排序方式: 共有53条查询结果,搜索用时 0 毫秒
51.
基于骨架点的矮化密植枣树三维点云自动配准 总被引:1,自引:0,他引:1
为了实现枣园的自动化管理,针对枣树自动化选择性冬剪作业要求,需要重建出矮化密植无叶枣树枝干的三维模型。利用2台固定的Azure Kinect DK深度相机搭建获取枣树点云信息的三维重建系统平台,然后把系统平台逆时针旋转55°获取同一棵枣树的另一帧三维点云信息。为了自动完成2帧点云的配准,提出了基于骨架点的枣树点云配准方法:首先利用FPFH特征描述子计算骨架点的特征向量,并采用SAC-IA(采样一致性)算法对2个视角下的枣树骨架点云进行初始匹配;其次利用经典的ICP算法对初始位姿进行优化;最终只采用2个视角下的点云重建枣树枝干的三维模型。实验对比了在3种典型自然环境下(晴天、阴天、夜间)枣树点云的配准精度和配准时间,结果表明:晴天时对采集系统有一定的影响,使得配准后的枣树枝干有部分不完整;阴天和夜间对采集系统影响小,能够重建出完整的枣树枝干;相对于阴天和夜间,晴天时,枣树点云配准耗时最少,为0.09s,而配准误差最大,其拟合分数为0.00029;阴天时,枣树点云配准时间介于晴天和夜间之间,为0.12s,而此时配准误差最小,其拟合分数为0.00011;夜间配准误差介于晴天和阴天,且此时配准时间最长,为0.16s。 相似文献
52.
基于语义分割的矮化密植枣树修剪枝识别与骨架提取 总被引:1,自引:0,他引:1
为了实现休眠期枣树自动选择性剪枝作业,针对复杂树形结构修剪枝难以识别的问题,研究了基于语义分割网络实现自然场景中枣树修剪枝识别与骨架提取。通过RGB-D相机搭建的视觉系统获取不同天气情况下枣树的点云信息,根据距离阈值去除复杂的枣园背景,并构建枣树前景数据集。利用DeepLabV3+和PSPNet 2种深度学习模型分割枣树枝干同时获取其修剪枝的掩膜,并进行结果对比。对修剪枝掩膜进行二值化,依据二值图像的面积去除噪声,对去噪后的连通域标记,并提取修剪枝骨架,最终确定修剪枝数量,建立修剪枝数量真实值与预测值之间的线性回归模型。结果表明:基于ResNet-50特征提取网络的DeepLabV3+模型识别结果最好,平均像素准确率(mPA)、平均交并比(mIoU)分别为89%和81.85%,其中枣树主干、修剪枝2个类别的像素准确率(PA)和交并比(IoU)分别为90.36%、80.98%和80.34%、66.69%;在3种典型天气(晴天、阴天、夜间)情况下,晴天枣树枝干的mPA(91.97%)略高于阴天(91.81%)和夜间(90.98%),同时,预测的修剪枝与真实值的R2(0.8699)也高于阴天(0.8373)和夜间(0.8120),并得到最小的RMSE为1.1618。 相似文献
53.