[目的] 目标分割是通过为果园喷雾机提供树木的表征信息，使喷雾机能够实现精准喷雾的一项基本视觉任务。在分割过程中，对苗圃中的树冠、树干等不同部位进行分割，可以帮助喷雾机对喷雾部分的对靶，实现在果园或苗圃景观中无需人工干预的自动导航以及精准喷药等操作。与图片相比，点云能够更好地表征树木的三维结构并且受照明条件影响小，因此针对点云树木设计分割算法更适合应用在果园、苗圃等室外环境中工作的农业机械上。[方法] 本文介绍了一种分割精度准确、参数量小的点云分割网络，TSNet，它可以很容易地被部署在果园喷雾机上。该网络主要具有以下特点：1）该网络基于DGCNN改进，可以更好地实现点云分割任务；2)网络引入了连续递归门控卷积模块 （g~(n)Conv），可以提高树木分割的准确率；3）为了避免全局信息损失并增加信息传递效率，我们设计了权重通道用于特征传递。[结果] TSNet分割树木的mIoU达到了90.08%，模型大小为0.72 M，优于常用的点云分割算法，PointNet、PointNet++、DGCNN、CurveNet、PointMLP和D-PointNet++。[结论] 所提方法能够为苗圃树木检测识别和农业机器人作业提供更准确地感知信息。

该文针对智能整枝机视觉系统的需要提出一种以数学形态学为主的图像分割方法,解决了智能整枝机视觉系统中背景复杂下树木图像分割困难的问题.该方法分成5个步骤:①利用小波变换将图像进行压缩;②亮度矫正;③用分水岭算法对图像进行分割;④用区域合并法解决分水岭算法中的过度分割问题;⑤用中值滤波器滤除分割过程产生的孤立点.结果表明:该方法比Roberts算子、Sobel算子及Prewitt算子对树木图像的分割效果好,为立木整枝机视觉系统的深入研究打下了基础.

针对智能对靶喷雾技术领域中动态树木图像分割处理速度的提高方法进行研究。对整个系统程序设计进行调整,采用四叉树的数据结构进行图像存储,并将基于相对色彩因子的图像处理算法应用在系统中,根据光线强弱自动调节图像分割阈值,提高了识别率;在此基础上减少了系统处理树木图像的时间。通过试验验证系统的运行情况,将图像分割处理的速度提高到小于0.1s.f-1,进一步提升智能对靶喷雾的实时性。

针对三维激光扫描仪获取的树木点云数据存在噪声点的问题,结合双边滤波算法,通过设定空间邻近度因子σc值不变、灰度邻近度因子σs变化以及σs值不变、σc变化的2种不同参数取值状态,根据计算得到的双边滤波权因子α,选择剔除部分与当前采样点距离过大的相邻采样点,更新所有的数据点,最后得到经过滤波后的新数据点。经过对比分析2种参数取值状态下的不同去噪结果,可得到合理的参数取值,进而实现对树木点云模型去噪的处理,且达到保持原特征的目的。最后选取2个合适的实验数据模型,进一步对实验结果进行验证。实验结果表明该算法简单高效,噪声去除效果良好,具有较好的实用性和研究意义。

为了提高地基激光雷达(Terrestrial Laser Scanning,TLS)点云数据的单木分割精度及分割效率,以落叶期的蒙古栎人工林为研究对象,以TLS为基础数据,在三维点云数据体元化的基础上提出一种基于体元逐层聚类的单木分割算法,通过分析体元在竖直方向的z值序列准确获取单木的位置,然后利用模糊C均值算法以单木位置为初始聚类中心从最底层体元开始进行逐层聚类,最终实现样地水平蒙古栎单木分割。研究结果表明,通过分析体元在竖直方向的z值序列能准确获取单木的位置,本研究提出的单木分割算法能够实现样地水平单

针对传统羊体尺测量中测量耗时、应激大的问题,采用主成分分析、随机采样一致性算法和改进的区域生长法,基于三维点云对羊体尺参数测量进行研究。结果表明:1)使用主成分分析和随机采样一致性算法能计算羊体点云的法向量和曲率;2)改进的区域生长法能准确地分割出羊体区域,并且避免了外点的干扰;3)在羊体点云数据上选取体尺测点,计算羊体长、体高、臀高、胸深体尺参数,并与实测值比较,4种体尺参数的最大相对误差为2.36%,测量精度较高。试验证明改进的区域生长法能准确地对羊体点云进行分割,依据选取的体尺测点,能够实现羊体尺参数的无接触测量。

在自然场景中拍摄的树木图像包含了丰富的信息,并受环境、光照、天气、噪声等的干扰,树木本身及其周围景物的多样性使得自然场景中的树木图像提取成为一项复杂的、探索性很强的工作。本文采用自然图像抠图技术进行树木图像的提取,较好地解决了树木图像内部存在大量空洞和透明现象的问题;提出了关注区域的概念,并引入区域生长的方法,从简化三分图划分、尽可能多地确定前景像素点和减少未知区域待运算像素数目3个方面对基于马尔可夫随机场(MRF)的抠图方法进行了改进。实验结果表明:改进的基于MRF的树木图像抠图算法能够有效地提取树木图像,并简化了人机交互过程,增强了颜色的准确性,同时使运算速度大幅度提高。

【目的】无人机激光雷达与地基激光雷达的工作方式不同，导致无人机点云缺乏林内信息，地基点云缺乏林冠信息，单一平台的LiDAR点云难以完整描述森林三维垂直结构，将这两者点云融合有利于消除各自的扫描盲区，估测更为准确的森林结构参数。基于此，提出了一种基于地面特征与树木位置关系的无标识自动化配准方法。【方法】选取哈尔滨城市林业示范基地内的蒙古栎和樟子松作为研究对象，采用大疆禅思L1激光雷达设备与FARO Focus3D X330三维激光扫描仪分别获取样地内的无人机和地基LiDAR点云。首先，利用改进的渐进式加密三角网滤波算法分别从无人机点云和地基点云中提取地面点云，基于两者相似的快速点特征直方图（FPFH）特征，使用随机采样一致性算法得到初始配准参数，完成初始配准。然后，从初始配准后的无人机点云和地基点云中提取相同高度处的树干点云的水平投影位置作为配准基元，分别构建不规则三角网，并基于三角形的角度相似性原理寻找同名三角形对。最后，使用奇异值分解法得到旋转平移参数，从而完成精细配准。【结果】蒙古栎样地内对应树木水平偏移距离的平均值为0.173 m，樟子松样地内对应树木水平偏移距离的平均值为0.283 m,2个样地的树木点云均取得了较高的配准精度。【结论】提出的点云配准方法有效实现了林区无人机点云数据和地基点云数据的配准，二者的融合可为快速完整地获取林木构型信息提供数据基础，从而推动多源激光雷达技术联合应用于林木三维重建和森林资源精细调查等方面。

【目的】结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。【方法】首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-Ⅱ算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用Kmeans、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-Ⅱ方法进行多目标优化等5种方法对样本图像进行分割比较。【结果】在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法; MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-Ⅱ优化的多目标函数分割结果又优于MOPSO多目标优化结果。【结论】融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显著提高。

[目的]奶牛的臀宽是奶牛生长繁殖的重要评判标准，但目前臀宽测量依旧以人工测量为主，费时费力、容易受主观因素影响。本文为了实现奶牛臀宽的自动提取，提出一种基于点云精准分割的奶牛臀宽自动测量方法。[方法]搭建奶牛后俯视深度图像采集系统，对原始数据进行处理，利用DBSCAN方法剔除奶牛周围的背景。其次，基于PointNet++神经网络，将奶牛坐骨结节进行分割并获取臀部区域。最后检测奶牛臀部区域的轮廓线，利用坐骨结节与尾巴之间的凹陷来判定坐骨结节的位置，最终计算出奶牛的臀宽。[结果]试验结果表明，点云分割模型AP50可达94.2%，体尺测量的最大绝对误差为-5.53 cm，平均相对误差为5.84%。而奶牛在尾巴自然下垂状态时绝对误差在-2.02～2.22 cm范围内，平均相对误差为3.79%。[结论]本文方法在奶牛尾巴自然下垂时效果最好，能够较好地实现奶牛臀宽自动检测。

该文提出一种基于SLAM定位的多位置和姿态点云的拼接与分割方法，可提供信息量大且准确的点云样本数据。首先，利用RTAB-MAP框架构建SLAM算法，由KinectV2传感器采集获得带有位姿信息的多角度RGBD图像样本，并转化为三维点云场景数据；其次，改进ICP算法并基于SVD算法设计多位姿点云的拼接算法；再次，根据原始点云的RGB信息与凹凸性特征，设计三维点云分割算法，以此形成一系列点云目标；最后，开展点云拼接和点云分割实验，实验结果验证了该文所提算法的正确性和有效性。

【目的】探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段。【方法】通过无人机激光雷达获得样地树木点云数据,然后分别采用改进的K均值聚类算法和基于相对间距的阈值分割算法对水曲柳和樟子松样地进行单木点云数据分割。其中,水曲柳样地点云数据处理采用改进的K均值聚类算法,通过树干点云位置推算初始聚类中心,减少因树冠重叠导致的错误分割;樟子松样地点云数据处理则采用基于相对间距的阈值分割算法,通过设定多条阈值规则并利用动态最大值滤波器对树顶进行精确探测,提高算法的分割精度。最后,基于样地和单木点云完整度两个方面对点云数据分割效果进行评价。【结果】1)从样地尺度来看,水曲柳和樟子松样地单木识别率分别为0.91和0.87,相应的调和值(F)分别为0.91和0.88,结果显示单木分割的整体效果较好。水曲柳样地召回率(r)为0.87,精确率(p)为0.95,算法分割过程中产生的错误分割较少。樟子松样地算法分割的单木也多为正确分割(r=0.82、p=0.94),其分割误差主要来自于单木欠分割,过分割现象相对较少。2)从单木点云分割的完整程度来看,水曲柳样地的单木平均正确分割率为75.6%,点云平均欠分割率为24.3%,平均过分割率为18.5%,单木点云的最大错误分割率为31.8%,不同单木之间分割精度有较大差异;樟子松样地的单木分割精度较稳定,平均正确分割率达84.1%,平均欠分割和过分割率分别为16.3%和9.0%,表明单木点云不存在大量错误分割的情况。【结论】基于树木形态结构特征改进了两种优化单木点云数据分割算法,两种算法下分割的森林样地单木精度在不同评价尺度中表现均较好,对林中树木出现的树冠重叠、遮挡、偏移等现象均有一定的辨别能力,实现了森林样地树木点云数据的单木精确分割。

【目的】针对传统机载激光雷达（Light Detection And Ranging, LiDAR）所生成的冠层高度模型分辨率较低，不利于高郁闭度人工针叶林中冠幅较小的树种单木分割的问题，基于大疆禅思L1激光雷达高密度点云，提出了一种基于层次化泛洪的单木分割算法。【方法】采用大疆禅思L1激光雷达设备，选择东北地区樟子松与兴安落叶松人工林作为实验样地。首先对原始的高密度激光雷达点云依次进行拼接、去噪、高程归一化处理，针对两块样地生成分辨率分别为0.1、0.2、0.4 m的高、中、低3种分辨率的冠层高度模型。对3种冠层高度模型分别进行先开后闭的形态学滤波处理，以降低冠层高度模型中单个树冠内部不同像素间高程差。然后采用反距离插值算法对3种冠层高度模型中的空洞像素进行平滑处理，并采用图像增强算法提高3种冠层高度模型中树冠内部像素与树冠间像素的对比度，以降低形态学滤波对林隙的模糊处理影响。最后利用局部最大值法分别在3种冠层高度模型中搜索树顶，基于搜索到的树顶位置，结合分层处理思想通过模拟泛洪算法实现单木分割，并基于一般树冠形态，对分割后树冠投影形状、面积进行约束，以优化分割后树冠形状。【结果】针对人工针叶林林分，提出的单木分割算法结合高分辨率冠层高度模型在两种树种样地下最高分割精度达到90%以上。其中，在冠幅较小的兴安落叶松样地中，基于高、中、低分辨率冠层高度模型的单木分割精度F值分别达到91.6%、85.9%、80.2%。而冠幅较大的樟子松样地中，基于高、中、低分辨率冠层高度模型的单木分割精度F值分别为86.2%、84.1%、75.9%。【结论】基于冠层高度模型的单木分割场景中，冠幅较大的树种对于一定范围内分辨率变化不敏感，高分辨率冠层高度模型可以提高人工针叶林单木分割精度，尤其是对于冠幅较小的树种分割精度提高较大。本研究提出的单木分割方法结合无人机高密度LiDAR点云在高郁闭度人工针叶林样地中可达到较高分割精度。

[目的]以草莓为代表的浆果果实收获方式仍然以人力为主，随着近年来农业生产人员老龄化及人工费用的激增，机器（人）全自动采摘已是必然趋势，目前的难点在于机器视觉的识别与定位，相比2D视觉，3D视觉不仅具有更丰富的语义信息，而且在空间定位上有着明显的优势。本文旨在利用3D视觉技术实现草莓的准确识别和定位，为机器人自动采摘提供技术支持。针对田间背景噪声干扰、草莓果实体积小且伴随遮挡的难点，本文采用点云滤波技术进行点云降噪，利用3D视觉技术实现了草莓与复杂背景的语义分割。[方法] 使用IntelRealsenseD435i深度相机采集了不同光照、不同季节和遮挡条件下的草莓点云数据，构建了一个包含三个类别的数据集，分别为无遮挡、低遮挡、高遮挡。首先结合多阈值统计滤波和ROI提取技术对点云数据进行预处理，过滤噪声；以PointNet++为基础模型，对点云数据直接提取特征，并在PointNet++的基础上提出了一种针对复杂背景下小尺度目标的语义分割模型SS-PointNet++，利用点云的多种特征信息作为网络的输入特征，构建采样层、分组层，并通过PointNet提取局部特征，使用最远点采样法对点云取样并最大程度的覆盖到整个点集，针对小尺度目标设计了三种不同半径的球查询(BallQuery)来获取局部特征，改进了SA层和FP 层的结构，使其能够适应低密度点云。[结果]对未经预处理的点云进行分割时，有 0.74%的概率出现离群点的误判问题，而对预处理后的单张点云图像进行语义分割的用时平均减少了 3.47 s。点云图像测试结果表明，SS-PointNet++模型的平均准确率达到了 86.95%，比优化前提升了 19.54百分点，平均交并比为 0.740。在光照充足且无遮挡的草莓上，该模型的语义分割准确率高达 95.36%，而在暗光环境下，该模型的平均准确率也能达到 81.34% 。[结论] SS-Pointnet++模型提升了小尺度目标点云的语义分割效果，对不同光照条件具有较强的鲁棒性，为基于 3D 点云的小物体和遮挡物体的分割提供了一种有效的方法；本文提出的草莓遮挡类型的划分，对后续草莓遮挡问题提供了数据分析支持，对其他基于3D点云的小尺度物体的目标检测和遮挡问题也起到借鉴作用。

为了探求计算机视觉在森林调查中的应用,该文运用计算机视觉的三维未标定的重构技术,对树木点位图的测量进行了尝试。首先运用未标定CCD相机对样地获取3张像片,根据多视图几何计算3张图像的几何关系,求算三焦点张量,进行图像匹配,然后由仿射重构的矩阵分解算法恢复树木特征点的仿射空间坐标,最后将仿射坐标点校正到度量坐标下,完成点位图测量。