(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210701716.9 (22)申请日 2022.06.21 (71)申请人 华南师大 （清远） 科技创新研究院有 限公司 地址 510000 广东省清远市清远高新区创 兴大道18号 天安智谷科技产业园总部 楼F03 (72)发明人 杨光　汪琳　吴蔚　丰洁　赵智尧　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06V 20/10(2022.01) G06T 17/20(2006.01) G06T 17/00(2006.01)G06T 7/62(2017.01) G06T 7/90(2017.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于激光点云顾及茎秆形体和叶倾角 的植株识别方法 (57)摘要 本申请提供一种基于激光点云顾及茎秆形 体和叶倾角的植株识别方法， 包括： 根据植株结 构表型参数， 识别植株的种类； 根据植株的识别 结果， 分析植株的状态； 基于植株的状态， 监测植 株的健康程度， 具体包括： 建立植株健康状况识 别模型； 基于植株的健康程度， 预测植株的生长 趋势； 基于植株的生长趋势， 设计植株初步生长 干预策略， 具体包括:建立植株经典造型库， 对植 株经典造型进行逆向工程， 确定植株的造型方 案， 生成植株初步生长干预策略； 根据植株的健 康程度和植株初步生长干预策略， 判断植株观赏 性； 基于植株观赏性， 确定植株再生长干预策略。 本申请对植株做适当的人工干预， 有利于促进植 株健康生长， 通过植株造型的设计， 增强观赏价 值。 权利要求书4页 说明书11页 附图2页 CN 115035410 A 2022.09.09 CN 115035410 A 1.一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法， 其特征在于， 所述方法 包括： 基于激光点云计算植株结构表型参数， 所述基于激光点云计算植株结构表型参数， 具 体包括： 采集植株的高精度点云信息， 建立植株茎秆枝叶的三维模型， 计算植株的叶倾角分 布； 根据植株结构表型参数， 识别植株的种类； 根据植株的识别结果， 分析植株的状态； 基于 植株的状态， 监测植株的健康程度， 具体包括： 建立植株健康状况识别模型； 基于植株的健 康程度， 预测植株的生长趋势； 基于植株的生长趋势， 设计植株初步生长干预策略， 所述基 于植株的生长趋势， 设计植株初步生长干预策略， 具体包括： 建立植株经典造型库， 对植株 经典造型进 行逆向工程， 确定植株的造型方案， 生成植株初步生长干预策略； 根据植株的健 康程度和植株初步生长干预策略， 判断植株观赏性； 基于植株观赏性， 确定植株再生长干预 策略。 2.根据权利要求1所述的方法， 其中， 所述基于 激光点云计算 植株结构表型参数， 包括: 所述植株结构表型参数是指植株的叶倾角分布； 通过三维激光扫描与高精度相机采集 各个植株的高精度点云信息； 然后对植株的点云信息进行预处理， 再利用空间不规则三角 网， 得到植株茎秆枝叶的三维模型； 最后通过所述三维模型中的每个三角面片进行格式解 析， 得到三角面片的法向量数据和顶点坐标数据； 根据所述三角面片的法向量数据和所述 顶点坐标数据， 计算植株的叶倾角分布， 则得到植株结构表型参数； 包括： 采集植株的高精 度点云信息； 建立 植株茎秆枝叶的三维模型； 计算 植株的叶倾角分布； 所述采集 植株的高精度点云信息， 具体包括: 从植株的生长发育期开始， 采集植株的高精度点云信息； 所述采集植株的高精度点云 信息， 包括： 通过三维激光扫描仪定时扫描植株的表面， 接收植株的每一个点的反射信号； 接着通过转换器， 转换成能直接识别的数据信息， 通过软件处理获取预设范围每一个点的 三维坐标； 然后通过高精度相 机获取植株的彩色图像， 并赋予每一个点在所述彩色图像中 对应所述三 维坐标的像素的RGB颜色信息； 植株的所有被记录的点组成植株的点云， 所有被 记录的点带有的RGB颜色信息即为所述 植株的高精度点云信息； 所述建立 植株茎秆枝叶的三维模型， 具体包括: 基于植株的点云信 息建立植株茎秆枝叶的三维模型； 首先通过预处理优化原始的点云 信息； 所述预 处理包括点云拼接， 点云去噪； 所述点云拼接是对超过预设所述三维坐标的范 围的点按照预设点对准后， 进行点云信息的拼接； 所述点云去 噪是指通过平滑低通滤波对 杂点信息进行滤除； 所述杂点是指在每一个点的领域中， 点云信息方差超过邻域点云信息 平均方差第一预设阈值的点； 然后通过随机点采样， 在点云中得到预设数量的用于建模的 点； 最后利用空间不规则三角网构建以所述用于 建模的点为顶点的TIN三角形， 得到植株茎 秆枝叶的三维模型； 所述计算 植株的叶倾角分布， 具体包括: 通过对所述空间不规则三角网中每个三角面片进行格式解析， 得到三角面片的法向量 数据和顶点坐标数据； 根据所述三角面片的法向量数据和所述顶点坐标数据， 计算植株三 维模型的叶倾角分布； 所述叶倾角是指三角面片法线与垂直方向的夹角， 值越大叶片越直 立； 所述叶倾角分布， 是指叶倾角的概率密度， 计算方法包括： 通过计算每个三角面片的法 线与垂直方向的夹角， 并以三角面片面积的倒数作为权重， 取所有三角面片的法线与垂直权　利　要　求　书 1/4 页 2 CN 115035410 A 2方向的夹角进行加权， 在相 应叶倾角分布 区间内， 累计计算所有三角面片的倾角的概率密 度即为所述叶倾角分布。 3.根据权利要求1所述的方法， 其中， 所述根据植株结构表型参数， 识别植株的种类， 包 括: 根据植株结构表型参数， 通过K ‑means聚类模型， 识别植株的种类； 通过K ‑means聚类模 型， 识别植株的种类， 具体包括： 建立植株结构表型参数模板库； 通过随机采样， 获取不同种 类植株的植株结构表型参数， 作为不同种类植株的典型模板参数录入植株结构表型参数模 板库； 然后采集待测植株的点云信息， 建立所述待测植株茎秆枝叶的三 维模型， 计算待测植 株结构表型参数； 将待测植株结构表型参数与植株结构表型参数模板库进行匹配， 通过计 算待测植株植株结构表型参数与植株结构表型参数模板库典型模板参数之 间的相似度， 将 相似度超过第二预设阈值的植株结构表型参数进 行聚类； 最后 将识别待测植株的种类作为 模型的输出 结果。 4.根据权利要求1所述的方法， 其中， 所述根据植株的识别结果， 分析植株的状态， 包 括: 根据植株的种类识别结果， 对植株的状态进行分析； 所述植株的状态包括株高、 叶子形 态、 茎秆形状和花瓣特征； 其中， 所述叶子形态包括叶长、 叶宽和叶子形状； 所述花瓣特征包 括花径、 花期和花寿； 利用关联规则算法Apr iori挖掘植株的状态对应植株的种类间的关联 关系； 所述关联规则算法过程如下： 通过迭代输入， 检索出植株数据库中的形态因子中的所 有频繁项集， 即支持度不低于预设第三阈值的项集； 所述支持度， 是各个因子项集在数据库 中出现的次数占各自的总项集次数的百分比； 然后利用频繁项集构造出满足置信度 的规 则； 所述置信度， 是各个因子的总项集占数据库所有项集的百分比； 通过对比支持度与置信 度， 判断与植株的种类 关联性的强弱， 并根据关联规则算法绘制植株的种类关联网络图； 所 述植株的种类关联网络图表明所述 植株的状态。 5.根据权利要求1所述的方法， 其中， 所述基于植株的状态， 监测植株的健康程度， 包 括: 基于植株的状态， 通过植株健康状况识别模型， 监测植株的健康程度； 在植株的生长期 内， 构造植株的健康程度评价函数， 即NH＝W*W1+N*W2+I*W3； 其中， NH表示植株在生长期内 的不健康指数， NH值越大， 表示植株在生长期内健康程度越差； W、 N和I表示不健康状况， 包 括： W表示植株在生长期内缺 失水分的状况， 若通过植株健康状况识别模型判断出植株存在 缺失水分的不健康状况， 则W＝ 1， 否则W＝0； N表 示植株在生长期内缺失营养的状况， 若通过 植株健康状况识别模型判断出植株存在缺失营养的不健康状况， 则N＝1， 否则N＝0； I表示 植株在生长期内遭受病虫害的状况， 若通过植株健康状况识别模型判断出植株存在遭受病 虫害的不健康状况， 则I＝1， 否则I＝0； W1、 W2和W3分别表示对应不健康状况持续的时间占 植株生长期总时间的百分比； 根据植株的健康程度评价函数， 计算植株在生长期 内的不健 康指数， 对所述 植株的健康程度进行监测； 包括： 建立 植株健康状况识别模型； 所述建立 植株健康状况识别模型， 具体包括: 随机采集超过第四预设阈值数量的植株， 利用深度学习建立植株健康状况识别模型； 利用深度学习建立植株健康状况识别模 型， 包括： 将植株的形态作为训练集和测试集； 对训 练集进行特征提取； 所述特征提取是指提取植株的特征数据； 所述特征数据包括株高、 叶子权　利　要　求　书 2/4 页 3