本发明专利技术公开一种基于深度学习和几何校正的麦穗点云分割方法和系统，其中，麦穗点云分割方法包括：从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用单株小麦点云构建小麦样本库；从小麦样本库中选择小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云；从虚拟小麦种群点云中提取训练点云数据输入至深度神经网络，得到深度学习模型；使用深度学习模型分割真实小麦点云，得到麦穗标签；根据麦穗标签，通过空间聚类算法从真实小麦点云中提取单株麦穗；根据拉普拉斯收缩算法提取单株麦穗的麦穗主轴，进行区域增长得到完整麦穗点云。本发明专利技术的技术方案能解决现有技术中数据驱动与模型驱动方法均不适用与麦穗分割任务，麦穗学习不够稳定的问题。学习不够稳定的问题。学习不够稳定的问题。
【技术实现步骤摘要】
一种基于深度学习和几何校正的麦穗点云分割方法和系统
[0001]本专利技术涉及激光雷达
，尤其涉及一种基于深度学习和几何校正的麦穗点云分割方法和系统。
技术介绍
[0002]麦穗作为小麦的生殖器官，是光合产物汇聚的主要限制因子，在决定小麦最大产量方面起着决定性的作用，因此生物学和育种学家一直致力于培育具有理想株型特征的小麦品种，理想株型特征小麦品种的最重要特征之一是具有大而直立形态的麦穗。目前大部分的田间麦穗形态是由手动测量完成的，然而手工测量具有很强的主观性和耗时性，效率低下且大多为破坏性测量。由于缺乏适当的方法自动测量麦穗形态特征，难以减少对手动测量的依赖，导致小麦育种进程进步缓慢。
[0003]作为高通量表型的主要数据源之一，激光雷达具有丰富的几何、形状和尺度信息，能够为快速且高效的麦穗形态特征测量提供数据源。器官分割是基于点云数据获得小麦穗形态特征的前提条件，通过基于体素和均值偏移方法分割点云数据能够在田间地块中进行麦穗检测，例如，现有技术提供了Otsu算法分割麦穗点云，并使用自适应密度估计来计算成熟水稻植株密度。然而，这些传统的模型驱动的点云分割方法，使用的驱动模型均是基于手动设计的特征提取器，手动设计特征需要大量的特征设计技巧和专业领域知识。如果使用通用的自动学习过程，则能够避免上述情况，而自动学习是深度学习技术的关键优势。
[0004]深度学习技术在点云分割领域显示了巨大发展前景，但是当前DNN(Deep neuralnetwork，深度学习网络)模型应用到点云分割任务仍存在部分难点需要克服：首先，作为一种数据驱动的方法，高质量的数据集对于DNN的训练和测试具有重要影响，数据集的质量较差或数量较小可能导致模型过拟合和分类精度差的情况；然而，第一，收集和标记数据集是一项繁琐且耗费巨大的工作，因此，快速获取高质量的标记数据对于DNN训练非常重要。第二，DNN模型作为黑箱模型，总是隐式地学习点云的几何特征，但由于麦穗数据的复杂性，导致DNN的学习往往不够稳定。
技术实现思路
[0005]本专利技术提供一种基于深度学习和几何校正的麦穗点云分割方案，旨在解决现有技术提供的DNN模型，性能提升有限，且总是隐式地学习点云的几何特征，导致DNN学习不够稳定的问题。
[0006]为实现上述目的，根据本专利技术的第一方面，本专利技术提供了一种基于深度学习和几何校正的麦穗点云分割方法，包括：
[0007]从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用具有类别标记的单株小麦点云构建小麦样本库；
[0008]从小麦样本库中选择小麦样本点云，使用随机变换方式将小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云；
[0009]从虚拟小麦种群点云中提取具有类别标记的训练点云数据，输入至深度神经网络中进行训练和验证，得到训练完成的深度学习模型；
[0010]使用深度学习模型对真实小麦点云进行分割，得到麦穗标签；
[0011]根据麦穗标签，通过空间聚类算法从真实小麦点云中提取单株麦穗；根据拉普拉斯收缩算法提取单株麦穗的麦穗主轴，沿麦穗主轴进行区域增长，得到完整麦穗点云。
[0012]优选的，上述麦穗点云分割方法中，从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用具有类别标记的单株小麦点云构建小麦样本库的步骤，包括：
[0013]从群体小麦点云中裁剪出单株小麦点云；
[0014]在单株小麦点云中标记得到麦穗标记和非麦穗标记；
[0015]使用包括麦穗标记和非麦穗标记的单株小麦点云，构建小麦样本库。
[0016]优选的，上述麦穗点云分割方法中，使用随机变换方式将小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云的步骤包括：
[0017]从小麦样本库中选取具有麦穗标记的单株小麦点云，作为小麦样本点云；
[0018]在预定距离范围对小麦样本点云随机升降，并在预定角度范围内对小麦样本点云随机旋转；
[0019]将小麦样本点云种植至虚拟地块中；
[0020]在预定株距范围内调整虚拟地块的小麦株距，并在预定行距范围内调整虚拟地块的种植行距，得到虚拟小麦种群点云。
[0021]优选的，上述麦穗点云分割方法中，从虚拟小麦种群点云中提取具有类别标记的训练点云数据，输入至深度神经网络中进行训练和验证，得到训练完成的深度学习模型的步骤，包括：
[0022]使用滑动窗口采样虚拟小麦种群点云，得到具有麦穗标记和非麦穗标记的训练点云数据；
[0023]使用训练点云数据对深度神经网络进行训练，得到训练点云数据的分类标签；
[0024]使用训练点云数据中的麦穗标记和非麦穗标记对分类标签进行测试，以得到训练完成的深度学习模型。
[0025]优选的，上述麦穗点云分割方法中，根据麦穗标签，通过空间聚类算法从真实小麦点云中提取单株麦穗的步骤，包括：
[0026]根据麦穗标签，确定真实小麦点云的垂直方向；
[0027]沿真实小麦点云的垂直方向滤除麦穗以下部分，得到麦穗点云；
[0028]使用空间聚类算法，将麦穗点云划分为单株麦穗。
[0029]优选的，上述麦穗点云分割方法中，根据拉普拉斯收缩算法提取单株麦穗的麦穗主轴，沿麦穗主轴进行区域增长，得到完整麦穗点云的步骤，包括：
[0030]通过拉普拉斯收缩算法提取单株麦穗的麦穗主轴；
[0031]沿麦穗主轴搜索预定半径范围内的邻居点云；
[0032]通过区域增长算法对麦穗主轴的预定半径范围内的邻居点云进行类别校正，得到完整麦穗点云。
[0033]优选的，上述麦穗点云分割方法，在得到完整麦穗点云的步骤之后还包括：
[0034]使用主成分分析法将完整麦穗点云投影至二维平面，得到完整麦穗投影图像；
[0035]使用二次曲线拟合法测量完整麦穗投影图像中麦穗的长度和宽度；以及，
[0036]在三维空间中使用凸包计算麦穗的表面积和体积。
[0037]根据本专利技术的第二方面，本专利技术还提供了一种基于深度学习和几何校正的麦穗点云分割系统，包括：
[0038]小麦点云裁剪模块，用于从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用具有类别标记的单株小麦点云构建小麦样本库；
[0039]小麦点云种植模块，用于从小麦样本库中提取小麦样本点云，使用随机变换方式将小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云；
[0040]网络模型训练模块，用于从虚拟小麦种群点云中提取具有类别标记的训练点云数据，输入至深度神经网络中进行训练和验证，得到训练完成的深度学习模型；
[0041]小麦点云分割模块，用于使用深度学习模型对真实小麦点云数据进行分割，得到麦穗标签；
[0042]单株麦穗提取模块，用于根据麦穗标签，通过空间聚类算法从真实小麦点云中提取单株麦穗；
[0043]完整麦穗获取模块，用于根据拉普拉斯收缩算法提取单株麦穗的麦穗主轴，沿麦穗主轴进行区域增长，得到完整麦穗点本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习和几何校正的麦穗点云分割方法，其特征在于，包括：从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用具有类别标记的单株小麦点云构建小麦样本库；从所述小麦样本库中选择小麦样本点云，使用随机变换方式将所述小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云；从所述虚拟小麦种群点云中提取具有所述类别标记的训练点云数据，输入至深度神经网络中进行训练和验证，得到训练完成的深度学习模型；使用所述深度学习模型对真实小麦点云进行分割，得到麦穗标签；根据所述麦穗标签，通过空间聚类算法从所述真实小麦点云中提取单株麦穗；根据拉普拉斯收缩算法提取所述单株麦穗的麦穗主轴，沿所述麦穗主轴进行区域增长，得到完整麦穗点云。2.根据权利要求1所述的麦穗点云分割方法，其特征在于，所述从群体小麦点云中裁剪出具有类别标记的单株小麦点云，使用具有类别标记的单株小麦点云构建小麦样本库的步骤，包括：从所述群体小麦点云中裁剪出单株小麦点云；在所述单株小麦点云中标记得到麦穗标记和非麦穗标记；使用包括所述麦穗标记和非麦穗标记的所述单株小麦点云，构建所述小麦样本库。3.根据权利要求1所述的麦穗点云分割方法，其特征在于，所述使用随机变换方式将所述小麦样本点云种植至虚拟地块，得到虚拟小麦种群点云的步骤，包括：从所述小麦样本库中选取具有麦穗标记的单株小麦点云，作为所述小麦样本点云；在预定距离范围对所述小麦样本点云随机升降，并在预定角度范围内对所述小麦样本点云随机旋转；将所述小麦样本点云种植至所述虚拟地块中；在预定株距范围内调整所述虚拟地块的小麦株距，并在预定行距范围内调整所述虚拟地块的种植行距，得到所述虚拟小麦种群点云。4.根据权利要求2所述的麦穗点云分割方法，其特征在于，所述从所述虚拟小麦种群点云中提取具有所述类别标记的训练点云数据，输入至深度神经网络中进行训练和验证，得到训练完成的深度学习模型的步骤，包括：使用滑动窗口采样所述虚拟小麦种群点云，得到具有所述麦穗标记和非麦穗标记的训练点云数据；使用所述训练点云数据对所述深度神经网络进行训练，得到所述训练点云数据的分类标签；使用所述训练点云数据中的麦穗标记和非麦穗标记对所述分类标签进行验证，以得到训练完成的所述深度学习模型。5.根据权利要求1所述的麦穗点云分割方法，其特征在于，所述根据麦穗标签，通过空间聚类算法从真实小麦点云中提取单株麦穗的步骤，包括：根据所述麦穗标签，确定所述真实小麦点云的垂直方向；沿所述真实小麦点云的垂直方向滤除麦穗以下部分，得到麦穗点云；使用空间聚类算法，将所述麦穗点云划分为单株麦穗。
...
【专利技术属性】
技术研发人员：苏艳军，刘中华，庞树鑫，胡天宇，刘小强，
申请(专利权)人：中国科学院植物研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。