本發(fā)明涉及三維點云信息分析與處理領(lǐng)域，具體涉及一種基于無人機激光雷達(dá)的燕麥株高估算方法。

背景技術(shù)：

1、燕麥的營養(yǎng)價值高，在我國，其種植區(qū)域與規(guī)?；a(chǎn)面積也逐年增加，如何提升燕麥產(chǎn)量對農(nóng)業(yè)的發(fā)展至關(guān)重要。在燕麥生長過程中，其高度的大小基本上可以表征其生長階段和生長情況，對其的監(jiān)測尤為重要。

2、目前，常用的作物長勢監(jiān)測方法主要有人工測量法、無人機影像測量法等。人工測量法以傳統(tǒng)的標(biāo)尺人工測高為主，該方法過于耗時、耗力，容易產(chǎn)生人為誤差，并且在涉及大田地和重復(fù)測量時不能很好地擴(kuò)展，不能滿足農(nóng)業(yè)生產(chǎn)的需要。基于無人機影像技術(shù)的測量方法可以獲取大范圍的作物表層信息，但容易受到光照和天氣等因素的影響，測量精度波動較大，更缺少穿透能力，應(yīng)用在燕麥群體時，會存在識別困難、差異性小、存在干擾時難以識別等問題，無法實現(xiàn)株高、穗層的精確測量。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本發(fā)明提出了一種基于無人機激光雷達(dá)的燕麥株高估算方法，與圖像處理方法相比，激光雷達(dá)不受光照和天氣等因素的影響，還可以提供植被高度和垂直結(jié)構(gòu)信息，通過其獲得的株高信息是更加精準(zhǔn)、無損、高效地，適合大尺度的農(nóng)情監(jiān)測，具體技術(shù)方案如下：

2、一種基于無人機激光雷達(dá)的燕麥株高估算方法，包括以下步驟：

3、(1)使用無人機激光雷達(dá)設(shè)備在實驗田中采集作物點云數(shù)據(jù)，并對所述數(shù)據(jù)進(jìn)行預(yù)處理，以獲取目標(biāo)監(jiān)測區(qū)域三維點云數(shù)據(jù)；

4、(2)采用基于空間分布的移除統(tǒng)計離群值去噪算法對三維點云數(shù)據(jù)進(jìn)行去噪處理；

5、(3)使用大疆點云處理軟件對去噪過的las點云數(shù)據(jù)進(jìn)行進(jìn)行噪聲濾波處理；

6、(4)采用改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法對噪聲濾波后的las點云數(shù)據(jù)進(jìn)行地面點分類處理；

7、(5)采用分箱最大線性插值方法將地面點分類后的las點云數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)，生成dsm數(shù)字表面模型；

8、(6)通過保守的地面點分類方法對地面點分類后的las點云數(shù)據(jù)再次進(jìn)行地面點的分類，采用arcgis軟件中的arcpy庫的las地面分類3d工具篩選地面點云數(shù)據(jù)，生成las地面點云圖層，利用地面點云數(shù)據(jù)生成dem數(shù)字高程模型；

9、(7)在生成的dsm數(shù)字表面模型和dem數(shù)字高程模型中使用arcmap中的“以表格顯示分區(qū)統(tǒng)計”工具，從dsm數(shù)字表面模型和dem數(shù)字高程模型中分別提取代表冠層頂部和地面高程值的統(tǒng)計值，分別是最大值、最小值、平均值、中位數(shù)、第5百分位、第90百分位、第95百分位和第99百分位，從所建立的統(tǒng)計值組合中，篩選出一種最準(zhǔn)確的估算株高的組合，并把組合中兩個統(tǒng)計值相減以獲取目標(biāo)監(jiān)測區(qū)域中燕麥的株高。

10、進(jìn)一步地，步驟(1)中，所述預(yù)處理為：將采集的點云數(shù)據(jù)使用大疆智圖軟件生成las格式的點云，重建后得到包含rgb影像的三維點云數(shù)據(jù)，使用arcgis軟件畫出目標(biāo)小區(qū)，得到感興趣區(qū)域的矢量文件，使用arcgis中的arcpy庫中的extractlas工具從las數(shù)據(jù)集中提取指定區(qū)域的las點云數(shù)據(jù)。

11、進(jìn)一步地，步驟(2)中，所述使用移除統(tǒng)計離群值去噪算法的具體步驟如下：

12、a.對于數(shù)據(jù)集中的每個點i(其中i取值范圍為1到m)，查找其所有鄰域點j(其中j取值范圍為1到k)，計算每個點到其鄰居的距離dij，使用高斯分布模型d～n(μ,σ)對距離參數(shù)進(jìn)行建模，對于每個點，計算其與鄰居之間距離的均值μ和標(biāo)準(zhǔn)差σ，這些值反映了該點與其鄰居之間距離的分布特征；

13、b.計算每一個點與鄰居的距離均值遍歷所有點，如果其距離的均值大于高斯分布的指定置信度，則移除。

14、進(jìn)一步地，步驟a中，所述均值μ的計算公式為：其中，μ表示距離的均值，dij表示每個點到其鄰居的距離，j是所有鄰域點，1～k是設(shè)置的鄰域點范圍，i是數(shù)據(jù)集中的每個點，1～m是假設(shè)的數(shù)據(jù)集點范圍，dij表示每個點到其鄰居的距離；

15、進(jìn)一步地，步驟a中，所述標(biāo)準(zhǔn)差σ的計算公式為：其中，j是所有鄰域點，1～k是設(shè)置的鄰域點范圍，i是數(shù)據(jù)集中的每個點，1～m是假設(shè)的數(shù)據(jù)集點范圍，dij表示每個點到其鄰居的距離，μ表示距離的均值，msd表示標(biāo)準(zhǔn)差倍數(shù)，為每一個點與鄰居的距離均值，σ表示距離的標(biāo)準(zhǔn)差；

16、進(jìn)一步地，步驟b中，所述移除標(biāo)準(zhǔn)計算公式為：其中，j是所有鄰域點，(1～k)是設(shè)置的鄰域點范圍；i是數(shù)據(jù)集中的每個點，(1～m)是假設(shè)的數(shù)據(jù)集點范圍；dij表示每個點到其鄰居的距離，μ表示距離的均值，msd表示標(biāo)準(zhǔn)差倍數(shù)，為每一個點與鄰居的距離均值，σ表示距離的標(biāo)準(zhǔn)差；

17、進(jìn)一步地，步驟(4)中，所述改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法具體如下：首先通過種子點生成一個稀疏的三角網(wǎng)，然后通過迭代處理逐層加密，直至將所有地面點分類完畢，在基于三角網(wǎng)的地面提取方法中，首先對點云數(shù)據(jù)進(jìn)行格網(wǎng)化，將含有建筑物的點云設(shè)定格網(wǎng)大小為最大建筑物尺寸，而不含建筑物的點云使用默認(rèn)值，在每個格網(wǎng)內(nèi)，選取最低點作為初始種子點，利用這些種子點構(gòu)建初始三角網(wǎng)，隨后，通過迭代加密過程，遍歷所有待分類的點，計算點到三角形的距離和角度的最大值，將其與預(yù)定義的閾值進(jìn)行比較，若距離和角度均小于閾值，則將點判定為地面點，并加入三角網(wǎng)中，重復(fù)此過程直至所有待分類的點完成地面點的分類，其中最大地形坡度、迭代角度和迭代距離閾值的設(shè)置，最大地形坡度選擇默認(rèn)值，迭代角度一般設(shè)置為6～12度，迭代角度是與迭代角度對應(yīng)調(diào)節(jié)，一般設(shè)置為1.2～1.6米；

18、進(jìn)一步地，步驟(5)中，所述分箱最大線性插值方法具體如下：在燕麥的點云數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)時，插值工具首先將區(qū)域內(nèi)的點云數(shù)據(jù)進(jìn)行分箱操作，點云數(shù)據(jù)的每個像元被劃分為若干子單元，然后在每個子單元內(nèi)對點云數(shù)據(jù)進(jìn)行處理，每個子單元的像元都是從點云數(shù)據(jù)中選擇在該像元內(nèi)高程值的最大值作為插值結(jié)果，使用線性插值方法來進(jìn)行更精細(xì)的高程值估計；

19、進(jìn)一步地，步驟(6)中，所述保守的地面點分類方法具體如下：在對燕麥試驗地進(jìn)行地面點提取時，由于其地形曲率小，故而選取保守的方法去檢測燕麥點云數(shù)據(jù)的地面點，保守地識別地面點，避免將非地面點誤分類為地面點，其現(xiàn)有的地面點也會重新進(jìn)行分類。

20、本發(fā)明的有益效果：

21、本發(fā)明利用無人機搭載激光雷達(dá)獲取高分辨率試驗地點云數(shù)據(jù)并經(jīng)過分析處理，建立數(shù)字表面模型和數(shù)字高程模型，其中差異提供了燕麥的株高。本發(fā)明保證了較高的精度，準(zhǔn)確性和穩(wěn)定性更高，不僅能夠解決人工觀測耗時耗力、誤差偏大的問題，還能解決無人機影像技術(shù)測量環(huán)境受限的問題。本發(fā)明有助于燕麥長勢監(jiān)測，提高生產(chǎn)效率，為燕麥的生產(chǎn)和管理提供科學(xué)依據(jù)，有助于實現(xiàn)精細(xì)化管理。

技術(shù)特征：

1.一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟(1)中，所述預(yù)處理為：將采集的點云數(shù)據(jù)使用大疆智圖軟件生成las格式的點云，重建后得到包含rgb影像的三維點云數(shù)據(jù)，使用arcgis軟件畫出目標(biāo)小區(qū)，得到感興趣區(qū)域的矢量文件，使用arcgis中的arcpy庫中的extractlas工具從las點云數(shù)據(jù)中提取指定區(qū)域的las點云數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟(2)中，所述使用移除統(tǒng)計離群值去噪算法的具體步驟如下：

4.根據(jù)權(quán)利要求3所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟a中，所述均值μ的計算公式為：其中，μ表示距離的均值，dij表示每個點到其鄰居的距離，j是所有鄰域點，1～k是設(shè)置的鄰域點范圍，i是數(shù)據(jù)集中的每個點，1～m是假設(shè)的數(shù)據(jù)集點范圍，dij表示每個點到其鄰居的距離。

5.根據(jù)權(quán)利要求3所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟a中，所述標(biāo)準(zhǔn)差σ的計算公式為：其中，j是所有鄰域點，1～k是設(shè)置的鄰域點范圍，i是數(shù)據(jù)集中的每個點，1～m是假設(shè)的數(shù)據(jù)集點范圍，dij表示每個點到其鄰居的距離，μ表示距離的均值，msd表示標(biāo)準(zhǔn)差倍數(shù)，為每一個點與鄰居的距離均值，σ表示距離的標(biāo)準(zhǔn)差。

6.根據(jù)權(quán)利要求3所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟b中，所述移除標(biāo)準(zhǔn)計算公式為：其中，j是所有鄰域點，1～k是設(shè)置的鄰域點范圍；i是數(shù)據(jù)集中的每個點，1～m是假設(shè)的數(shù)據(jù)集點范圍；dij表示每個點到其鄰居的距離，μ表示距離的均值，msd表示標(biāo)準(zhǔn)差倍數(shù)，為每一個點與鄰居的距離均值，σ表示距離的標(biāo)準(zhǔn)差。

7.根據(jù)權(quán)利要求1所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟(4)中，所述改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法具體如下：首先通過種子點生成一個稀疏的三角網(wǎng)，然后通過迭代處理逐層加密，直至將所有地面點分類完畢，在基于三角網(wǎng)的地面提取方法中，首先對點云數(shù)據(jù)進(jìn)行格網(wǎng)化，將含有建筑物的點云設(shè)定格網(wǎng)大小為最大建筑物尺寸，而不含建筑物的點云使用默認(rèn)值，在每個格網(wǎng)內(nèi)，選取最低點作為初始種子點，利用這些種子點構(gòu)建初始三角網(wǎng)，隨后，通過迭代加密過程，遍歷所有待分類的點，計算點到三角形的距離和角度的最大值，將其與預(yù)定義的閾值進(jìn)行比較，若距離和角度均小于閾值，則將點判定為地面點，并加入三角網(wǎng)中，重復(fù)此過程直至所有待分類的點完成地面點的分類，其中最大地形坡度、迭代角度和迭代距離閾值的設(shè)置，最大地形坡度選擇默認(rèn)值，迭代角度一般設(shè)置為6～12度，迭代角度是與迭代角度對應(yīng)調(diào)節(jié)，一般設(shè)置為1.2～1.6米。

8.根據(jù)權(quán)利要求1所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟(5)中，所述分箱最大線性插值方法具體如下：在燕麥的點云數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)時，插值工具首先將區(qū)域內(nèi)的點云數(shù)據(jù)進(jìn)行分箱操作，點云數(shù)據(jù)的每個像元被劃分為若干子單元，然后在每個子單元內(nèi)對點云數(shù)據(jù)進(jìn)行處理，每個子單元的像元都是從點云數(shù)據(jù)中選擇在該像元內(nèi)高程值的最大值作為插值結(jié)果，使用線性插值方法來進(jìn)行更精細(xì)的高程值估計。

9.根據(jù)權(quán)利要求1所述的一種基于無人機激光雷達(dá)的燕麥株高估算方法，其特征在于，步驟(6)中，所述保守的地面點分類方法具體如下：在對燕麥試驗地進(jìn)行地面點提取時，由于其地形曲率小，故而選取保守的方法去檢測燕麥點云數(shù)據(jù)的地面點，保守地識別地面點，避免將非地面點誤分類為地面點，其現(xiàn)有的地面點也會重新進(jìn)行分類。

技術(shù)總結(jié)
本發(fā)明提供了一種基于無人機激光雷達(dá)的燕麥株高估算方法及系統(tǒng)，本發(fā)明利用激光雷達(dá)系統(tǒng)，獲取目標(biāo)監(jiān)測區(qū)域的點云數(shù)據(jù)，通過去噪處理、噪聲濾波處理、地面點分類處理，將點云數(shù)據(jù)轉(zhuǎn)化成DSM數(shù)字表面模型和DEM數(shù)字高程模型，從DSM數(shù)字表面模型和DEM數(shù)字高程模型中分別提取代表冠層頂部和地面高程值的統(tǒng)計值，并把兩個統(tǒng)計值相減提取目標(biāo)監(jiān)測區(qū)域中燕麥的株高，保證了較高的精度，能夠解決人工觀測耗時耗力、誤差偏大等問題，對基于無人機激光雷達(dá)的遙感技術(shù)在燕麥的農(nóng)情監(jiān)測中擁有廣闊的應(yīng)用前景。本發(fā)明有助于作物長勢監(jiān)測，提高農(nóng)業(yè)生產(chǎn)效率，為農(nóng)業(yè)生產(chǎn)和管理提供科學(xué)依據(jù)，實現(xiàn)精細(xì)化管理。

技術(shù)研發(fā)人員：陳佳慧,金秀良,李婷玉,樊帆
受保護(hù)的技術(shù)使用者：海南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/6/30