• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于SLAM与神经辐射场的柑橘幼苗三维重建方法

郭俊, 杨达成, 莫振杰, 兰玉彬, 张亚莉

郭俊, 杨达成, 莫振杰, 等. 基于SLAM与神经辐射场的柑橘幼苗三维重建方法[J]. 华南农业大学学报, 2025, 46(3): 429-438. DOI: 10.7671/j.issn.1001-411X.202405030
引用本文: 郭俊, 杨达成, 莫振杰, 等. 基于SLAM与神经辐射场的柑橘幼苗三维重建方法[J]. 华南农业大学学报, 2025, 46(3): 429-438. DOI: 10.7671/j.issn.1001-411X.202405030
GUO Jun, YANG Dacheng, MO Zhenjie, et al. 3D reconstruction of citrus seedlings based on SLAM and NeRF[J]. Journal of South China Agricultural University, 2025, 46(3): 429-438. DOI: 10.7671/j.issn.1001-411X.202405030
Citation: GUO Jun, YANG Dacheng, MO Zhenjie, et al. 3D reconstruction of citrus seedlings based on SLAM and NeRF[J]. Journal of South China Agricultural University, 2025, 46(3): 429-438. DOI: 10.7671/j.issn.1001-411X.202405030

基于SLAM与神经辐射场的柑橘幼苗三维重建方法

基金项目: 

岭南现代农业实验室项目(NT2021009);高等学校学科创新引智计划(D18019);广东省重点领域研发计划(2019B02022101);广东省科技计划(2018A050506073)

详细信息
    作者简介:

    郭 俊,E-mail: junguo@stu.scau.edu.cn

    通讯作者:

    张亚莉,主要从事农业航空传感器和农产品产地环境监测等研究,E-mail: ylzhang@scau.edu.cn

  • 中图分类号: S24;S666

3D reconstruction of citrus seedlings based on SLAM and NeRF

  • 摘要:
    目的 

    针对现有三维重建技术难以获取柑橘幼苗精细三维点云及其三维表型参数来表征幼苗状态的问题,提出一种基于同时定位与地图构建算法(Simultaneous localization and mapping,SLAM)与神经辐射场(Neural radiance fields,NeRF)的柑橘幼苗三维重建方法。

    方法 

    以1年期的柑橘幼苗为研究对象,首先,利用深度传感器获取柑橘幼苗的RGB和深度图;其次,使用SLAM计算深度传感器在每一帧图像的位姿;然后训练幼苗NeRF网络,将附有位姿的多视角图像输入多层感知机(Multilayer erceptron, MLP);最后,通过体积渲染监督训练,重建高精细的三维实景点云模型。

    结果 

    本文方法重建的柑橘幼苗三维模型,在色彩与纹理方面极具真实性,模型轮廓清晰、层次分明,具有实景级的精度。该模型可有效提取柑橘幼苗的三维表型参数,株高、宽幅长、宽幅宽和胸径的准确率分别为97.94%、 93.95%、94.11%和97.62%。

    结论 

    研究有助于加快优良柑橘幼苗的选育进程,可为柑橘产业的可持续性发展提供技术支持。

    Abstract:
    Objective 

    Aiming at the problem that it is difficult to obtain the accurate 3D point cloud of citrus seedlings and their 3D phenotypic parameters to characterize the state of seedlings with the existing 3D reconstruction techniques, this paper proposes a method based on the simultaneous localization and mapping (SLAM) and neural radiance fields (NeRF) for 3D reconstruction of citrus seedlings.

    Method 

    One-year old citrus seedlings were taken as the research object. Firstly, a depth sensor was used to capture the RGB map and depth map of the citrus seedling. Secondly, SLAM was employed to obtain the poses of the depth sensor in each frame of the image. Then, NeRF was trained for citrus seedlings, and the multi-view images with attached positional pose were fed into the multilayer erceptron (MLP). Finally, through supervised training with volume rendering, a high-precision 3D realistic point cloud model of citrus seedlings was reconstructed.

    Result 

    The 3D model of citrus seedlings reconstructed by this method was highly realistic in terms of color and texture, with clear contours and distinct layers, and had real-world level accuracy. Based on this model, the 3D phenotypic parameters of citrus seedlings could be effectively extracted with the accuracy of 97.94% for plant height, 93.95% for breadth length, 94.11% for breadth width and 97.62% for stem thickness.

    Conclusion 

    This study helps to accelerate the selection and nursery process of excellent citrus seedlings and provides a technical support for the sustainable development of the citrus industry.

  • 立地质量是影响林分生长的关键因素,准确评价立地质量是科学经营森林的前提和基础[1-2]。在“碳达峰碳中和”的战略背景下,科学的立地质量评价对提高林分生长收获预估准确性、优化抚育经营设计、提升森林碳汇经营水平以及森林生态系统应对气候变化能力具有极其重要的意义[3]。林分生产力的立地质量评价方法分为生物因子法和地理因子法2大类,其中,生物因子法的地位级和立地指数是立地质量评价最常用的指标。采用不同方法评价立地质量各有优缺点[4-5]。地理因子法易于分类,却缺乏立地条件影响林分生长的生物学解释。地位级法简便易行,但其精度和准确性低于立地指数的。立地指数的无偏估计要求准确的年龄测量值。相较基于年龄和树高的地位级和立地指数而言,已有研究者[6-8]提出了立地形(Site form)的方法,即用基准胸径时林分优势高表示立地质量,回避林分年龄,对混交异龄林具有较好的评价效果,但胸径和树高的关系也受林分的竞争程度影响[9-11]

    林业生产实践中树龄数据往往不准确或缺失,而林分胸径准确数据通过测量即可获取,理论上能修正由于树龄误差而导致的立地质量评价偏差。全国林分的情况复杂多样,天然林与人工林、混交林与纯林、异龄林与同龄林等差异会进一步影响立地质量评价方法的选择和评价结果的准确性[12],缺乏统一的评价模型也导致同一树种各区域间立地质量评价结果不具可比性。采用胸径与树高关系评价森林立地质量在一定程度上减少了其他评价方法的限制条件,同时在森林资源连续清查和森林资源规划设计调查中均有相应的因子调查要求,因此在实际生产管理中应用更便捷[13-15]。建立覆盖全国范围的主要针叶林分类型的胸径与树高模型,并编制指数模型表,不仅是森林经营管理的基础性工作[16],也能为建立大区域尺度的森林立地质量评价体系提供科学参考。

    数据来源于全国森林资源连续清查第6次(1999—2003年)、第7次(2004—2008年)、第8次(2009—2013年)和第9次(2014—2018年)结果。根据全国主要针叶林分样地数量,划分为16个针叶树种组。每种树种中样本数量足够的单列,不够的合并为其他,优势树种组中的3种混交类型未纳入主要针叶林分立地形指数模型。主要针叶林分立地形指数模型研建数据描述性统计分析见表1。其中,数量最多的是马尾松林分样地,共15430块,数量最少的是铁杉林分样地,共182块。林分胸径均值为10.6~32.8 cm,林分树高均值为6.1~19.8 m,样地数量及规格均能满足建模和检验要求。

    表  1  立地形指数模型研建数据描述性统计
    Table  1.  Descriptive statistics of model establishment data for site form index
    林分类型 Stand types 样地数量
    Number of plots
    林分胸径/cm Stand DBH 林分树高/m Stand height
    区间 Range 均值 Mean 标准差 SD 区间 Range 均值 Mean 标准差 SD
    冷杉 Abies fabri 4363 6.5~77.1 32.8 11.05 2.8~43.7 19.8 5.95
    云杉 Picea asperata 11869 5.0~60.0 27.2 10.61 1.7~41.5 17.0 6.11
    铁杉 Tsuga chinensis 182 6.9~58.0 29.9 9.61 4.0~29.0 16.6 4.42
    油杉 Keteleeria fortunei 217 6.9~27.1 13.0 4.18 2.8~18.3 7.2 2.97
    落叶松 Larix gmelinii 9105 5.0~69.7 16.4 9.19 2.0~36.2 13.5 5.00
    红松 Pinus koraiensis 290 5.0~58.9 17.5 10.52 1.5~29.2 12.1 5.83
    樟子松 Pinus sylvestris 563 5.4~43.2 16.9 7.13 2.8~26.7 11.6 4.78
    赤松 Pinus densiflora 296 5.3~23.1 10.6 3.55 1.8~16.7 6.1 3.06
    黑松 Pinus thunbergii 346 5.3~20.0 10.8 3.13 2.2~16.0 6.3 2.46
    油松 Pinus tabuliformis 4525 5.0~35.0 13.2 5.16 1.5~23.0 7.7 3.27
    华山松 Pinus armandii 1029 5.0~34.3 13.9 5.60 1.5~25.0 9.3 3.83
    马尾松 Pinus massoniana 15430 5.0~39.9 12.9 4.90 1.5~28.5 9.2 3.58
    云南松 Pinus yunnanensis 3510 5.0~43.0 14.6 6.58 2.2~30.0 9.6 4.48
    思茅松 Pinus kesiya var. langbianensis 478 5.7~33.4 16.5 5.14 2.9~27.2 12.4 4.13
    高山松 Pinus densata 5125 5.3~40.0 27.9 6.53 2.0~28.0 17.8 4.41
    其他松类1) Other pines 1350 5~27.4 12.8 4.44 2.5~18.7 8.1 3.06
     1) 其他松类指样地数量较少的针叶林分类型。
     1) Other pines indicate stand types with less sample plots.
    下载: 导出CSV 
    | 显示表格

    导向曲线的选择直接影响模型对立地质量评价的准确性,因此,导向曲线的形式既需要符合树高生长的生物学规律,又要能对数据进行最优化的拟合。良好的导向曲线应该呈平滑的“S”型,且具有上限渐近线。本文采用Richards、Logistic和Korf 3个胸径−树高生长模型拟合径阶中值和林分树高均值,如公式(1)~(3)所示。根据决定系数(Coefficient of determination,R2)、标准估计误差(Standard estimation error,SEE)和曲线形式等选择导向曲线模型。

    $$ {H_{\mathrm{S}}} = 1.3 + a {\left( {1 - {{\text{e}}^{ - b {{\mathrm{DBH}}_{\mathrm{S}}}}}} \right)^c} \text{,} $$ (1)
    $$ {H_{\mathrm{S}}} = {{1.3 + a} \mathord{\left/ {\vphantom {{1.3 + a} {\left( {1 + b {{\text{e}}^{c {{\mathrm{DBH}}_{\mathrm{S}}}}}} \right)}}} \right. } {\left( {1 + b {{\text{e}}^{c {{\mathrm{DBH}}_{\mathrm{S}}}}}} \right)}} \text{,} $$ (2)
    $$ {H_{\mathrm{S}}} = 1.3 + a {{\text{e}}^{\frac{b}{{{\mathrm{DB}}{{\mathrm{H}}_{\mathrm{S}}}^c}}}} \text{,} $$ (3)
    $$ {R^2} = 1 - \sum {\frac{{{{\left( {{y_i} - {{\hat y}_i}} \right)}^2}}}{{{{\left( {{y_i} - {{\bar y}_i}} \right)}^2}}}} \text{,} $$ (4)
    $$ {{\mathrm{SEE}}} = \sqrt {\frac{{\displaystyle\sum {{{\left( {{y_i} - {{\hat y}_i}} \right)}^2}} }}{{ {n - p} }}} \text{,} $$ (5)

    式中,HS为林分树高,DBHS为林分平均胸径,abc为待求解参数,$ {y_i} $为实际观测值,$ {\hat y_i} $为模型预估值,$ \bar y_i $为样本平均值,n为样本单元数,p为参数个数。

    基准胸径对立地形指数模型编表具有十分显著的影响,基准胸径选择不恰当会造成立地质量评价结果的偏差。在确定基准胸径时,本研究利用大量样地历史调查监测数据分析树高的生长过程,同时计算各径阶的树高变异系数及变化幅度,并绘制曲线图,根据曲线图中树高生长趋于平缓且能灵敏反映立地质量的原则确定基准胸径。

    适宜的编表方法取决于树种、编表数据量等,编表方法不当会造成较大误差。本文利用林分树高生长及树高标准差曲线,依据 ± 2倍标准差原则确定立地形级的上、下限曲线,根据上、下限曲线所夹的面积及预定的5个指数级,采用相对系数法确定各指数级上、下限,编制全国主要针叶林分立地形表。该方法按照一定比例将胸径−树高生长曲线平移,在确定导向曲线模型后,将林分胸径代入模型,得到理论树高,将基准胸径代入模型得到树高理论值,调整系数和各指数级树高计算公式如下:

    $$ {K_j} = \frac{{{H_{0j}}}}{{{H_{0k}}}} \times 100{\text{%}} \text{,} $$ (6)
    $$ {H_{ij}} = {K_j} \times {H_{ik}} \text{,} $$ (7)

    式中,Kj为立地形曲线簇调整系数,H0j为基准胸径各指数级树高,H0k为基准胸径导向曲线树高,Hij为各指数级树高,Hik为导向曲线树高。

    为了检验立地形指数模型对全国针叶林分立地质量评价的准确性和适用性,对编制的立地形表进行落点检验和适用性检验。

    将林分平均胸径−树高数据作成散点图,并绘制到立地形曲线簇中,算出散点落在曲线簇内的概率,即立地形表能够解释林分平均树高生长的概率。一般认为,落点检验值大于90%时,新编的立地形表满足使用要求。否则,应进行必要的调整。

    采用连续的调查监测数据对新编的立地形表进行适用性检验。根据林分平均胸径及树高由立地形指数表确定其立地形等级,然后,比较多期调查数据下林分立地形等级有无跳级的现象,并统计出跳级个数占总个数的百分比。一般认为,跳级个数小于5%时,新编的立地形表满足使用要求。

    表2可知,Richards模型拟合所有针叶树种决定系数均值为0.96,标准估计误差均值为0.98;Logistic模型拟合所有针叶树种决定系数均值为0.96,标准估计误差均值为1.10;Korf模型拟合所有针叶树种决定系数均值为0.96,标准估计误差均值为1.00。Richards模型的普遍适用性更强,但油杉和高山松2个优势树种林分的上限渐近线参数均超过45,与Richards模型参数所反映的林分生物学规律存在差异,即林分平均树高的上限水平应不超过45 m。油杉和高山松2个优势树种林分的Korf模型拟合参数也出现了偏离合理值的情况,因此这2个优势树种林分应选择Logistic模型作为导向曲线。

    表  2  主要针叶林分胸径和树高模型参数
    Table  2.  Model parameters of DBH and height for major coniferous stands
    林分
    Stand types
    Richards Logistic Korf
    a b c R2 SEE a b c R2 SEE a b c R2 SEE
    冷杉 34.9304 0.0278 1.2032 0.94 2.08 29.7918 6.2168 0.0711 0.92 2.25 71.0181 8.2024 0.5228 0.94 2.07
    云杉 35.0515 0.0292 1.2862 0.99 0.83 27.6166 7.9591 0.0872 0.98 1.12 104.1793 7.7122 0.4304 0.99 0.82
    铁杉 42.7731 0.0100 0.7756 0.84 2.36 25.0287 4.3132 0.0612 0.81 2.52 228.4099 6.1365 0.2395 0.84 2.35
    油杉 49.4001 0.0217 1.5328 0.96 0.94 17.6832 15.4880 0.1514 0.95 0.96 356.5069 9.6653 0.3327 0.96 0.94
    落叶松 21.7763 0.0825 1.6565 0.92 1.54 21.4231 5.7592 0.1286 0.91 1.63 24.4672 16.0920 1.1943 0.91 1.63
    红松 23.7699 0.0706 1.9944 0.95 1.54 22.4409 9.9858 0.1324 0.95 1.64 31.3234 15.3821 0.9800 0.95 1.60
    樟子松 23.1622 0.0573 1.6375 0.97 1.07 19.8216 9.2197 0.1350 0.96 1.27 69.4325 7.1841 0.4718 0.97 1.06
    赤松 11.2997 0.1945 5.7997 0.89 1.32 10.6562 48.3629 0.3444 0.92 1.14 15.2157 32.2581 1.4462 0.88 1.43
    黑松 32.0888 0.0315 1.4875 0.97 0.60 13.1164 14.9074 0.2020 0.98 0.49 646.3492 8.9301 0.2569 0.97 0.62
    油松 34.1642 0.0217 1.2051 0.99 0.28 17.6943 9.4751 0.1219 0.99 0.49 474.2441 8.0463 0.2431 0.99 0.26
    华山松 23.2458 0.0527 1.5916 0.99 0.59 17.9922 10.4218 0.1496 0.98 0.68 69.1080 7.7007 0.4897 0.99 0.59
    马尾松 20.7730 0.0585 1.4939 0.99 0.28 17.5935 8.1581 0.1427 0.99 0.55 41.5400 7.4772 0.5971 0.99 0.24
    云南松 32.6336 0.0345 1.4617 0.99 0.38 22.9034 10.6239 0.1183 0.99 0.67 182.4129 7.9799 0.3567 0.99 0.38
    思茅松 23.3830 0.0688 1.8721 0.97 0.87 19.5171 10.3107 0.1589 0.96 1.01 42.3634 10.2905 0.7343 0.98 0.84
    高山松 47.8737 0.0196 1.2483 0.99 0.71 25.0354 10.2222 0.1076 0.98 0.89 378.0811 8.2583 0.2902 0.99 0.71
    其他松类1) 15.6588 0.0804 1.7907 0.99 0.35 13.0084 10.8083 0.1960 0.99 0.28 36.7931 7.3685 0.5885 0.99 0.40
     1) 其他松类指样地数量较少的针叶林分类型。
     1) Other pines indicate stand types with less sample plots.
    下载: 导出CSV 
    | 显示表格

    导向曲线的选择不仅需要考虑模型的拟合决定系数和参数范围,同时也需要考虑导向曲线的良好形式,尤其是幼龄林阶段。拟合的导向曲线应能反映逻辑合理性,即林分胸径为0 cm,林分树高应为1.3 m,模型形式需要反映出此特征。大区域尺度的调查数据中,不同径阶段的样地数量呈现正态分布,导致小径阶林分的调查数据较少,也无法全面反映小径阶林分的生长情况,各针叶树种在小径阶的标准差范围也较小,如图1所示。其中,油杉、赤松、黑松、油松、华山松、马尾松、云南松、思茅松、高山松和其他松类胸径建模数据未超过60 cm,这也导致林分胸径−树高拟合曲线未出现明显的生长平缓阶段,这就意味着生产实践中应尽可能对中龄林、近熟林和成熟林进行评价,减少采用小径阶林分评价森林立地质量,从而避免出现跳级现象和评价结果的不确定。

    图  1  主要针叶林分胸径和树高拟合曲线图
    Figure  1.  Fitted curve plots of DBH and height for major coniferous stands

    根据主要针叶林分立地形指数模型曲线簇落点检验结果(图2)可知,冷杉林分落点检验值为95.67%、云杉林分落点检验值为97.42%、铁杉林分落点检验值为96.70%、油杉林分落点检验值为95.39%、落叶松林分落点检验值为97.90%、红松林分落点检验值为94.48%、樟子松林分落点检验值为96.80%、赤松林分落点检验值为92.23%、黑松林分落点检验值为97.69%、油松林分落点检验值为96.40%、华山松林分落点检验值为96.11%、马尾松林分落点检验值为99.16%、云南松林分落点检验值为97.55%、思茅松林分落点检验值为94.98%、高山松林分落点检验值为98.97%、其他松林分落点检验值为97.93%。落点检验值均大于90%,均值达96.59%,表明可以在实际生产中使用。此外,基于落点检验曲线簇分析可知,由于森林资源连续清查数据能获取准确的林分胸径数据,因而大区域尺度立地形指数模型相较于地位级指数模型具有更好的检验效果。

    图  2  主要针叶林分立地形指数模型曲线簇
    Figure  2.  Curve families of site form index model for major coniferous stands

    根据主要针叶林分立地形等级占比动态分析结果(图3)可知,2003年16个针叶树种组立地形等级占比均值为Ⅰ级8.09%、Ⅱ级23.87%、Ⅲ级38.28%、Ⅳ级24.51%、Ⅴ级5.25%,2008年16个针叶树种组立地形等级占比均值为Ⅰ级8.51%、Ⅱ级24.56%、Ⅲ级36.70%、Ⅳ级25.19%、Ⅴ级5.04%,2013年16个针叶树种组立地形等级占比均值为Ⅰ级8.76%、Ⅱ级25.41%、Ⅲ级37.21%、Ⅳ级23.96%、Ⅴ级4.67%,2018年16个针叶树种组立地形等级占比均值为Ⅰ级9.64%、Ⅱ级29.91%、Ⅲ级34.79%、Ⅳ级21.55%、Ⅴ级4.12%。4次森林资源连续清查期间,针叶林分Ⅰ级和Ⅱ级占比均值合计增长了7.60个百分点,Ⅲ级均值合计减少了3.50个百分点,Ⅳ级和Ⅴ级均值合计减少了4.10个百分点。基于立地形等级的评价方法,20年间中国针叶林分立地质量表现为较好的改善趋势,比较典型的针叶林分包括冷杉林、云杉林、油杉林、落叶松林、油松林、华山松林、马尾松林、云南松林、高山松林和思茅松林,其中,马尾松林分有15430个样地,样本量大使得立地形等级变化趋势规律更加明显。铁杉林、油杉林、红松林、樟子松林、赤松林、黑松林和其他松类林则出现波动情况,以红松立地形Ⅲ级为例,2003、2008、2013和2018年的占比分别为60.00%、20.00%、40.00%和30.00%,出现了明显的跳跃,是因为小样本量分析导致的,20年间仅有10个样地未发生优势树种的变化,整体可用于立地形等级占比变化分析。

    图  3  2003、2008、2013和2018年主要针叶林分立地形等级占比动态直方图
    Figure  3.  Proportion dynamic histogram of site form class for major coniferous stands in 2003, 2008, 2013 and 2018

    不同区域间的气候差异导致林木生长速率差异,进而对林龄−树高关系产生影响,因此,采用林龄−树高关系评价立地质量主要受树种、气候、土壤肥力等主导因素的交互作用,无法建立统一的大尺度立地质量评价模型。相较于传统的立地指数和地位级法,胸径−树高关系在不同气候区域和林龄结构中具备一定的稳定性[17],常用于不同遗传种源林木的基因表观评估[18],受树种、土壤肥力和林分密度等主导因素的交互作用影响,这就为相同树种不同区域建立统一的立地质量评价模型提供了前提条件[19-20]。本文16个林分类型胸径−树高关系的拟合决定系数(均值0.96)大于林龄−树高关系的(均值0.94),以冷杉林为例,林龄−树高和胸径−树高关系的拟合决定系数分别为0.86和0.93。统一的胸径−树高立地质量评价模型使不同地区的相同林分评价结果具有可比性,但在实际应用过程中仍存在挑战,难以排除经营措施对林分密度等竞争指标的影响[21],导致胸径−树高关系评价立地质量偏差的不确定性增加,从而出现跳级现象,这也是后续研究中需要重点关注的环节。

    在实际林业生产实践中,作为森林立地质量的关键因素,土壤类型、厚度、质地、养分的状况在无人为干扰的情况下,将在较长时间内维持在比较稳定的水平[1,22],因此,立地质量在一定周期内具有稳定性。与此同时,长期积累和分解的森林凋落物可以增加土壤中的速效磷、速效氮等养分含量,促进森林立地质量的改善;不合理的经营措施导致土壤有机物持续减少、土壤养分流失,也可能导致森林立地质量的恶化,因此,在一定周期内立地质量也具有波动性。胸径−树高关系评价森林立地质量的优势是简便和动态,劣势则是灵敏的动态变化可能是人为干扰(如采伐、补植)或气候变化(如降雨、有效积温增加)等综合因素导致,而非真实的立地质量改善[23-24],同时其也受建模评价样本量的影响,本文中样地数量小于500的铁杉林、油杉林、红松林、赤松林、黑松林和思茅松林均出现了不同程度的跳跃现象,即小样本分析导致的不确定性结果。因此,在林业生产实践中,应综合利用多种方法进行比较分析[7],全面、准确、客观和科学地反映森林立地质量及动态变化,这也是本文后续需要持续完善的地方。

    本研究中Richards、Logistic和Korf模型拟合导向曲线决定系数均值均大于0.95,结合模型形式和参数分析结果可用于建立全国主要针叶林分立地形指数模型,建立的立地形指数模型落点检验值均大于90%,均值达96.59%,可以在实际生产中使用。基于胸径−树高关系建立全国统一的立地质量评价模型具有可行性和合理性,通过减少气候差异导致基于树龄的生长速率对立地质量评价的影响偏差,使不同地区相同林分的评价结果具有可比性,在大尺度水平具有较好的适用性,但仍然需要警惕经营措施和小样本数据导致的评价结果不确定。

  • 图  1   NeRF网络架构示意图

    $ \gamma $为映射函数,x为点的位置信息,d为视角方向,$ \sigma $为体素不透明度,256、128表示所在卷积层输入的图像尺寸。

    Figure  1.   Illustration of the NeRF network architecture

    $ \gamma $ is the mapping function, x is the position information of the point, and d is the perspective direction, $ \sigma $ is the voxel opacity, 256 and 128 indicate the size of image input in the located convolution layer.

    图  2   改进位置编码示意图

    Figure  2.   Encoding illustration of improved position

    图  3   筛选前(A)、后(B)特征点匹配示意图

    Figure  3.   Matching illustration of unfiltered (A) and filtered (B) feature points

    图  4   图像位姿示意图

    图中的黑色四棱锥表示相机位姿,即相机拍摄方向。

    Figure  4.   Illustration of image pose

    The black quadrangular pyramid in the figure indicates the camera position, that is, the camera shooting direction.

    图  5   NeRF重建柑橘幼苗三维点云图

    Figure  5.   Citrus seedling 3D point cloud maps reconstructed by NeRF

    图  6   柑橘幼苗原图(A)、NeRF场景(B)和NeRF深度(C)对比

    Figure  6.   Comparison of citrus seedling (A), NeRF scene (B) and NeRF depth (C) images

    图  7   SFM-MVS(A)与NeRF(B)重建柑橘幼苗三维点云图对比

    Figure  7.   Comparison of citrus seedling 3D point cloud maps reconstructed by SFM-MVS (A) and NeRF (B)

    图  8   点云预处理示意图

    Figure  8.   Illustration of point cloud preprocessing

    图  9   柑橘幼苗三维表型参数人工实测值与提取值对比

    Figure  9.   Comparison of manually measured and extracted values for 3D phenotypic parameters of citrus seedlings

  • [1] 柴宏红, 邵科, 于超, 等. 基于三维点云的甜菜根表型参数提取与根型判别[J]. 农业工程学报, 2020, 36(10): 181-188. doi: 10.11975/j.issn.1002-6819.2020.10.022
    [2]

    PAULUS S, SCHUMANN H, KUHLMANN H, et al. High-precision laser scanning system for capturing 3D plant architecture and analysing growth of cereal plants[J]. Biosystems Engineering, 2014, 121: 1-11.

    [3]

    LADANIYA M S, MARATHE R A, DAS A K, et al. High density planting studies in acid lime (Citrus aurantifolia Swingle)[J]. Scientia Horticulturae, 2020, 261: 108935. doi: 10.1016/j.scienta.2019.108935

    [4]

    CONTI G, XOCONOSTLE-CÁZARES B, MARCELINO-PÉREZ G, et al. Citrus genetic transformation: An overview of the current strategies and insights on the new emerging technologies[J]. Frontiers in Plant Science, 2021, 12: 768197. doi: 10.3389/fpls.2021.768197

    [5]

    BISI R B, ALBRECHT U, BOWMAN K D. Seed and seedling nursery characteristics for 10 USDA Citrus rootstocks[J]. HortScience, 2020, 55(4): 528-532. doi: 10.21273/HORTSCI14598-19

    [6]

    SHAKOOR N, LEE S, MOCKLER T C. High throughput phenotyping to accelerate crop breeding and monitoring of diseases in the field[J]. Current Opinion in Plant Biology, 2017, 38: 184-192. doi: 10.1016/j.pbi.2017.05.006

    [7] 黄成龙, 李曜辰, 骆树康, 等. 基于结构光三维点云的棉花幼苗叶片性状解析方法[J]. 农业机械学报, 2019, 50(8): 243-248.
    [8] 何海清, 严椰丽, 凌梦云, 等. 结合三维密集点云的无人机影像大豆覆盖度提取[J]. 农业工程学报, 2022, 38(2): 201-209. doi: 10.11975/j.issn.1002-6819.2022.02.023
    [9]

    MA H, ZHU X, JI J, et al. Rapid estimation of apple phenotypic parameters based on 3D reconstruction[J]. International Journal of Agricultural and Biological Engineering, 2021, 14(5): 180-188. doi: 10.25165/j.ijabe.20211405.6258

    [10]

    CHAWADE A, VAN HAM J, BLOQUIST H, et al. High-throughput field-phenotyping tools for plant breeding and precision agriculture[J]. Agronomy, 2019, 9(5): 258. doi: 10.3390/agronomy9050258

    [11] 杨会君, 王瑞萍, 王增莹, 等. 基于多视角图像的作物果实三维表型重建[J]. 南京师范大学学报(自然科学版), 2021, 44(2): 92-103.
    [12] 梁秀英, 周风燃, 陈欢, 等. 基于运动恢复结构的玉米植株三维重建与性状提取[J]. 农业机械学报, 2020, 51(6): 209-219. doi: 10.6041/j.issn.1000-1298.2020.06.022
    [13]

    HE W, YE Z, LI M, et al. Extraction of soybean plant trait parameters based on SfM-MVS algorithm combined with GRNN[J]. Frontiers in Plant Science, 2023, 14: 1181322. doi: 10.3389/fpls.2023.1181322

    [14]

    LEI S, LIU L, XIE Y, et al. 3D visualization technology for rubber tree forests based on a terrestrial photogrammetry system[J]. Frontiers in Forests and Global Change, 2023, 6: 1206450. doi: 10.3389/ffgc.2023.1206450

    [15]

    MILDENHALL B, SRINIVASAN P P, TANCIK M, et al. NeRF: Representing scenes as neural radiance fields for view synthesis[J]. Communications of the ACM, 2021, 65(1): 99-106.

    [16] 宫金良, 刘镔霄, 魏鹏, 等. 基于相机位姿恢复与神经辐射场理论的果树三维重建方法[J]. 农业工程学报, 2023, 39(22): 157-165. doi: 10.11975/j.issn.1002-6819.202307275
    [17]

    KANG H, HU K, YING W, et al. High-fidelity 3d reconstruction of plants using neural radiance field[J]. Computer and Electronics in Agriculture, 2024, 220: 108848. doi: 10.1016/j.compag.2024.108848

    [18]

    IGLHAUT J, CABO C, PULITI S, et al. Structure from motion photogrammetry in forestry: A review[J]. Current Forestry Reports, 2019, 5(3): 155-168. doi: 10.1007/s40725-019-00094-3

    [19]

    ZHANG Z. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 22(11): 1330-1334.

    [20]

    ZHAO C, FAN C, ZHAO Z. A binocular camera calibration method based on circle detection[J]. Heliyon, 2024, 10(19): e38347. doi: 10.1016/j.heliyon.2024.e38347.

    [21] 彭程, 苗艳龙, 汪刘洋, 等. 基于三维点云的田间香蕉吸芽形态参数获取[J]. 农业工程学报, 2022, 38(S1): 193-200. doi: 10.11975/j.issn.1002-6819.2022.z.022
图(9)
计量
  • 文章访问数:  89
  • HTML全文浏览量:  17
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-05-19
  • 网络出版日期:  2025-03-02
  • 发布日期:  2025-02-23
  • 刊出日期:  2025-05-09

目录

/

返回文章
返回