3D LiDAR sensing method and experiment of plant row information extraction
-
摘要:目的
针对林间或冠层下等卫星信号严重遮挡的区域，提出一种面向农业机器人导航环境感知的低成本3D激光雷达(LiDAR)点云信息处理与植物行估计方法。
方法利用直通滤波器滤除感兴趣区域外的目标无关点；提出均值漂移聚类、扫描区域自适应的方法分割每棵植物主干，垂直投影主干点云估算中心点；利用最小二乘法拟合主干中心，估计植物行。分别在开阔地的仿真果园与水杉树林进行模拟试验与田间试验，以植物行向量与正东方夹角为指标，计算本研究提出的方法识别的植物行信息与GNSS卫星天线定位测得的植物行真值间的角度误差。
结果采用提出的3D LiDAR点云信息处理与植物行估计方法，模拟试验和田间试验对植物行识别误差平均值分别为0.79°和1.48°，最小值分别为0.12°和0.88°，最大值分别为1.49°和2.33°。
结论车载3D LiDAR能够有效估计水杉树植物行。该研究丰富了作物识别思路与方法，为无卫星信号覆盖区域的农业机器人无图导航提供了理论依据。
Abstract:ObjectiveA low-cost 3D light detecting and ranging (LiDAR) point cloud information processing and plant row estimation method for environment perception in agricultural robot navigation is proposed for the areas where the satellite signal is seriously occluded in the forest or under the canopy.
MethodFirst, the pass through filter was used to filter out the target irrelevant points outside the area of interest. Secondly, the methods of mean shift clustering and scanning area adaptation were proposed to segment the trunk of each plant, and the vertical projection of the trunk point cloud was used to estimate the center point. Finally, the plant rows were estimated by determing the trunk centers with the least square fitting method. The simulation experiment and field experiment were carried out in the simulated orchard and metasequoia forest in the open field. The angle between the plant row vector and the due east was used as the index. The angle error between the plant row information identified by the proposed method and the true value of the plant row measured by GNSS satellite antenna positioning was calculated.
ResultUsing the proposed method of 3D LiDAR point cloud information processing and plant row estimation, the average errors of plant row identification in simulation experiment and field experiment were 0.79° and 1.48°, the minimum errors were 0.12° and 0.88°, and the maximum errors were 1.49° and 2.33°, respectively.
ConclusionThe vehicle-mounted 3D LiDAR can effectively estimate the plant rows of metasequoia. This research enriches the ideas and methods of crop identification, and provides a theoretical basis for the map-free navigation of agricultural robots in areas without satellite signal coverage.
-
狂犬病是一种重大的人畜共患病，它是由弹状病毒科Rhabdoviridae狂犬病病毒属Lyssavirus的狂犬病病毒(Rabies virus，RABV)引起。RABV基因组编码5种结构蛋白质，分别是核蛋白(N蛋白)、磷蛋白(P蛋白)、基质蛋白(M蛋白)、跨膜糖蛋白(G蛋白)和病毒聚合酶蛋白(L蛋白)。病毒基因组RNA与核蛋白、磷蛋白和聚合酶蛋白缠绕组成核糖核蛋白(RNP)，成为RABV的复制单位[1-2]。M蛋白在病毒装配和出芽过程中发挥重要作用，其在G蛋白的辅助作用下介导病毒粒子和细胞的分离，从而顺利出芽[3-4]。G蛋白是唯一刺激机体产生中和抗体的表面抗原，同时也能诱导T细胞，刺激机体产生细胞免疫，不仅能在中枢神经系统(CNS)中清除病毒，也能诱导神经细胞发生凋亡[5-7]。研究表明，RABV感染后发生的细胞凋亡主要由G蛋白引起，且病毒的毒力越弱诱导的凋亡越严重[8-10]。
前期的研究发现，携带双G基因的重组RABV Hep-dG感染神经母细胞瘤(Neuroblastoma, NA)细胞后病毒滴度明显低于亲代毒株rHep-Flury[11]，而在BHK-21细胞中没有相同现象[8]。蛋白质组研究发现，Hep-dG感染NA细胞后诱发干扰素通路上游和下游蛋白的大量上调，生物信息学预测结合Western-blot和荧光定量PCR证明干扰素通路仅在Hep-dG感染组强烈激活，表明RABV弱毒病毒G蛋白的过表达与干扰素的诱导呈高度的正相关[11]，由于BHK-21是RIG-I介导IFN通路的缺陷型细胞[12]，推测2株重组RABV在BHK-21细胞和NA细胞中的病毒滴度可能与干扰素通路的激活有关。在此基础之上，本研究进一步研究重组RABV感染NA细胞诱导产生干扰素的原因，以揭示G蛋白与干扰素诱导之间的内在关系；并通过抗体阻断试验，证明干扰素诱导在RABV复制中的作用。
1. 材料与方法
1.1 材料
1.1.1 细胞和病毒
鼠NA细胞，购自武汉生物制品研究所，在含体积分数为10%胎牛血清的RPMI 1640中培养；亲代RABV rHep-Flury和携带双G基因的重组RABV Hep-dG[8]，保存于华南农业大学兽医微生物实验室。
1.1.2 质粒
pH-G(含有狂犬病病毒Hep-Flury株的G基因)，由日本国立传染病研究所Dr. Morimoto教授惠赠。pH-M和pH-GFP，均由华南农业大学兽医微生物实验室罗永文博士在pcDNA3.2插入了Hep-Flury的M基因和GFP基因而构建。
1.1.3 主要试剂
STAT1、p-STAT1和β-actin单克隆抗体，HRP标记的山羊抗鼠IgG、HRP标记的山羊抗兔IgG和绿色荧光Dylight 488标记的山羊抗鼠IgG，均为美国Bioworld公司产品。小鼠抗IFN-β中和抗体和正常鼠源IgG阴性对照，购自美国R&D公司。Clontech Xfect质粒转染试剂购自日本TaKaRa公司。荧光定量PCR试剂盒(THUNDERBIRD SYBR qPCR Mix)购自日本东洋纺公司。抗RABV G蛋白和M蛋白单克隆抗体由华南农业大学兽医微生物实验室制备。
1.2 方法
1.2.1 荧光定量PCR检测IFN-β mRNA的表达
将rHep-Flury和Hep-dG以相同的感染复数(MOI=0.01)感染6孔板中的NA细胞，同时设未接毒的细胞为空白对照。在接毒后12、24、36和48 h，用1 mL 4 ℃预冷的PBS(pH7.4，0.01 mol·L–1)洗涤细胞1次，再加入1 mL Trizol，抽提RNA，定量检测不同时间IFN-β mRNA的表达。
1.2.2 Western-blot检测STAT1和p-STAT1的表达
将rHep-Flury和Hep-dG以相同的感染复数(MOI=0.01)感染6孔板中的NA细胞，同时设未接毒的细胞作为空白对照。在接毒后24和48 h，分别提取细胞蛋白，进行STAT1和p-STAT1的蛋白定量和Western-blot检测。
1.2.3 重组病毒吸附细胞能力的检测
将rHep-Flury和Hep-dG分别以MOI为0.01、0.10和1.00接种6孔板中的NA细胞，同时设未接毒的细胞作为空白对照。细胞在4 ℃冰箱内放置2 h后，PBS洗去未结合的病毒粒子，然后提取细胞RNA，以特异引物vRNA-F和vRNA-R(表1)进行荧光定量PCR(同时以GAPDH-F和GAPDH-R为参照)检测细胞表面病毒的基因组vRNA，由此可检测不同重组RABV的吸附能力[13]。
表 1 荧光定量PCR检测引物Table 1. Primers used for fluorescence quantitative PCR detection被检基因 引物序列 引物名称 产物长度/bp Leader RNA Leader-F 5'-CCAGATGCTTGGCGTCCT-3' 67 Leader-R 5'-ACGCTTAACAACAAAACC-3' vRNA vRNA-F 5'-GGAAAAGGGACATTTGAAAGAA-3' 130 vRNA-R 5'-AGTCCTCGTCATCGGAGTTGAC-3' RIG-I RIGI-F 5'-GCAAGTGCTTCCTCCTGACC-3' 142 RIGI-R 5'-ATGCGGTGAACCGTCTTTCC-3' GAPDH GAPDH-F 5'-AGAGTGTTTCCTCGTCCCGT-3' 199 GAPDH-R 5'-CTGTGCCGTTGAATTTGCCG-3' 1.2.4 重组病毒入侵细胞能力的检测
将rHep-Flury和Hep-dG分别以MOI为0.01、0.10和1.00接种6孔板中的NA细胞，同时设未接毒的细胞为空白对照。细胞在4 ℃冰箱内放置2 h后，PBS洗去未结合的病毒粒子，继续在37 ℃细胞培养箱放置2 h。用质量分数为0.25%不含EDTA的胰酶处理病毒吸附的细胞膜，去掉细胞膜表面RABV，然后提取细胞RNA，用荧光定量PCR检测内部残余的病毒基因组vRNA，即为入侵细胞的病毒量。
1.2.5 重组病毒Leader RNA、vRNA和RIG-I转录水平的检测
将rHep-Flury和Hep-dG以MOI=0.01接种12孔板中的NA细胞，同时设未接毒的NA细胞作为空白对照。分别在感染后12、24、36和48 h取出细胞，弃培养液。用PBS洗涤细胞1次，每孔加入500 μL Trizol裂解液，抽提样品RNA。以5'-CCAGATGCTTGGCGTCCTCTTTGCAACTGACGATGT-3'和5'-GGAAAAGGGACATTTGAAAGAA-3'为反转录引物，分别合成RABV Leader RNA和vRNA的cDNA。RIG-I的反转录不需要特异性的反转引物，使用ReverTra Ace® qPCR RT Master Mix with gDNA Remover逆转录反应试剂盒进行反转录。以表1的特异引物将获得的cDNA进行荧光定量PCR检测，同时GAPDH作为内参引物。
1.2.6 重组病毒Leader RNA的二级结构分析
通过RNA fold Web SeVer在线软件分析2株重组RABV Leader RNA的二级结构。
1.2.7 pH-G与pH-M质粒在NA细胞上的表达
将5 μg质粒DNA用转染缓冲液稀释至最终体积为100 μL，添加1.5 μL Xfect Polymer，在涡旋混匀器中混匀10 s。室温孵育10 min后，加入到细胞汇合度为50%~70%、37 ℃培养了12~16 h的NA细胞中。37 ℃继续培养4 h后，更换培养液后，放入37 ℃细胞培养箱，分别在24、48和72 h后取出，加入抗G和M蛋白抗体，进行间接免疫荧光检测。
1.2.8 IFN-β的转录水平和抗体阻断试验
将pH-G与pH-M质粒DNA按上述方法转染NA细胞，在合适的时间点取出，提取RNA，荧光定量PCR检测真核表达G、M蛋白后IFN-β的转录水平。
将NA细胞铺于6孔板中，37 ℃培养12~16 h。待细胞汇合度为80%，弃培养液，在各孔中加入2 mL无血清的DMEM和Anti-IFN-β(10 mg·L–1)，预处理细胞1 h。将rHep-Flury和Hep-dG以MOI=0.01接种NA细胞，在37 ℃吸附1 h，同时设未接毒的NA细胞作为空白对照。更换含有Anti-IFN-β的新鲜培养基。在接毒后48 h，收集上清液，检测RABV的病毒滴度。同时，提取细胞RNA，用荧光定量PCR检测IFN-β的阻断情况[14]。
2. 结果与分析
2.1 重组病毒感染NA细胞对IFN-β通路的影响
为了确定重组RABV感染对NA细胞产生IFN-β的影响，在接毒后12、24、36和48 h，通过荧光定量PCR分别对rHep-Flury和Hep-dG感染细胞和空白对照细胞IFN-β的转录水平进行了分析，结果如图1a所示。在较低的感染复数(MOI=0.01)下，Hep-dG感染后24 h即可显著促进IFN-β基因的表达，36 h达到最高水平(P<0.001)。同时，Hep-dG感染24和48 h均可激活STAT1的磷酸化，Hep-dG感染组的STAT1的表达水平较亲代毒株rHep-Flury明显提高(图1b)。由此说明，在NA细胞中，Hep-dG感染能显著上调IFN-β mRNA的表达和激活干扰素下游因子STAT1。
![]()
图 1 Hep-dG感染NA细胞激活IFN-β信号通路a: Hep-dG感染增强IFN-β基因的表达水平，图中“*”、“**”和“***”分别表示直线两端所对应的样本差异达0.05、0.01和0.001的显著水平(t检验)；b:Hep-dG感染刺激STAT1的表达和激活，1：空白对照，2：rHep-Flury，3：Hep-dGFigure 1. Hep-dG infection activated the IFN-β signaling pathway in NA cells2.2 重组病毒对NA细胞的吸附能力和入侵能力分析
为了比较G蛋白过表达的Hep-dG株与亲代毒株rHep-Flury对NA细胞的吸附能力，我们模拟了病毒吸附NA细胞的过程，并用荧光定量PCR检测了细胞表面病毒。结果(图2a)表明，Hep-dG在不同感染复数下对NA细胞的吸附能力均高于rHep-Flury。在很低的感染复数(MOI=0.01)下，Hep-dG对NA细胞的吸附能力也明显高于rHep-Flury(P<0.01)。为了比较G蛋白过表达的Hep-dG与rHep-Flury对NA细胞的入侵能力，我们模拟了病毒进入NA细胞的过程，并用荧光定量PCR检测了入侵细胞的病毒量。结果(图2b)表明，在较高感染复数(MOI=1.00)下，Hep-dG进入NA细胞的能力显著高于rHep-Flury(P<0.01)；而在很低的感染复数(MOI=0.01)下，Hep-dG进入NA细胞的能力与rHep-Flury无显著性差异。表明在较高的感染复数下，G蛋白的过表达显著提高了RABV对神经细胞的吸附与入侵能力。
![]()
图 2 狂犬病病毒吸附和入侵NA细胞的分析a：细胞表面吸附狂犬病病毒的分析；b：狂犬病病毒入侵NA细胞的分析，各图中“*”和“**”分别表示直线两端所对应的样本差异达0.05和0.01的显著水平(t检验)Figure 2. Analyses of RABVs adsorbing and invading NA cells under different infection multiplicities2.3 重组病毒Leader RNA和vRNA与RIG-I基因的关系
为了研究重组RABV在细胞内Leader RNA的表达差异，将Hep-dG与rHep-Flury以相同的感染复数(MOI=0.01)感染NA细胞，利用荧光定量PCR检测了不同时间点细胞内Leader RNA的含量，同时检测了病毒基因组vRNA和RIG-I基因的转录水平，结果见图3。图3a显示，在感染后的不同时间点，Hep-dG Leader RNA在NA细胞中的含量明显高于亲代毒株rHep-Flury，其趋势与IFN-β基因的表达(图1a)一致。Hep-dG Leader RNA的表达量在接毒后36 h达到最高水平，48 h有所下降，但仍然显著高于亲代毒株rHep-Flury(P<0.01)。在感染36 h前，细胞内Leader RNA与病毒基因组vRNA的含量趋势一致；在感染36 h后，Leader RNA的表达水平开始下降，而NA细胞内vRNA的含量继续升高(图3b)。同时，RABV感染后，细胞内RIG-I基因的变化趋势与Leader RNA一致；在接毒后36和48 h，Hep-dG感染的NA细胞中RIG-I基因的表达量显著高于亲代毒株rHep-Flury(图3c, P<0.001)。表明Hep-dG感染NA细胞后，病毒的Leader RNA和vRNA升高，诱导RIG-I mRNA增多，导致了IFN-β mRNA增多。
![]()
图 3 狂犬病病毒感染对Leader RNA、vRNA和RIG-I基因表达的影响a：Leader RNA的表达，b：vRNA的表达，c：RIG-I基因的表达；各图中“**”和“***”分别表示直线两端所对应的样本差异达0.01和0.001的显著水平(t检验)Figure 3. Effects of rabies virus infections on expressions of Leader RNA，vRNA and RIG-Igene2.4 重组病毒Leader RNA的二级结构预测
基于自由能最小的预测算法，通过在线软件RNAfold Web Sever分析重组病毒Leader RNA的二级结构。箭头所示为RNA的5＇端，颜色越偏向红色，代表对应处碱基处于配对的概率越大；颜色越偏向紫色，代表对应处碱基处于配对的概率越小，结果如图4所示。由图4可见，rHep-Flury与Hep-dG具有完全相同的Leader RNA序列和二级结构，其最小自由能为–13.02 kJ·mol-1。说明2株RABV毒株的Leader RNA在结构上没有差异，IFN-β表达量的增加是由于Leader RNA的转录水平提高而引起。
![]()
图 4 基于最小自由能的狂犬病病毒rHep-Flury和Hep-dG Leader RNA的二级结构Figure 4. The secondary structure of rabies viruses rHep-Flury and Hep-dG Leader RNA based on the minimum free energy2.5 G、M蛋白真核表达对NA细胞中IFN-β转录的影响
为了研究G蛋白和M蛋白本身的过表达对IFN-β转录的影响，首先摸索pH-G和pH-M质粒转染细胞后表达的最佳时间点。分别将5.0 μg的pH-G和pH-M重组表达质粒转染NA细胞，转染相同质量的pH-GFP质粒作为阳性对照，设空白细胞作为阴性对照。结果显示，在转染后24、48和72 h，pH-G、pH-M和pH-GFP质粒在NA细胞上均有效表达，48 h的荧光强度最大(图5a)。依据试验摸索的最佳时间，将pH-G和pH-M质粒以5.0和2.5 μg分别转染NA细胞，设空白细胞为阴性对照、空载体转染的细胞为阳性对照，在转染后48 h，提取细胞RNA，用荧光定量PCR检测IFN-β的转录水平。结果显示，与空白细胞比较，5 μg的pH-G质粒转染能刺激IFN-β的转录(P<0.05)；而转染pH-M质粒均不能刺激IFN-β的转录(图5b)。说明G蛋白真核表达能在一定程度上刺激IFN-β的转录，这种刺激不依赖于RIG-I的识别，可能对Hep-dG激活干扰素通路起到一定的作用。
![]()
图 5 G蛋白的真核表达对NA细胞中IFN-β转录的影响a：pH-G、pH-M和pH-GFP的荧光表达；b：IFN-β基因的表达，CK：阴性对照，1：5.0 μg的pH-G，2：2.5 μg的pH-G，3：5.0 μg的pH-M，4：2.5 μg的pH-M，5：阳性对照，图中“*”表示直线两端所对应的样本达0.05的显著水平(t检验)Figure 5. Effect of G protein eukaryotic expression on IFN-β transcription in NA cell2.6 阻断IFN-β对重组狂犬病病毒复制的影响
为了明确IFN-β对重组狂犬病毒复制的影响，我们用IFN-β特异性中和抗体(质量浓度为10 mg·L–1)处理NA细胞以阻断IFN信号通路，同时将正常鼠源IgG阴性血清处理的细胞和不做处理的细胞作为对照。结果(图6a)显示，IFN-β特异性中和抗体能阻断大部分β干扰素的转录。在阻断抗体处理后，rHep-Flury与Hep-dG感染的NA细胞中IFN-β基因的表达均显著下调，其中rHep-Flury阻断组比正常感染组下调了1.8倍(P<0.05)，而Hep-dG阻断组比正常感染组下调了3.2倍(P<0.01)。在接毒后48 h，收集细胞上清液，检测抗体处理组和未处理组2株RABV的病毒滴度。结果(图6b)表明，IFN-β抗体处理对NA细胞培养上清液中rHep-Flury的子代病毒并无显著性影响，而Hep-dG的病毒滴度显著上调(P<0.01)，约为阻断前的7.9倍。阻断后，Hep-dG的病毒滴度与亲代毒株rHep-Flury没有显著性差异。正常鼠源IgG阴性血清处理对2个感染组的病毒滴度均没有显著影响。说明NA细胞中IFN通路的激活可能是Hep-dG滴度下降的主要原因之一。
![]()
图 6 阻断IFN-β通路对狂犬病病毒复制的影响a.抗体阻断IFN-β的表达，CK：空白对照，1：rHep-Flury，2：Hep-dG，3：rHep-Flury+IgG，4：Hep-dG+IgG，5：rHep-Flury+Anti，6：Hep-dG+Anti，图中“*”和“**”分别表示直线两端所对应的样本达0.05和0.01的显著水平(t检验)；b.病毒滴度的检测，1：rHep-Flury，2：Hep-dG，3：rHep-Flury+IgG，4：Hep-dG+IgG，5：rHep-Flury+Anti，6：Hep-dG+AntiFigure 6. Effect of blocking IFN-β pathway on rabies virus replication3. 讨论与结论
本实验室前期的研究发现携带双G基因的重组狂犬病病毒(RABV)Hep-dG感染NA细胞后滴度明显低于亲代毒株rHep-Flury，而在BHK-21细胞中没有相同现象。前期的蛋白质组研究表明，RABV弱毒病毒G蛋白的过表达与干扰素的诱导呈高度的正相关[11]。本研究检测了不同时间点IFN-β mRNA的表达和干扰素下游因子STAT1的表达和磷酸化水平，结果发现，Hep-dG在感染NA细胞后，能显著上调IFN-β基因的表达，并激活下游因子STAT1的表达和磷酸化。由于BHK-21是RIG-I介导IFN通路的缺陷型细胞[12]，推测2株重组RABV在BHK-21细胞和NA细胞中的病毒滴度差异可能与干扰素通路的激活有关。
RABV感染细胞后，为了逃逸干扰素的作用，通常会采取2种策略：一是通过聚合酶“加帽”[15]，或在入侵细胞后基因组RNA始终被N蛋白缠绕，致使病毒核酸无法释放，从而逃逸PRRs的识别和结合[16-17]；二是通过病毒P蛋白抑制IRF-3的磷酸化，拮抗干扰素的产生[18-20]，或阻止STAT1的入核，从而抑制干扰素刺激基因的表达[21-22]。然而，RABV转录第一步生成的Leader RNA为5＇端三磷酸化、不加帽、不加尾的58 nt单链RNA，能被RIG-I特异性识别并诱导IFN-β的释放[23-25]。Yang等[13]证明，抑制G蛋白表达量可降低RABV的入侵能力，因其减少了RABV Leader RNA的复制量，从而避免了DCs的激活而逃逸了宿主的免疫识别。本研究检测了不同感染复数(MOI)下RABV的吸附和入侵能力，结果发现，当MOI为0.10和1.00时，Hep-dG对NA细胞的吸附能力和入侵能力均明显高于亲代毒株rHep-Flury，说明G蛋白的过表达显著提高了RABV对神经细胞的吸附和穿入能力。然而，与Yang等[13]的推测不同，当MOI为0.01时，Hep-dG进入NA细胞的能力与亲代毒株rHep-Flury无显著性差异，Leader RNA表达量却显著高于rHep-Flury，说明G蛋白的过表达通过其他机制促进了RABV Leader RNA的复制量。此外，检测病毒基因组vRNA和RIG-I基因的表达水平发现，在感染36 h前，细胞内Leader RNA与病毒基因组vRNA的含量趋势一致；在感染36 h后，NA细胞内vRNA的含量继续升高，而Leader RNA的表达水平开始下降。在接毒后36和48 h，Hep-dG感染的NA细胞中RIG-I mRNA的含量显著高于亲代毒株rHep-Flury。细胞内RIG-I的变化趋势与Leader RNA一致，且都与IFN-β mRNA的表达高度一致。由于，rHep-Flury与Hep-dG具有完全相同的Leader RNA序列和二级结构，说明过表达G蛋白通过促进RABV Leader RNA的转录水平，从而激活了RIG-I介导的I型干扰素的激活。
Yang等[11]前期研究发现，G蛋白的过表达也促进了M蛋白的表达。为了证明病毒蛋白本身过表达对干扰素通路的影响，本研究将pH-G和pH-M质粒以5.0和2.5 μg分别转染6孔板NA细胞。结果发现，5 μg的pH-G质粒转染能刺激IFN-β的转录，而5.0和2.5 μg的pH-M质粒均不能刺激IFN-β的转录。说明G蛋白的真核表达在一定程度上也刺激了IFN-β的转录，可能对Hep-dG激活干扰素通路起到一定的作用，而具体作用的机制需要进一步研究。IFN-β特异性抗体处理NA细胞后，rHep-Flury的繁殖无显著影响，而Hep-dG的病毒滴度显著上升，且滴度与亲代毒株rHep-Flury无显著差异。说明NA细胞中干扰素通路的激活是Hep-dG滴度下降的主要原因之一。
RABV G蛋白的过表达通过促进RABV Leader RNA的转录，激活了RIG-I介导的IFN-β通路，进而抑制了Hep-dG在NA细胞的繁殖。此外，G蛋白本身的过表达也对干扰素通路起到一定的作用。本研究初步揭示了G蛋白激活先天性免疫应答的原因和作用，为RABV致病机制的研究奠定了基础。
-
![]()
图 2 导航坐标系与 IMU 坐标系相对位置
Li为LiDAR测得天线中心点的极径；E、F、G为导航坐标系下GNSS天线位置；E'、F'、G'为IMU坐标系下GNSS天线位置；ONXNYNZN为导航坐标系；OIXIYIZI为IMU坐标系
Figure 2. Relative position of navigation coordinate system and IMU coordinate system
Li is the polar diameter of the center point of the antenna measured by LiDAR; E，F and G are GNSS antenna positions in the navigation coordinate system; E'，F' and G' are GNSS antenna positions in the IMU coordinate system; ONXNYNZN is the navigation coordinate system; OIXIYIZI is the IMU coordinate system
![]()
图 5 高度自适应点云分割
h为切片高度；xmin、xmax分别为每层切片点云中点云在X轴方向的最大值和最小值
Figure 5. Highly adaptive point cloud segmentation
h is the slice height; xmin and xmax are the minimum and maximum values of the point cloud in the X-axis direction in point cloud of each slice layer
![]()
图 6 搭建仿真果园进行模拟试验验证提取的植物行精度
Figure 6. Build a simulation orchard for simulation experiments to verify the accuracy of extracted plant rows
![]()
图 8 第3组试验中模拟植物在全局坐标系下的坐标并通过最小二乘法提取植物行
Figure 8. The coordinates of plants in the global coordinate system are simulated and the plant rows are extracted by least square method in the third experiment
![]()
图 9 机器人在水杉树林进行田间试验
Figure 9. Robots conducting field experiments in metasequoia forests
表 1 模拟植物坐标GNSS测量值1)
Table 1 GNSS measurements of simulated plant coordinates
试验
Test左侧植物行 Left plant row 右侧植物行 Right plant row (x1, y1) (x2, y2) (x3, y3) (x4, y4) (x5, y5) (x6, y6) (x7, y7) (x7, y7) 1 (3.528, −5.666) (4.145, −5.682) (4.797, −5.633) (5.494, −5.756) (5.424, −6.895) (4.827, −6.915) (4.054, −6.989) (3.602, −6.997) 2 (2.091, 3.605) (2.683, 3.522) (3.312, 3.627) (3.960, 3.445) (2.062, 2.158) (2.753, 2.187) (3.253, 2.007) (3.822, 2.201) 3 (2.126, 3.914) (2.803, 3.738) (3.447, 3.899) (4.112, 3.837) (2.258, 2.562) (2.844, 2.444) (3.532, 2.639) (4.174, 2.553) 1)(xi, yi)为GNSS测量得到的每株模拟植物的坐标
1)(xi, yi) is the coordinate of each simulated plant obtained by GNSS measurement
下载: 导出CSV
表 2 模拟试验中基于植物行与正东方的夹角判断LiDAR识别植物行精度
Table 2 Aaccuracy evaluation of LiDAR recognition of plant rows based on the angle between the plant rows and due east in simulation experiment
植物行
序号
Plant line
number夹角真
值/(°)
True value of
the angleLiDAR识别
夹角/(°)
Angle identified
by LiDAR绝对
误差/(°)
Absolute
error1 −1.97 −1.57 0.40 2 3.55 4.65 1.10 3 −3.49 −2.92 0.57 4 −0.40 −0.52 0.12 5 −0.69 −2.18 1.49 6 1.60 0.57 1.03
下载: 导出CSV
表 3 田间试验中基于植物行与正东方的夹角判断LiDAR识别植物行精度
Table 3 Accuracy evaluation the of LiDAR recognition of plant rows based on the angle between the plant rows and due east in field experiment
植物行
序号
Plant line
number夹角真
值/(°)
True value of
the angleLiDAR识别
夹角/(°)
Angle identified
by LiDAR绝对
误差/(°)
Absolute
error1 −0.46 0.92 1.38 2 −1.58 −2.52 0.94 3 −0.46 1.87 2.33 4 −1.58 −2.93 1.35 5 −0.46 0.42 0.88 6 −1.58 −3.66 2.08
下载: 导出CSV
-
[1] 刘建威. 中国工程院院士罗锡文在惠详解未来无人智慧农业[N/OL]. 惠州日报, 2020-11-20[2021-04-28]. https://new.qq.com/omn/20201120/20201120A023QU00.html. [2] 刘成良, 林洪振, 李彦明, 等. 农业装备智能控制技术研究现状与发展趋势分析[J]. 农业机械学报, 2020, 51(1): 1-18. doi: 10.6041/j.issn.1000-1298.2020.01.001 [3] 魏爽, 李世超, 张漫, 等. 基于GNSS的农机自动导航路径搜索及转向控制[J]. 农业工程学报, 2017, 33(S1): 70-77. doi: 10.11975/j.issn.1002-6819.2017.z1.011 [4] 王辉, 王桂民, 罗锡文, 等. 基于预瞄追踪模型的农机导航路径跟踪控制方法[J]. 农业工程学报, 2019, 35(4): 11-19. doi: 10.11975/j.issn.1002-6819.2019.04.002 [5] 陈子文, 李伟, 张文强, 等. 基于自动Hough变换累加阈值的蔬菜作物行提取方法研究[J]. 农业工程学报, 2019, 35(22): 314-322. doi: 10.11975/j.issn.1002-6819.2019.22.037 [6] 杨洋, 张博立, 查家翼, 等. 玉米行间导航线实时提取[J]. 农业工程学报, 2020, 36(12): 162-171. doi: 10.11975/j.issn.1002-6819.2020.12.020 [7] 张漫, 季宇寒, 李世超, 等. 农业机械导航技术研究进展[J]. 农业机械学报, 2020, 51(4): 1-18. doi: 10.6041/j.issn.1000-1298.2020.04.001 [8] 师小波, 赵丁选, 孔志飞, 等. 基于多传感器信息融合的车辆高精度定位技术[J]. 中国机械工程, 2022, 33(19): 2381-2387. [9] 徐筱龙, 徐国华. OutLand1000水下机器人的视觉定位研究[J]. 中国机械工程, 2010, 21(11): 1288-1292. [10] 王殿君. 双目视觉在移动机器人定位中的应用[J]. 中国机械工程, 2013, 24(9): 1155-1158. doi: 10.3969/j.issn.1004-132X.2013.09.005 [11] 张雄楚, 陈兵旗, 李景彬, 等. 红枣收获机视觉导航路径检测[J]. 农业工程学报, 2020, 36(13): 133-140. doi: 10.11975/j.issn.1002-6819.2020.13.016 [12] 袁鹏成, 李秋洁, 邓贤, 等. 基于LiDAR的对靶喷雾实时控制系统设计与试验[J]. 农业机械学报, 2020, 51(S1): 273-280. doi: 10.6041/j.issn.1000-1298.2020.S1.032 [13] 赵腾. 基于激光扫描的联合收割机自动导航方法研究[D]. 杨凌: 西北农林科技大学, 2017. [14] 张美娜, 吕晓兰, 邱威, 等. 基于三维激光点云的靶标叶面积密度计算方法[J]. 农业机械学报, 2017, 48(11): 172-178. doi: 10.6041/j.issn.1000-1298.2017.11.021 [15] 程曼, 蔡振江, WANG N, 等. 基于地面激光雷达的田间花生冠层高度测量系统研制[J]. 农业工程学报, 2019, 35(1): 180-187. doi: 10.11975/j.issn.1002-6819.2019.01.022 [16] 蔡吉晨. 基于二维激光雷达的果树在线探测方法及对靶变量喷药技术研究[D]. 北京: 中国农业大学, 2018. [17] 薛秀云, 许旭锋, 李震, 等. 基于叶墙面积的果树施药量模型设计及试验[J]. 农业工程学报, 2020, 36(2): 16-22. doi: 10.11975/j.issn.1002-6819.2020.02.003 [18] 侯加林, 蒲文洋, 李天华, 等. 双激光雷达温室运输机器人导航系统研制[J]. 农业工程学报, 2020, 36(14): 80-88. doi: 10.11975/j.issn.1002-6819.2020.14.010 [19] 胡延平, 刘菲, 魏振亚, 等. 毫米波雷达与视觉传感器信息融合的车辆跟踪[J]. 中国机械工程, 2021, 32(18): 2181-2188. doi: 10.3969/j.issn.1004-132X.2021.18.006 [20] ILCI V, TOTH C. High definition 3D map creation using GNSS/IMU/LiDAR sensor integration to support autonomous vehicle navigation[J]. Sensors, 2020, 20(3): 899. doi: 10.3390/s20030899
[21] JAVANMARDI E, GU Y L, JAVANMARDI M, et al. Autonomous vehicle self-localization based on abstract map and multi-channel LiDAR in urban area[J]. IATSS Research, 2019, 43(1): 1-13. doi: 10.1016/j.iatssr.2018.05.001
[22] 侯德藻, 李克强, 连小珉, 等. 新型车载探测雷达系统技术研究[J]. 中国机械工程, 2004(21): 13-16. doi: 10.3321/j.issn:1004-132X.2004.21.003 [23] 管贤平, 刘宽, 邱白晶, 等. 基于机载三维激光扫描的大豆冠层几何参数提取[J]. 农业工程学报, 2019, 35(23): 96-103. doi: 10.11975/j.issn.1002-6819.2019.23.012 [24] GUO T, FANG Y, CHENG T, et al. Detection of wheat height using optimized multi-scan mode of LiDAR during the entire growth stages[J]. Computers and Electronics in Agriculture, 2019, 165: 104959. doi: 10.1016/j.compag.2019.104959
[25] 刘守阳, 金时超, 郭庆华, 等. 基于数字化植物表型平台(D3P)的田间小麦冠层光截获算法开发[J]. 智慧农业(中英文), 2020, 2(1): 87-98. [26] 陈莉. 玉米三维模型的重构及时序插值技术研究[D]. 成都: 电子科技大学, 2015. [27] 苏伟, 蒋坤萍, 郭浩, 等. 地基激光雷达提取大田玉米植株表型信息[J]. 农业工程学报, 2019, 35(10): 125-130. doi: 10.11975/j.issn.1002-6819.2019.10.016 [28] 陈日强, 李长春, 杨贵军, 等. 无人机机载激光雷达提取果树单木树冠信息[J]. 农业工程学报, 2020, 36(22): 50-59. doi: 10.11975/j.issn.1002-6819.2020.22.006 [29] 刘路, 潘艳娟, 陈志健, 等. 高遮挡环境下玉米植保机器人作物行间导航研究[J]. 农业机械学报, 2020, 51(10): 11-17. doi: 10.6041/j.issn.1000-1298.2020.10.002 [30] 刘宽. LiDAR技术在农作物几何特征探测中的应用研究[D]. 镇江: 江苏大学, 2019. [31] GASPARINO M V, HIGUTI V A H, VELASQUEZ A E B, et al. Improved localization in a corn crop row using a rotated laser rangefinder for three-dimensional data acquisition[J]. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 2020, 42(11): 592. doi: 10.1007/s40430-020-02673-z
[32] 孙意凡, 孙建桐, 赵然, 等. 果实采摘机器人设计与导航系统性能分析[J]. 农业机械学报, 2019, 50(S1): 8-14. doi: 10.6041/j.issn.1000-1298.2019.S0.002 [33] 史红霞, 王建民. 基于法向量区域聚类分割的点云特征线提取[J]. 中国机械工程, 2021, 32(21): 2552-2561. doi: 10.3969/j.issn.1004-132X.2021.21.004 [34] 王庆, 车荧璞, 柴宏红, 等. 基于无人机可见光与激光雷达的甜菜株高定量评估[J]. 农业机械学报, 2021, 52(3): 178-184. doi: 10.6041/j.issn.1000-1298.2021.03.019 [35] 张鹏鹏. 基于LiDAR数据的成熟水稻主要属性参数反演关键技术研究[D]. 镇江: 江苏大学, 2020. [36] 管郡智. 基于激光雷达的三维点云目标检测算法研究[D]. 杭州: 浙江科技学院, 2020. [37] 刘伟洪, 何雄奎, 刘亚佳, 等. 果园行间3D LiDAR导航方法[J]. 农业工程学报, 2021, 37(9): 165-174. doi: 10.11975/j.issn.1002-6819.2021.09.019 [38] 季宇寒, 徐弘祯, 张漫, 等. 基于激光雷达的农田环境点云采集系统设计[J]. 农业机械学报, 2019, 50(S1): 1-7. doi: 10.6041/j.issn.1000-1298.2019.S0.001
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
