Método de medición morfológica tridimensional para la copa de un árbol frutal basado en la auto-calibración del sensor Kinect
Autores: Yang, Haihui; Wang, Xiaochan; Sun, Guoxiang
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Método de medición morfológica tridimensional para la copa de un árbol frutal basado en la auto-calibración del sensor Kinect
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Dosel de árbol frutal
Medición morfológica en 3D
Sensor Kinect
Parámetros morfológicos
Extracción de información del dosel
Registro y fusión de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La percepción de la copa del árbol frutal es una tecnología vital para el control inteligente de un huerto moderno estandarizado. Debido a la compleja estructura tridimensional (3D) de la copa del árbol frutal, los parámetros morfológicos extraídos de imágenes bidimensionales (2D) o tridimensionales (3D) de una sola perspectiva no son lo suficientemente completos. La información tridimensional de diferentes perspectivas debe combinarse para percibir la información de la copa de manera eficiente y precisa en un entorno de campo de huerto complejo. Los algoritmos utilizados para el registro y fusión de datos desde diferentes perspectivas y la extracción subsiguiente de parámetros relacionados con la copa del árbol frutal son clave para el problema. Este estudio propuso un método de medición morfológica 3D para una copa de árbol frutal basado en la autocorrección del sensor Kinect, incluyendo la generación de nube de puntos 3D, el registro de nube de puntos y la extracción de información de la copa del árbol de manzana. Usando 32 árboles de manzana (variedad Yanfu 3) se calcularon parámetros morfológicos de altura (H), ancho máximo de la copa (W) y grosor de la copa (D). La precisión y aplicabilidad de este método para la extracción de parámetros morfológicos fueron analizadas estadísticamente. Los resultados mostraron que, en ambos lados de los árboles frutales, los valores promedio de error relativo (ARE) de los parámetros morfológicos incluyendo la altura del árbol frutal (H), el ancho máximo del árbol (W) y el grosor de la copa (D) entre los valores calculados y medidos fueron del 3.8%, 12.7% y 5.0%, respectivamente, bajo el modo V1; los valores ARE bajo el modo V2 fueron del 3.3%, 9.5% y 4.9%, respectivamente; y los valores ARE bajo el modo V1 y V2 fusionados fueron del 2.5%, 3.6% y 3.2%, respectivamente. La precisión de la medición del ancho del árbol (W) bajo el modo de doble ángulo visual tuvo una ventaja significativa sobre la del modo de ángulo visual único. El método de reconstrucción de nube de puntos 3D basado en la autocorrección de Kinect propuesto en este estudio tiene una alta precisión y un rendimiento estable, y los objetos de calibración auxiliares son fácilmente transportables y fáciles de instalar. Puede aplicarse a diferentes escenas experimentales para extraer información 3D de las copas de los árboles frutales y tiene importantes implicaciones para lograr el control inteligente de huertos estandarizados.
Descripción
La percepción de la copa del árbol frutal es una tecnología vital para el control inteligente de un huerto moderno estandarizado. Debido a la compleja estructura tridimensional (3D) de la copa del árbol frutal, los parámetros morfológicos extraídos de imágenes bidimensionales (2D) o tridimensionales (3D) de una sola perspectiva no son lo suficientemente completos. La información tridimensional de diferentes perspectivas debe combinarse para percibir la información de la copa de manera eficiente y precisa en un entorno de campo de huerto complejo. Los algoritmos utilizados para el registro y fusión de datos desde diferentes perspectivas y la extracción subsiguiente de parámetros relacionados con la copa del árbol frutal son clave para el problema. Este estudio propuso un método de medición morfológica 3D para una copa de árbol frutal basado en la autocorrección del sensor Kinect, incluyendo la generación de nube de puntos 3D, el registro de nube de puntos y la extracción de información de la copa del árbol de manzana. Usando 32 árboles de manzana (variedad Yanfu 3) se calcularon parámetros morfológicos de altura (H), ancho máximo de la copa (W) y grosor de la copa (D). La precisión y aplicabilidad de este método para la extracción de parámetros morfológicos fueron analizadas estadísticamente. Los resultados mostraron que, en ambos lados de los árboles frutales, los valores promedio de error relativo (ARE) de los parámetros morfológicos incluyendo la altura del árbol frutal (H), el ancho máximo del árbol (W) y el grosor de la copa (D) entre los valores calculados y medidos fueron del 3.8%, 12.7% y 5.0%, respectivamente, bajo el modo V1; los valores ARE bajo el modo V2 fueron del 3.3%, 9.5% y 4.9%, respectivamente; y los valores ARE bajo el modo V1 y V2 fusionados fueron del 2.5%, 3.6% y 3.2%, respectivamente. La precisión de la medición del ancho del árbol (W) bajo el modo de doble ángulo visual tuvo una ventaja significativa sobre la del modo de ángulo visual único. El método de reconstrucción de nube de puntos 3D basado en la autocorrección de Kinect propuesto en este estudio tiene una alta precisión y un rendimiento estable, y los objetos de calibración auxiliares son fácilmente transportables y fáciles de instalar. Puede aplicarse a diferentes escenas experimentales para extraer información 3D de las copas de los árboles frutales y tiene importantes implicaciones para lograr el control inteligente de huertos estandarizados.