基于LiDAR与相机数据融合技术的高通量提取油菜植株个体高度的方法

《Computers and Electronics in Agriculture》：High-throughput extraction of individual plant height in rapeseed based on LiDAR-Camera data fusion

高效准确提取油菜植株高度的方法研究及其在冷胁迫品种差异分析中的应用|多传感器数据融合|改进的Faster R-CNN算法|冠层遮挡消除算法|LiDAR-RGB融合检测|植株分割精度|高throughput育种|表型组学|RMSE优化|冷胁迫响应分析

　　植物高度（Plant Height, PH）的高效与准确提取在分析其更深层次的表型特征以及提升育种效率方面起着至关重要的作用。传统方法在大规模、高精度和低延迟的单株植物水平测量中存在诸多困难。为解决这一问题，本研究采用了一种桁架型表型平台，对120种油菜品种从两叶期到开花期的6个生长阶段进行数据采集，获取了LiDAR和RGB冠层数据。通过这一平台，我们不仅能够全面捕捉植物冠层的三维结构，还能在复杂环境下实现更精确的单株识别和高度测量。

首先，采用改进的K-Means算法与Faster R-CNN相结合，实现了对油菜单株图像的识别。该方法在不同生长阶段中均表现出较高的检测精度，特别是在测量过程中，能够准确识别出不同大小的油菜植株。通过这一算法，我们成功地将图像数据与点云数据进行融合，从而在点云中实现单株的识别。此外，通过颜色区分，我们能够有效区分油菜点云与地面点云，进一步提高了单株识别的准确性。

其次，采用Cloth Simulation Filter (CSF)算法，对被冠层遮挡的地面点进行拟合。该算法在拟合过程中能够有效处理点云数据中的遮挡问题，从而提高植物高度的提取精度。在实际测试中，改进的单株检测方法的mAP（IoU=0.5）达到了0.902，表明其在不同生长阶段中均具有较高的检测精度。特别是在第077号品种的植物高度验证中，R2值为0.997，RMSE为1.156 cm，rRMSE为5.48%，在生长后期自动识别与人工测量之间的最大差异小于6 cm，表明该方法在高度测量中具有较高的准确性。

在生长初期，植物高度通常较低，且地面点云数据容易受到土壤块的影响，使得单株识别变得困难。通过颜色区分，我们能够有效识别出地面点云，从而准确拟合地面模型（Digital Terrain Model, DTM），进而提高植物高度的提取精度。此外，通过LiDAR和RGB图像数据的融合，我们能够获取更全面的点云数据，从而在三维空间中更准确地估计植物高度。这种方法在实际测试中表现出较高的精度，特别是在生长初期，植物高度低于20 cm的情况下，R2值为0.980，RMSE为0.651 cm，rRMSE为6.543%，表明该方法在生长初期也具有较高的准确性。

为了进一步验证该方法的有效性，我们还对40种油菜品种在低温胁迫下的植物高度进行了比较分析。这一分析为高通量植物高度提取提供了参考，同时也为探索品种间的表型差异提供了支持。通过这种方法，我们能够更准确地识别出不同品种在不同环境条件下的生长特征，从而为育种工作提供科学依据。

在实际应用中，传统的单株检测方法往往需要大量的计算资源和时间，难以满足高效育种的需求。因此，本研究提出了一种基于多传感器数据融合和图像检测的植物高度提取方法，通过融合LiDAR点云数据和RGB图像数据，提高了单株识别的准确性和效率。该方法在实际测试中表现出较高的精度，特别是在生长初期，能够准确识别出植物高度，并在三维空间中更全面地捕捉植物的生长特征。

此外，传统的单株识别方法在处理点云数据时存在诸多困难，如点云密度高、遮挡严重等，使得单株识别变得复杂。通过颜色区分和融合策略，我们能够有效解决这些问题，提高单株识别的准确性。这种方法不仅适用于油菜品种，还可能适用于其他作物，为植物表型分析提供了一种新的思路。

在实验设计方面，我们设计了三种不同的实验，并设置了相应的评估指标，以验证所提出的方法的有效性。这些实验涵盖了不同生长阶段的植物高度测量，包括生长初期、中期和后期。通过这些实验，我们能够全面评估该方法在不同条件下的表现，并进一步优化其性能。

在实际应用中，我们还对所提出的方法与传统方法进行了比较分析，发现该方法在植物高度提取方面具有显著优势。特别是在生长初期，传统方法难以准确测量植物高度，而所提出的方法通过融合LiDAR和RGB图像数据，能够有效识别出植物高度，并在三维空间中更全面地捕捉植物的生长特征。这种方法不仅提高了植物高度的提取精度，还为育种工作提供了更丰富的数据支持。

综上所述，本研究提出了一种基于多传感器数据融合和图像检测的植物高度提取方法，通过融合LiDAR点云数据和RGB图像数据，提高了单株识别的准确性和效率。该方法在不同生长阶段中均表现出较高的精度，特别是在生长初期，能够准确识别出植物高度，并在三维空间中更全面地捕捉植物的生长特征。这种方法不仅适用于油菜品种，还可能适用于其他作物，为植物表型分析提供了一种新的思路。通过这种方法，我们能够更准确地识别出不同品种在不同环境条件下的生长特征，从而为育种工作提供科学依据。