎn)量［10-12］，或者通過(guò)深度相機(jī)獲取深度圖像提取果樹三維信息［13， 14］的方式對(duì)果樹長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)。該圖像法對(duì)不帶葉的主枝樹冠測(cè)量效果較好，但較難獲得常綠或者復(fù)雜分枝果樹的內(nèi)部枝干結(jié)構(gòu)，并且圖像的獲取對(duì)光環(huán)境魯棒性較差。（3）基于激光雷達(dá)掃描的方法，通過(guò)激光雷達(dá)掃描能夠發(fā)射穿透植被冠層的激光束并生成樹木點(diǎn)云，獲取樹木三維結(jié)構(gòu)信息，一定程度上取代了人工作業(yè)，彌補(bǔ)了光學(xué)圖像易出現(xiàn)遮擋的不足［15］，在樹木結(jié)構(gòu)參數(shù)提取方面擁有廣闊的應(yīng)用前景。目前，基于LiDAR點(diǎn)云提取樹木結(jié)構(gòu)信息的研究，主要集中在林木的單木分割［16-18］和枝葉重建［19-22］，以及樹高［23］、冠層［24］、葉面積指數(shù)［25］等參數(shù)估計(jì)。對(duì)于果樹結(jié)構(gòu)參數(shù)提取的研究相對(duì)較少，主要基于點(diǎn)云特征檢測(cè)樹干［26， 27］、點(diǎn)云重建提取枝條信息［28］和冠層體積［29］等。果樹枝干數(shù)量和長(zhǎng)度是果樹生長(zhǎng)和產(chǎn)量的重要指標(biāo)，枝干三維重建對(duì)于研究冠層光照分布、提取結(jié)構(gòu)參數(shù)以及果園精準(zhǔn)管理等都具有重要的作用。目前，果樹點(diǎn)云重建提取的枝干信息精度較低。

移動(dòng)激光掃描（MLS）利用車載、背包、手持等不同地面移動(dòng)平臺(tái)通過(guò)多角度數(shù)據(jù)拼接可在短時(shí)間內(nèi)實(shí)現(xiàn)大范圍的地面數(shù)據(jù)采集，可以根據(jù)不同通行環(huán)境選擇不同的搭載平臺(tái)，在果樹結(jié)構(gòu)參數(shù)提取方面有著巨大潛力。與地面激光掃描（TLS）相比，MLS點(diǎn)云密度較低［30］且有較多噪聲，對(duì)獲取果樹精細(xì)結(jié)構(gòu)參數(shù)有較大挑戰(zhàn)。Zhang等［28］利用MLS點(diǎn)云提取枝條長(zhǎng)度和數(shù)量，除了一級(jí)枝條精度能達(dá)到92%和88%外，其他級(jí)枝條提取精度均較低。針對(duì)MLS LiDAR點(diǎn)云數(shù)據(jù)密度較低，可能出現(xiàn)空洞的問(wèn)題，本文使用MLS LiDAR采集桃樹點(diǎn)云數(shù)據(jù)，探索低密度點(diǎn)云數(shù)據(jù)重建桃樹三維定量模型的方法，并檢驗(yàn)所提取的冠幅值、株高、樹干直徑和枝條長(zhǎng)度值等結(jié)構(gòu)參數(shù)的精度，為MLS LiDAR技術(shù)快速構(gòu)建數(shù)字化果園提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于四川省成都市龍泉驛區(qū)的桃新品種新技術(shù)核心示范區(qū)（30°31′27.1″N，104°16′53.5″E），桃是當(dāng)?shù)氐奶厣?，種植面積達(dá)6 000 hm2以上，年產(chǎn)量達(dá)110 kt以上，是當(dāng)?shù)刂匾慕?jīng)濟(jì)作物。園區(qū)內(nèi)桃樹標(biāo)準(zhǔn)化成行栽種，行距3.5 m，株距2.5 m，有Y字形和開(kāi)心型兩種樹形，樹齡為3年，矮化后平均株高2.5 m。在園區(qū)選擇3行，每行10株，共計(jì)30株桃樹建立樣方，對(duì)每株桃樹編號(hào)，并按圖1所示“S”形規(guī)劃路線在3月2日桃樹剛長(zhǎng)出新葉時(shí)采集數(shù)據(jù)。

1.2 數(shù)據(jù)獲取

1.2.1 LiDAR點(diǎn)云數(shù)據(jù)

LiDAR點(diǎn)云數(shù)據(jù)通過(guò)背包搭載AS-300HL多平臺(tái)激光雷達(dá)測(cè)量系統(tǒng)采集，該儀器擁有較高的掃描速度及測(cè)量級(jí)精度，能快速、非接觸地提供目標(biāo)場(chǎng)景的三維點(diǎn)云，技術(shù)參數(shù)見(jiàn)表1。外業(yè)數(shù)據(jù)采集完成后，通過(guò)CGO（CHC Geomatics Office 2）轉(zhuǎn)換基站格式，然后使用Waypoint Inertial Explorer （GPS-IMU）后處理軟件先完成基站和移動(dòng)站的GNSS解算再結(jié)合GNSS/INS組合解算獲得精準(zhǔn)的軌跡數(shù)據(jù)，最后通過(guò)華測(cè)導(dǎo)航研發(fā)的CoPre點(diǎn)云預(yù)處理軟件完成點(diǎn)云解算，得到las格式的點(diǎn)云數(shù)據(jù)。

1.2.2 實(shí)測(cè)數(shù)據(jù)

使用直尺、軟尺等工具測(cè)量樣方區(qū)內(nèi)30棵桃樹冠幅值、株高、樹干直徑及部分枝條長(zhǎng)度。通過(guò)測(cè)量單棵桃樹冠層南北、東西方向長(zhǎng)度，取其平均值為冠幅值。由于研究區(qū)桃樹已經(jīng)矮化，樹干大多高0.5 m左右，所以選擇高于地面0.3 m位置處測(cè)量樹干直徑。根據(jù)桃樹枝條分級(jí)原則，首先確定桃樹主干，從主干上生長(zhǎng)伸長(zhǎng)的枝條為一級(jí)枝條，再確定一級(jí)枝條主莖，認(rèn)為從一級(jí)枝條上生長(zhǎng)伸長(zhǎng)的枝條為二級(jí)枝條，以此類推確定其余次級(jí)枝條。在樣方區(qū)隨機(jī)選取一級(jí)和二級(jí)枝條各10枝分別測(cè)量長(zhǎng)度。

1.3 點(diǎn)云數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括點(diǎn)云去噪和分離地面點(diǎn)云與非地面點(diǎn)云。點(diǎn)云去噪主要是剔除兩類噪聲，一類是與研究目標(biāo)無(wú)關(guān)的點(diǎn)云，如樣方區(qū)的電線桿、氣象站、樣方外的其他樹木和雜草等；二類是由于測(cè)量過(guò)程中不可避免的誤差導(dǎo)致的噪聲點(diǎn)云。對(duì)于第一類噪聲，采用Cloud Compare軟件裁剪剔除；對(duì)于第二類噪聲，采用統(tǒng)計(jì)分析法去除，設(shè)置鄰域點(diǎn)個(gè)數(shù)為10，標(biāo)準(zhǔn)差閾值為2。分離地面點(diǎn)云與非地面點(diǎn)云時(shí)采用Zhang等［31］提出的CFS（Cloth Simulation Filter）濾波方法。根據(jù)采集的點(diǎn)云密度，通過(guò)多次試驗(yàn)證明濾波時(shí)設(shè)置點(diǎn)云分辨率0.5 m、迭代處理500次、地面點(diǎn)和非地面點(diǎn)閾值為0.2 m時(shí)效果最佳。雖然CFS算法濾波效果好，但是依然存在少數(shù)臨近地面的樹干部分點(diǎn)云被誤分割為地面點(diǎn)云。

1.4 桃樹結(jié)構(gòu)參數(shù)提取

基于LiDAR點(diǎn)云提取桃樹結(jié)構(gòu)參數(shù)，為降低地形起伏的影響需對(duì)桃樹點(diǎn)云歸一化，預(yù)處理后桃樹點(diǎn)云高程與地面點(diǎn)云高程相減完成。然后對(duì)歸一化后點(diǎn)云進(jìn)行單棵桃樹分割，再通過(guò)三維重建桃樹定量模型提取單棵桃樹冠幅值、株高、樹干直徑、枝條長(zhǎng)度等結(jié)構(gòu)參數(shù)。

1.4.1 單樹分割

單棵桃樹分割主要有冠層高度模型（Canopy Height Model，CHM）分割和點(diǎn)云聚類分割兩類方法，CHM更多是對(duì)上部結(jié)構(gòu)的描述，缺乏樹木下部結(jié)構(gòu)信息且CHM表面平滑度難以控制，更多研究?jī)A向于通過(guò)點(diǎn)云聚類直接分割。本文采用改進(jìn)K-Means聚類算法［32］，在單木樹干處的重心位置尋找初始聚類中心對(duì)樣方區(qū)桃樹進(jìn)行單棵分割，分割效果較好。相鄰樹間出現(xiàn)枝葉重疊時(shí)，樹冠層部分易發(fā)生誤分割。

1.4.2 單樹三維建模

離散點(diǎn)云無(wú)連續(xù)表面，無(wú)法直接估算實(shí)體結(jié)構(gòu)參數(shù)，通過(guò)對(duì)桃樹點(diǎn)云表面重建得到三維模型提取結(jié)構(gòu)參數(shù)。為避免樹葉遮擋影響樹木內(nèi)部枝條信息，首先進(jìn)行枝葉點(diǎn)云分離，然后對(duì)枝條點(diǎn)云上采樣后進(jìn)行三維重建。

根據(jù)桃樹點(diǎn)云分布可知，枝干部位點(diǎn)云大致呈圓柱狀態(tài)，葉子部分點(diǎn)云成離散狀態(tài)，按照Hackenberg等［33］提出的方法利用Matlab程序?qū)崿F(xiàn)桃樹枝干與樹葉分離，然后手動(dòng)剔除誤判點(diǎn)云，再根據(jù)Alexa等［34］方法對(duì)枝干點(diǎn)云上采樣。桃樹枝葉分離示意如圖2所示。具體步驟如下。

1）? 使用KD-Tree鄰近搜索點(diǎn)集，計(jì)算協(xié)方差特征值（λ1，λ2，λ3）。

2）? 將特征值按照λ1≥λ2≥λ3排序，設(shè)置λ2，λ3在空間變化中的占比閾值提取樹干點(diǎn)云。

3）? 通過(guò)水平方向的法向量約束，對(duì)樹干點(diǎn)云與非樹干點(diǎn)云進(jìn)行初判斷。

4）? 對(duì)初判為樹干的點(diǎn)云歐式聚類再進(jìn)行圓柱擬合，剔除樹葉點(diǎn)云得到主干和一級(jí)枝條點(diǎn)云較準(zhǔn)確，但隸屬于二級(jí)枝條的部分點(diǎn)云被誤判為葉子點(diǎn)云刪除，部分葉片點(diǎn)云又被誤判為枝條點(diǎn)云，如圖2（b）所示。

5）? 為了不影響枝條三維重建結(jié)果，手動(dòng)剔除未分離的葉片點(diǎn)云。

6）? 通過(guò)Alexa等采用的移動(dòng)最小二乘差值法對(duì)枝條點(diǎn)云進(jìn)行上采樣補(bǔ)充。

7）? 手動(dòng)裁剪原始枝條點(diǎn)云補(bǔ)充在上采樣后依然出現(xiàn)空洞的枝條位置處，獲得更準(zhǔn)確的枝條點(diǎn)云，如圖2（c）所示。

得到精確枝條點(diǎn)云后，使用QSMTree模型［35］以圓柱擬合的方法重建桃樹定量模型，具體步驟如下。

1）? 以樹干為基部從下而上找到所有點(diǎn)作為一級(jí)枝條基部，以泰森多邊形聚類法聚類一級(jí)枝條點(diǎn)云。

2）? 以一級(jí)枝條為基部找到二級(jí)枝條分叉點(diǎn)，依次分割多級(jí)枝條點(diǎn)云。

3）? 分別以不同半徑圓柱體擬合分割出的不同等級(jí)枝條點(diǎn)云，建立三維模型。

1.4.3 結(jié)構(gòu)參數(shù)提取

桃樹定量模型重建完成后通過(guò)QSM中的計(jì)算程序，在Matlab中計(jì)算出桃樹冠幅值、株高、樹干直徑和枝條長(zhǎng)度等結(jié)構(gòu)參數(shù)。

1.5 精度評(píng)價(jià)

基于點(diǎn)云提取的桃樹結(jié)構(gòu)參數(shù)與實(shí)測(cè)值對(duì)比分析以驗(yàn)證基于點(diǎn)云提取桃樹結(jié)構(gòu)參數(shù)的精度。試驗(yàn)結(jié)果以1∶1散點(diǎn)圖表示，并以均方根誤差RMSE、平均相對(duì)誤差MRE和決定系數(shù)R2作為評(píng)價(jià)指標(biāo)。RMSE表示提取值與實(shí)測(cè)值之間的偏差，MRE和R2直觀表示兩者偏差程度，MRE越小，R2越接近于1，相關(guān)性越好。

2 結(jié)果與分析

2.1 三維重建結(jié)果與分析

通過(guò)QSMTree模型對(duì)上采樣后桃樹枝條點(diǎn)云分割，以不同顏色表示隸屬于不同等級(jí)枝條的點(diǎn)云，如圖3（a）所示，根據(jù)分割的枝條點(diǎn)云重建枝條，以不同顏色表示不同等級(jí)枝條，如圖3（b）所示。

從圖3可以看出，枝條重建結(jié)果與枝條分級(jí)結(jié)果吻合，枝條重建精度主要由枝條點(diǎn)云分級(jí)準(zhǔn)確性決定。從圖3（a）可以看出，二、三級(jí)枝條點(diǎn)云分級(jí)準(zhǔn)確，但是存在部分一級(jí)枝條點(diǎn)云誤分為主干點(diǎn)云現(xiàn)象。主要因?yàn)閷?duì)主干點(diǎn)云分類應(yīng)該從下至上遍歷點(diǎn)云搜索分叉點(diǎn)，將檢索到第一個(gè)分叉點(diǎn)前遍歷的點(diǎn)云聚類為主干點(diǎn)云，模型在對(duì)主干點(diǎn)云分類時(shí)，將檢索到最后一個(gè)分叉點(diǎn)前遍歷的點(diǎn)云聚類為主干導(dǎo)致分割不夠準(zhǔn)確。

2.2 結(jié)構(gòu)參數(shù)提取結(jié)果與分析

從圖4可知，基于點(diǎn)云提取的株高、主干直徑、一二級(jí)枝條長(zhǎng)度與實(shí)測(cè)值的相關(guān)性很好，RMSE分別為0.076 m、0.003 m、0.066 m、0.068 m；MRE為2.5%、3.2%、2.6%、8.4%。基于點(diǎn)云提取的冠幅值與實(shí)測(cè)值的相關(guān)性較好，RMSE為0.280 m，MRE為8.6%。

桃樹結(jié)構(gòu)參數(shù)提取精度主要受桃樹單木分割和三維重建精度的影響。單棵桃樹點(diǎn)云分割時(shí)枝葉點(diǎn)云過(guò)分割和欠分割會(huì)導(dǎo)致枝條點(diǎn)云減小，影響冠幅值和枝條長(zhǎng)度提取精度；雜草等低矮植物點(diǎn)云誤判為地面點(diǎn)云或主干點(diǎn)云會(huì)影響株高和主干直徑提取精度。三維重建時(shí)枝葉分離的精確度和點(diǎn)云分級(jí)精度均會(huì)影響重建模型中枝條長(zhǎng)度、大小等。

另一方面，桃樹普遍高于測(cè)量人員身高，用直尺測(cè)量株高時(shí)人仰視樹頂估讀導(dǎo)致實(shí)測(cè)值與實(shí)際值存在偏差，也會(huì)對(duì)點(diǎn)云提取結(jié)構(gòu)參數(shù)的精度評(píng)定造成影響。

3 結(jié)論

1） 基于MLS LiDAR點(diǎn)云能夠建立桃樹定量三維模型，提取的株高、主干直徑、一二級(jí)枝條長(zhǎng)度與實(shí)測(cè)值的相關(guān)性較好，RMSE分別為0.076 m、0.003 m、0.065 m、0.053 m；基于點(diǎn)云提取的冠幅值與實(shí)測(cè)值的相關(guān)性一般，RMSE為0.280 m。結(jié)果表明，基于LiDAR點(diǎn)云能準(zhǔn)確地提取桃樹結(jié)構(gòu)參數(shù)，為桃園智能化管理提供數(shù)據(jù)支撐。

2） 基于MLS LiDAR點(diǎn)云提取桃樹結(jié)構(gòu)參數(shù)，對(duì)于實(shí)現(xiàn)果園的數(shù)字化管理具有重要的應(yīng)用價(jià)值，但仍存在一些問(wèn)題有待后續(xù)研究改進(jìn)：（1）開(kāi)心型桃樹分枝間距大于株距和部分樹冠重疊現(xiàn)象影響單棵桃樹分割精度，需進(jìn)一步研究提高矮化桃樹單棵分割精度的算法；（2）枝葉分離時(shí)采用手動(dòng)剔除樹葉和添加枝條點(diǎn)云的方式以獲得完整枝條點(diǎn)云，下一步需研究更準(zhǔn)確地快速分離枝葉算法；（3）三維模型重建時(shí)將部分一級(jí)枝條誤認(rèn)為主干，需完善適用于不同樹形的重建程序；（4）單次輸入只能對(duì)一棵桃樹建模提取結(jié)構(gòu)參數(shù)，需進(jìn)一步完善程序，實(shí)現(xiàn)果園內(nèi)大量果樹自動(dòng)快速建模并提取結(jié)構(gòu)參數(shù)。

參 考 文 獻(xiàn)

［1］ 盛統(tǒng)民， 馬英杰. 水氮耦合桶栽棗樹冠層光分布與葉面積指數(shù)關(guān)系［J］. 北方園藝， 2019（12）： 20-26.

Sheng Tongmin， Ma Yingjie. Relationship of water-nitrogen coupling between canopy light distribution and leaf area index on jujube in pot ［J］. Northern Horticulture， 2019（12）： 20-26.

［2］ 白崗栓， 杜社妮， 王建平. 陜北山地蘋果樹形改造研究［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 26（12）： 54-66.

Bai Gangshuan， Du Sheni， Wang Jianping. Study on the canopy transformation of mountain apple in northern Shanxi ［J］. Journal of China Agricultural University， 2021， 26（12）： 54-66.

［3］ 吳升， 溫維亮， 王傳宇， 等. 數(shù)字果樹及其技術(shù)體系研究進(jìn)展［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 350-360.

Wu Sheng， Wen Weiliang， Wang Chuanyu， et al. Research progress of digital fruit trees and its technology system ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 350-360.

［4］ Morgan K T， Scholberg J， Obreza T A， et al. Size， biomass， and nitrogen relationships with sweet orange tree growth ［J］. Journal of the American Society for Horticultural Science， 2006， 131（1）： 149-156.

［5］ 雒宏佳， 李建紅， 趙生春， 等. 甘肅省核桃堅(jiān)果表型特征及多樣性研究［J］. 中國(guó)果樹， 2019（5）： 87-92.

Luo Hongjia， Li Jianhong， Zhao Shengchun， et al. Phenotypic characteristics and diversity of walnut nuts in Gansu Province ［J］. China Fruits， 2019（5）： 87-92.

［6］ 嚴(yán)毅， 王有兵， 張夸云， 等. ?？诹謭?chǎng)53年生油橄欖結(jié)果樹表型性狀的多樣性分析［J］. 西部林業(yè)科學(xué)， 2016， 45（6）： 99-103.

Yan Yi， Wang Youbing， Zhang Kuayun， et al. Diversity analysis on phenotypic traits of 53-year-old Olea europaea L. ［J］. Journal of West China Forestry Science， 2016， 45（6）： 99-103.

［7］ 束美艷， 李世林， 魏家璽， 等. 基于無(wú)人機(jī)平臺(tái)的柑橘樹冠信息提?。跩］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（1）： 68-76.

Shu Meiyan， Li Shilin， Wei Jiaxi， et al. Extraction of citrus crown parameters using UAV platform ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（1）： 68-76.

［8］ 張先潔， 孫國(guó)祥， 汪小旵， 等. 基于超像素特征向量的果樹冠層分割方法［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（3）： 724-730.

Zhang Xianjie， Sun Guoxiang， Wang Xiaochan， et al. Segmentation method of fruit tree canopy based on super pixel feature vector ［J］. Jiangsu Journal of Agricultural Sciences， 2021， 37（3）： 724-730.

［9］ 李文勇， 陳梅香， 許樹坡， 等. 基于分水嶺和凸包理論的自然場(chǎng)景下未成熟蘋果直徑測(cè)量方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（23）： 207-214.

Li Wenyong， Chen Meixiang， Xu Shupo， et al. Diameter measurement method for immature apple based on watershed and convex hull theory ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（23）： 207-214.

［10］ 程洪， Lutz Damerow， Michael Blanke， 等. 基于圖像處理與支持向量機(jī)的樹上蘋果早期估產(chǎn)研究［J］. 農(nóng)業(yè)機(jī)械報(bào)， 2015， 46（3）： 9-14， 22.

Cheng Hong， Lutz Damerow， Michael Blanke， et al. Early yield estimation of‘Gala apple trees using image processing combined with support vector machine ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（3）： 9-14， 22.

［11］ 劉玉嬋， 胡陽(yáng). 基于普通數(shù)碼影像的單株桃樹估產(chǎn)方法［J］. 南方農(nóng)業(yè)學(xué)報(bào)， 2018， 49（3）： 606-611.

Liu Yuchan， Hu Yang. Yield estimation method for peach yield per plant based on ordinary digital image ［J］. Journal of Southern Agriculture， 2018， 49（3）： 606-611.

［12］ 郭斌， 吳亞顏， 周嘉耀， 等. 基于無(wú)人機(jī)影像數(shù)據(jù)的蘋果產(chǎn)量模擬——以洛川縣為例［J］. 西安科技大學(xué)學(xué)報(bào)， 2017， 37（3）： 450-454.

Guo Bin，Wu Yayan， Zhou Jiayao， et al. Simulation of the apple yield based on unmanned aerial vehicle image data： Taking Luochuan county as an example ［J］. Journal of Xian University of Science and Technology， 2017， 37（3）： 450-454.

［13］ 熊龍燁， 王卓， 何宇， 等. 果樹重建與果實(shí)識(shí)別方法在采摘場(chǎng)景中的應(yīng)用［J］. 傳感器與微系統(tǒng)， 2019， 38（8）： 153-156.

Xiong Longye， Wang Zhuo， He Yu， et al. Application of fruit tree reconstruction and fruit recognition methods in picking scenes ［J］. Transducer and Microsystem Technologies， 2019， 38（8）： 153-156.

［14］ Dong W， Roy P， Isler V. Semantic mapping for orchard environments by merging two-sides reconstructions of tree rows ［J］. Journal of Field Robotics， 2019， 37（1）： 97-121.

［15］ Berk P， Hocevar M， Stajnko D， et al. Development of alternative plant protection product application techniques in orchards， based on measurement sensing systems： A review ［J］. Computers and Electronics in Agriculture， 2016， 124： 273-288.

［16］ 王鑫運(yùn)， 黃楊， 邢艷秋， 等. 基于無(wú)人機(jī)高密度LiDAR點(diǎn)云的人工針葉林單木分割算法［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)， 2022， 42（8）： 66-77.

Wang Xinyun， Huang Yang， Xing Yanqiu， et al. The single tree segmentation of UAV high-density LiDAR point cloud data based on coniferous plantations ［J］. Journal of Central South University of Forestry & Technology， 2022， 42（8）： 66-77.

［17］ 王濮， 邢艷秋， 王成， 等. 一種基于圖割的機(jī)載LiDAR單木識(shí)別方法［J］. 中國(guó)科學(xué)院大學(xué)學(xué)報(bào)， 2019， 36（3）： 385-391.

Wang Pu， Xing Yanqiu， Wang Cheng， et al. A graph cut-based approach for individual tree detection using airborne LiDAR data ［J］. Journal of University of Chinese Academy of Sciences， 2019， 36（3）： 385-391.

［18］ Liu L， Lim S， Shen X， et al. A hybrid method for segmenting individual trees from airborne lidar data ［J］. Computers and Electronics in Agriculture， 2019， 163： 104871.

［19］ 楊玉澤， 林文樹. 基于激光點(diǎn)云數(shù)據(jù)的樹木枝葉分割和三維重建［J］. 西北林學(xué)院學(xué)報(bào)， 2020， 35（3）： 171-176.

Yang Yuze， Lin Wenshu. Segmentation and 3D reconstruction of tree branches and leaves based on laser point cloud data ［J］. Journal of Northwest Forestry University， 2020， 35（3）： 171-176.

［20］ Du S， Lindenbergh R， Ledoux H， et al. Adtree： Accurate， detailed， and automatic modelling of laser-scanned trees ［J］. Remote Sensing， 2019， 11（18）： 2074.

［21］ Hu S， Li Z， Zhang Z， et al. Efficient tree modeling from airborne LiDAR point clouds ［J］. Computer & Graphics， 2017， 67： 1-13.

［22］ Rena J， Lucie H， Jan N， et al. Detailed reconstruction of trees from terrestrial laser scans for remote sensing and radiative transfer modelling applications ［J］. In Silico Plants， 2021， 3（2）： 1-21.

［23］ Chen Wei， Xiang Haibing， Moriya K. Individual tree position extraction and structural parameter retrieval based on airborne LiDAR data： Performance evaluation and comparison of four algorithms ［J］. Remote Sensing， 2020， 12（3）： 571.

［24］ Giona， Matasci， Nicholas， et al. Mapping tree canopies in urban environments using airborne laser scanning （ALS）： A vancouver case study ［J］. Forest Ecosystems， 2018， 5（4）： 429-437.

［25］ Yin T， Cook B D， Morton D C. Three-dimensional estimation of deciduous forest canopy structure and leaf area using multi-directional， leaf-on and leaf-off airborne lidar data ［J］. Agricultural and Forest Meteorology， 2022， 314： 108781.

［26］ 張瑩瑩， 周俊. 基于激光雷達(dá)的果園樹干檢測(cè)［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2015， 20（5）： 249-255.

Zhang Yingying， Zhou Jun. Laser radar based orchard trunk detection ［J］. Journal of China Agricultural University， 2015， 20（5）： 249-255.

［27］ 牛潤(rùn)新， 張向陽(yáng)， 王杰， 等. 基于激光雷達(dá)的農(nóng)業(yè)機(jī)器人果園樹干檢測(cè)算法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（11）： 21-27.

Niu Runxin， Zhang Xiangyang， Wang Jie， et al. Orchard trunk detection algorithm for agricultural robot based on laser radar ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（11）： 21-27.

［28］ Zhang C， Yang G， Jiang Y， et al. Apple tree branch information extraction from terrestrial laser scanning and backpack-lidar ［J］. Remote Sensing， 2020， 12（21）： 3592-3609.

［29］ Wang K， Zhou J， Zhang W， et al. Mobile lidar scanning system combined with canopy morphology extracting methods for tree crown parameters evaluation in orchards ［J］. Sensors， 2021， 21（2）： 339-354.

［30］ 范偉偉， 劉浩然， 徐永勝， 等. 基于地基激光雷達(dá)和手持式移動(dòng)激光雷達(dá)的單木結(jié)構(gòu)參數(shù)提取精度對(duì)比［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)， 2020， 40（8）： 63-74.

Fan Weiwei， Liu Haoran， Xu Yongsheng， et al. Comparison of extraction precision of individual tree structure parameters based on terrestrial laser scanning and hand-held mobile laser scanning ［J］. Journal of Central South University of Forestry & Technology， 2020， 40（8）： 63-74.

［31］ Zhang W， Qi J， Wan P， et al. An easy-to-use airborne lidar data filtering method based on cloth simulation ［J］. Remote Sensing， 2016， 8（6）： 1-22.

［32］ 劉浩然， 范偉偉， 徐永勝， 等. 基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木分割研究［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)， 2022， 42（1）： 45-53.

Liu Haoran， Fan Weiwei， Xu Yongsheng， et al. Research on single tree segmentation based on UAV LiDAR point cloud data ［J］. Journal of Central South University of Forestry & Technology， 2022， 42（1）： 45-53.

［33］ Hackenberg J， Wassenberg M， Spiecker H， et al. Non destructive method for biomass prediction combining TLS derived tree volume and wood density ［J］. Forests， 2015， 6（12）： 1274-1300.

［34］

Alexa M， Behr J， Cohen-Or D， et al. Computing and rendering point set surfaces ［J］. IEEE Transactions on Visualization and Computer Graphics， 2003， 9（1）： 3-15.

［35］

Markku A， Raumonen P， Kaasalainen M， et al. Analysis of geometric primitives in quantitative structure models of tree stems ［J］. Remote Sensing， 2015， 7（4）： 4581-4063.