【技术实现步骤摘要】
本专利技术涉及株高计算，尤其是涉及一种基于点云和图像的株高测量方法、系统、设备及介质。
技术介绍
1、目前，一些基于激光雷达航拍的水稻株高测定方法设计的网络模型计算量较大，首先基于激光雷达数据和可见光数据共同重构点云数据的神经网络算法模型较为复杂，导致计算量比较大。其次，一些基于激光雷达航拍的水稻株高测定方法对激光雷达重构得到点云数据耗时时间过长，通过飞行器搭载激光雷达设备进行航拍采集来生成点云数据的方法，由于航拍数据量大，导致待处理的点云数量较多，从而需要较长的运行时间。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于点云和图像的株高测量方法、系统、设备及介质，能够通过稀疏重建网络，使模型参数大大降低，对网络模型进行轻量级优化，并且提高重建点云数据的效率。
2、第一方面，本专利技术的实施例提供了一种基于点云和图像的株高测量方法，包括：
3、获取植株的激光雷达数据和图像数据；
4、将所述激光雷达数据输入第一编码器得到激光雷达特征，并将所述图像数据输入第二编码器得到图像特征；
5、构建对应所述第一编码器的第一特征稀疏分支和对应所述第二编码器的第二特征稀疏分支；
6、将所述激光雷达特征输入所述第一特征稀疏分支得到第一稀疏重构特征，并将所述图像特征输入所述第二特征稀疏分支得到第二稀疏重构特征；
7、将所述第一稀疏重构特征和第二稀疏重构特征进行融合学习，得到融合特征；
8、将所述融合特征输入解码器，得到所述解码器输出的点云数据；
9、将所述点云数据进行距离转换和滤波处理，计算得到植株高度。
10、根据本专利技术实施例的方法，至少具有如下有益效果：
11、本方法首先将激光雷达数据输入第一编码器得到激光雷达特征，并将图像数据输入第二编码器得到图像特征，能够同时获取激光雷达特征和图像特征两者的株高信息，实现信息互补的数据基础；其次将激光雷达特征输入第一特征稀疏分支得到第一稀疏重构特征，并将图像特征输入第二特征稀疏分支得到第二稀疏重构特征，能够通过稀疏重构减轻两个分支的模型参数，降低神经网络的复杂度；然后将第一稀疏重构特征和第二稀疏重构特征进行融合学习，得到融合特征，通过融合特征能够兼顾图像特征信息和激光雷达特征信息，使得后续更加精确地重构得到点云数据；再然后将融合特征输入解码器，得到解码器输出的点云数据，能够减小点云数据重构消耗的时间，提高重构效率；最后点云数据进行距离转换和滤波处理，计算得到植株高度，实现更加精确的植株高度测量。
12、根据本专利技术的一些实施例，所述将所述激光雷达特征输入所述第一特征稀疏分支得到第一稀疏重构特征，包括：
13、构建所述第一编码器和所述解码器之间的第一转置参数和第一稀疏地图；
14、将所述激光雷达特征输入所述第一特征稀疏分支，更新所述第一转置参数并通过所述第一稀疏地图限制所述第一特征稀疏分支的输出，得到所述第一稀疏重构特征。
15、根据本专利技术的一些实施例，所述将所述图像数据输入所述第二特征稀疏分支得到第二稀疏重构特征，包括：
16、构建所述第二编码器和所述解码器之间的第二转置参数和第二稀疏地图；
17、将所述图像特征输入所述第二特征稀疏分支，更新所述第二转置参数并通过所述第二稀疏地图限制所述第二特征稀疏分支的输出，得到所述第二稀疏重构特征。
18、根据本专利技术的一些实施例，得到所述第一稀疏重构特征或所述第二稀疏重构特征的计算公式包括：
19、
20、其中，zsparse_reconstructio表示稀疏重建后的特征矩阵，p表示第一特征稀疏分支或第二特征稀疏分支中的稀疏重构网络的解码部分，ui和uj表示输入第一特征稀疏分支或第二特征稀疏分支并通过稀疏重构网络的编码部分得到的中间特征，i和j分别表示两个不同的随机数据，和tiu分别表示两个不同的输入特征，pt表示稀疏重构网络中的编码部分，ii表示单位矩阵，k()表示计算相关性的函数。
21、根据本专利技术的一些实施例，所述第一稀疏地图或者所述第二稀疏地图的稀疏限制计算公式包括：
22、
23、其中，u表示稀疏地图，g()表示门函数，α、β和γ均表示超参数，i表示原始图像特征，表示zsparse_reconstructio对和tiu求偏导，表示ui对和tiu求偏导。
24、根据本专利技术的一些实施例，所述将所述点云数据进行距离转换和滤波处理，计算得到所述植株高度，包括：
25、获取所述激光雷达数据中射出激光和接收激光的时间差值；
26、根据所述时间差值计算物体和光源之间的距离；
27、获取先验知识数据，通过所述先验知识数据滤除所述点云数据中的偏差数据得到点云滤波数据；
28、通过所述距离计算所述点云滤波数据对应的所述植株高度。
29、根据本专利技术的一些实施例，在所述将所述点云数据进行距离转换和滤波处理，计算得到所述植株高度之后，所述基于点云和图像的株高测量方法还包括：
30、将所述植株高度根据预设的小田区域进行平均计算，得到所述小田区域对应的平均植株高度；
31、将所述平均植株高度根据时序构建株高时序折线，得到株高生长趋势折线图。
32、第二方面，本专利技术的实施例提供了一种基于点云和图像的株高测量系统，包括：
33、数据获取模块，用于获取植株的激光雷达数据和图像数据；
34、编码器模块，用于将所述激光雷达数据输入第一编码器得到激光雷达特征，并将所述图像数据输入第二编码器得到图像特征；
35、稀疏构建模块，用于构建对应所述第一编码器的第一特征稀疏分支和对应所述第二编码器的第二特征稀疏分支；
36、稀疏重构模块，用于将所述激光雷达特征输入所述第一特征稀疏分支得到第一稀疏重构特征，并将所述图像特征输入所述第二特征稀疏分支得到第二稀疏重构特征；
37、特征融合模块，用于将所述第一稀疏重构特征和第二稀疏重构特征进行融合学习，得到融合特征；
38、解码器模块，用于将所述融合特征输入解码器，得到所述解码器输出的点云数据；
39、植株高度计算模块，用于将所述点云数据进行距离转换和滤波处理，计算得到所述植株高度。
40、第三方面，本专利技术的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于点云和图像的株高测量方法。
41、第四方面，本专利技术的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于点云和图像的株高测量本文档来自技高网...
【技术保护点】
1.一种基于点云和图像的株高测量方法，其特征在于，所述基于点云和图像的株高测量方法包括：
2.根据权利要求1所述的基于点云和图像的株高测量方法，其特征在于，所述将所述激光雷达特征输入所述第一特征稀疏分支得到第一稀疏重构特征，包括：
3.根据权利要求2所述的基于点云和图像的株高测量方法，其特征在于，所述将所述图像数据输入所述第二特征稀疏分支得到第二稀疏重构特征，包括：
4.根据权利要求3所述的基于点云和图像的株高测量方法，其特征在于，得到所述第一稀疏重构特征或所述第二稀疏重构特征的计算公式包括：
5.根据权利要求3所述的基于点云和图像的株高测量方法，其特征在于，所述第一稀疏地图或者所述第二稀疏地图的稀疏限制计算公式包括：
6.根据权利要求1所述的基于点云和图像的株高测量方法，其特征在于，所述将所述点云数据进行距离转换和滤波处理，计算得到植株高度，包括：
7.根据权利要求1所述的基于点云和图像的株高测量方法，其特征在于，在所述将所述点云数据进行距离转换和滤波处理，计算得到所述植株高度之后，所述基于点云和图像的株高
8.一种基于点云和图像的株高测量系统，其特征在于，所述基于点云和图像的株高测量系统包括：
9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于点云和图像的株高测量方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于点云和图像的株高测量方法。
...【技术特征摘要】
1.一种基于点云和图像的株高测量方法，其特征在于，所述基于点云和图像的株高测量方法包括：
2.根据权利要求1所述的基于点云和图像的株高测量方法，其特征在于，所述将所述激光雷达特征输入所述第一特征稀疏分支得到第一稀疏重构特征，包括：
3.根据权利要求2所述的基于点云和图像的株高测量方法，其特征在于，所述将所述图像数据输入所述第二特征稀疏分支得到第二稀疏重构特征，包括：
4.根据权利要求3所述的基于点云和图像的株高测量方法，其特征在于，得到所述第一稀疏重构特征或所述第二稀疏重构特征的计算公式包括：
5.根据权利要求3所述的基于点云和图像的株高测量方法，其特征在于，所述第一稀疏地图或者所述第二稀疏地图的稀疏限制计算公式包括：
6.根据权利要求1所述的基于点云和图像的株高测量方法，其特征在于，所述将所述点云数据进行距离转换和滤波处理，计算得到...
【专利技术属性】
技术研发人员：刘一鸣，田冰川，余沛毅，贾高峰，
申请(专利权)人：华智生物技术有限公司，
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。