基于3D LiDAR的成熟期大豆作物行检测方法研究：一种面向不同种植密度的自适应感知方案

本文提出了一种创新的3D激光雷达（LiDAR）作物行检测方法，针对成熟期大豆在不同种植密度下的自主导航需求。通过主茎提取法（MSM）和动态冠层点云分区（DD-CPM）技术，有效解决了冠层遮蔽、缺苗断垄和杂草干扰等挑战，在三种种植密度下实现了90.6%的中心线检测精度和122.7毫秒的平均处理时间，为农业机械的实时精准作业提供了可靠解决方案。

　　

点云数据采集

本研究在吉林省长春市吉林农业大学试验田（125°41′E，43°48′N）开展大豆作物研究。为评估不同农艺条件下的算法性能，设置了三种种植密度：低密度（200,000株/公顷，行距18 cm）、中密度（300,000株/公顷，行距12 cm）和高密度（400,000株/公顷，行距6 cm），行间距分别为50 cm、40 cm和30 cm。

结果与讨论

为验证大豆作物行中心线检测精度，本研究采用人工校准的评估标准。定义误差角（θ₁-θ₆）为算法提取中心线与人工标注的绝对偏差角。当θ＜5°时视为成功提取作物行中心线。

讨论

本研究提出的LiDAR检测方法通过结合生物形态特征冠层提取与空间自适应聚类技术，显著提升了复杂田间环境下的检测鲁棒性。传统冠层点提取方法（如CSF、RANSAC、HEMC）均采用自上而下的处理逻辑，其核心在于从复杂点云中分离地表特征点。

结论

本文提出的3D LiDAR大豆作物行检测方法通过主茎提取法（MSM）和动态作物网格分区（DD-CPM）两大创新技术，有效克服了传统方法的局限性。MSM通过聚焦稳定的主茎结构实现冠层中心点的精准定位，而DD-CPM则通过动态建模有效修复数据缺失区域。