黄金其，黄晶晶，谢景鑫,3，肖旭，李明，许永伟

（1.湖南农业大学机电工程学院，湖南 长沙 410128；2.湖南省农业科学院农业装备研究所，湖南 长沙 410125；3.湖南省农业航空先进工程技术研究中心，湖南 长沙 410100）

果树冠层结构信息的获取是果树表型研究的基础，为果园的智能化管理[1]提供依据。随着信息技术的高速发展，作物冠层结构信息获取方法的研究取得了新进展。劳彩莲等[2]利用结构光深度相机获取玉米植株深度信息，得到植株模型。仇瑞承等[3]利用RGB-D 相机提取玉米颜色和深度信息，实现对玉米茎粗的测量。视觉技术价格低廉、设备小巧，但易受外界光照和风的干扰，室外使用受限。三维激光扫描仪具有精度高、响应快、工作稳定性好、环境适应性强等优点，其使用技术近年来发展迅速。高精度三维扫描仪主要分为固定式（地面、地基）激光扫描仪和移动式三维激光扫描仪。地面三维扫描仪在提取冠层参数[4-5]、枝叶三维结构[6]、生物量[7]等方面得以利用，如郭彩玲等[8]通过地面激光扫描仪采集苹果树的三维数据，提取枝干、果实等信息参数；刘清旺等[9]通过飞机机载雷达数据获取树木的高度和树冠参数；管贤平等[10]利用无人机机载三维激光雷达采集大豆点云数据并提取植株高度信息。多线三维激光雷达精度虽没有高精度三维激光扫描仪高，但成本低、速度快，在非高精度领域成为获取三维信息的研究热点[11-12]。

笔者以柑橘为研究对象，通过获取多线三维激光雷达柑橘树点云数据及数据处理，构建完整的柑橘三维模型，提取株高、冠幅、枝条角度等表型参数，以实际测量值与模型估算值进行验证分析。

1 三维激光雷达采集柑橘冠层信息

1.1 数据的采集

三维激光雷达探测系统主要由移动采集端和PC 端组成。移动采集端主要包括三维激光雷达和线性模组，其中三维激光雷达采用QUANERGY 的M8 型八线三维激光雷达传感器，激光波长905 nm，测程0.5～100 m，频率5～20 Hz，精度3 cm，角度分辨率（0.03～0.13）°，输出速率 420 000，视场（360×20）°；线性模组包括滑台、导轨、伺服电机控制系统、控制器。PC 端控制激光雷达数据采集过程并存储采集数据。

2020 年3 月，在湖南省农业科学院果树观测实验站，选取休眠期柑橘，在植株周围设置距植株3 m、离地高0.3 m、均匀分布的4 个采集点，手工测量柑橘植株的树高、冠幅、枝干角度的基准值。每个采集点测量5 次，结果取平均值。

三维激光雷达系统采集数据如图1 所示。激光雷达两线夹角（γ，β），站点与植株的距离为L，冠幅为D，激光雷达的移动距离为S，S=L（tan6β-tan5β）。

图1 激光雷达采集柑橘冠层数据Fig.1 The principle to collect citrus canopy data by using lidar

为保证植株点云轮廓的完整，设置采集间距为l，采集次数为S/l。

开启激光雷达后，在点云显示中找到柑橘树的位置，确定激光雷达移动位置和方向，通过控制线性模组移动激光雷达，采集柑橘冠层点云数据。

1.2 数据处理

1.2.1 三维点云数据的预处理

初始数据格式为q00，使用QUANERGY 配套软件Q-View 转换为常用格式PCD。根据采集间距确定多帧数据位置关系，其中含较多其他空间信息和地面点云数据，通过柑橘树与激光雷达的位置关系设定点云坐标的阈值范围，去除非植株点云数据。

1.2.2 点云处理

采集数据时，由于采集设备测量误差、外界干扰等因素的影响，会出现一系列的噪声点和植株边缘离群点。M8型三维激光雷达采集数据时，在水平方向数据分布较为密集，垂直方向较为稀疏。根据数据分布与噪声点，采用SOR滤波组合去除噪声点，流程如图2所示。

图2 SOR 滤波流程Fig.2 Flow chart of SOR filtering

1） 通过图像初步试验处理设置每个点的邻域大小，即k值；通过去噪轮廓缩小效果设置α值。求出每一个点云与周围点云的平均距离di。

均值μ和标准差σ将决定点云形状。

2） 将平均距离di在μ±ασ之外的噪声点从数据集中去除。a和k决定离群点位置分布和数量，因此，柑橘植株点云的分布需选择合适的组合（k, a）去噪。第1次滤波选取一个估算平均距离的k值，保证轮廓不变的a值，去除残缺叶片点云；第2次滤波设定较小k值，合适的a值，去除枝叶边缘轮廓点。第3次滤波选择与第1次参数，去除小块噪声点。

1.3 柑橘树点云匹准

由于柑橘冠层数据是从4个采集点获取，柑橘树点云数据只有部分重合且空间位置不同，因此，直接运用ICP算法[13-14]可能会出现局部点云不匹准的情形，因而提出一种中心点结合角度的初始匹准方法，使2片点云获得较好的匹准位置，再通过ICP算法缩小2点云中对应点集距离。

如图3所示，分别对点云1、点云2进行不变特征点搜索，搜索点云数据均值中心；根据所测对象中心位置的一致性，提取点云1、点云2数据的均值中心拟合作为点云1、点云2的中心；根据相邻点云1、点云2间夹角及方向，求出转换矩阵参数R及平移参数T；最后，根据转换参数（R，T）将相邻点云1、点云2转换到同一空间坐标系中，完成点云初始匹准。

图3 点云匹准流程Fig.3 Flow chart of initial registration

1.3.1 均值中心估计及点云精准匹准

柑橘树体特征点较多且不同视角存在叶片遮挡，较难提取点云公共特征点，拟采用Mean shift算法[15-16]提取点云的均值中心，找到点云之间共同的中心，结合采集点角度进行初始匹准，解决特征点提取难题，再通过Mean shift算法计算点云均值中心。

运用Mean shift 算法从点云中提取均值中心，通过各点云均值中心得出旋转轴心，相邻点云间旋转角度为θ，通过采集点相邻角度与均值中心，可获取旋转矩阵参数与平移参数（R，T）。选取基准面，依次按旋转矩阵及平移参数（R，T）拼接点云，完整柑橘树点云，P=p1+p2+p3+p4。

式中：P为完整的柑橘树点云；p1、p2、p3、p4为4个采集点点云。

运用ICP算法进一步寻找两点云间的点集对应关系，达到两片点云精准匹准的效果。

2 柑橘冠层信息点云滤波和重建

通过QUANERGY M8型三维激光雷达获取柑橘树体点云数据，将多帧点云融合得到单面树点云。通过柑橘树坐标设定阈值，去除非树点云，用SOR滤波算法去除噪声点及离群点。图4-a为柑橘点云背景去除后原始点云；经过多组滤波参数对比，图4-b为k=100、α=0.9时的滤波效果；图4-c为第2次k=20、α=1.2时的滤波效果；图4-d为第3次k=100、α=0.9时的滤波效果。经3次滤波处理，图4-d比图4-a、图4-b、图4-c减少了采集时的离群点、叶片边缘噪声和处理过程中的离群点，得到精简的单面橘树点云。

图4 柑橘植株点云滤波过程Fig.4 Point cloud filtering process

确定各均值中心坐标，结合旋转角度θ得出旋转矩阵为：

将4个采集点获取的点云数据依次处理、匹准，获取柑橘树模型，如图5所示。由图5-a中位置部分重叠的点云得到图5-b中两面点云匹准的点云，丰富了重叠部位的枝叶点云，图5-d是获取的柑橘树点云模型，具有图5-c柑橘树体的基本轮廓。

图5 点云重建效果Fig.5 Reconstruction effect of point cloud

3 柑橘冠层信息获取结果

基于柑橘三维点云模型提取柑橘株高、冠幅、枝干生长角度，用判定系数（R2）和均方根误差及平均相对误差评价模型精度，结果如表1及表2所示。模型对树高、冠幅和枝干角度的估算值与实测值具有较好一致性，R2≥0.97；平均相对误差分别为1.19%、3.07%、3.43%。枝干角度的平均相对误差最大，达到了5.2%。造成这种误差的主要原因，一是户外采集数据，风向及风力大小和其他环境因素对点云数据准确性有影响；二是由于柑橘植株枝干为非规则形态，角度实际测量值存在一定偏差，但从整体看，冠层3个参数的平均相对误差小于3.5%，较真实地反映了柑橘树冠层的结构信息。

表1 橘树的测量参数Table 1 Measurement parameters of orange trees

表2 基于移动式三维激光雷达的柑橘冠层信息的评价参数Table 2 Evaluation pa rameters o f ci trus ca nopy i nformation based on mobile 3-D lidar

4 结论

建立了一种基于移动式三维激光雷达获取柑橘树冠层结构信息的方法。

基于点云数据，通过单株柑橘树三维坐标阈值设定以及组合滤波方式去除噪声点，得出效果较好的k和a的组合参数（100，0.9），（20，1.2），（100，0.9）。利用Mean shift 算法求得点云的均值中心、相邻点云位置关系；完成点云的匹准，得到三维点云模型。

试验结果表明，基于模型提取的柑橘冠层参数与实测值具有良好的吻合性，最大相对误差≤5.20%，均方根误差＜5.1，判定系数R2＞0.97，平均相对误差＜3.5%，能较真实地反映柑橘冠层的结构信息，且测量速度较快，操作方便。