Método de reconstrucción de nube de puntos tridimensional y medición de morfología para plantas de invernadero basado en la autocorrección del sensor Kinect
Autores: Sun, Guoxiang; Wang, Xiaochan
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Método de reconstrucción de nube de puntos tridimensional y medición de morfología para plantas de invernadero basado en la autocorrección del sensor Kinect
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Planta
Morfología 3D
Sensor Kinect
Reconstrucción de nube de puntos
Plantas de invernadero
Fenotipado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
Los datos morfológicos de las plantas son una base importante para la agricultura de precisión y la fenómica de plantas. La forma geométrica tridimensional (3D) de las plantas es compleja, y la morfología 3D de una planta cambia de manera relativamente significativa durante todo el ciclo de crecimiento. Para realizar mediciones de alta capacidad de la morfología 3D de plantas de invernadero, es necesario ajustar con frecuencia la posición relativa entre el sensor y la planta. Por lo tanto, es necesario ajustar con frecuencia la posición del sensor Kinect y, en consecuencia, recalibrar el sensor Kinect durante todo el ciclo de crecimiento de la planta, lo que aumenta significativamente la tediosidad del proceso de reconstrucción de nubes de puntos 3D multivista. Se propone un método de reconstrucción rápida de nubes de puntos 3D de plantas de invernadero de alta capacidad basado en la calibración de posición autónoma del sensor Kinect v2 para la fenotipificación 3D de plantas de invernadero. Dos imágenes rojo-verde-azul-profundo (RGB-D) de la superficie de la plataforma giratoria son adquiridas por el sensor Kinect v2. El punto central y el vector normal del eje de rotación de la plataforma giratoria se calculan automáticamente. Los sistemas de coordenadas de las imágenes RGB-D capturadas en diversos ángulos de vista se unifican en función del punto central y del vector normal del eje de la plataforma giratoria para lograr un registro grueso. Luego, se utiliza el algoritmo de punto más cercano iterativo para realizar un registro preciso de nubes de puntos multivista, logrando así una reconstrucción rápida de nubes de puntos 3D de la planta de invernadero. Las plantas de tomate de invernadero fueron seleccionadas como objetos de medición en este estudio. Los resultados de la investigación muestran que el método propuesto de reconstrucción de nubes de puntos 3D fue altamente preciso y estable en su rendimiento, y puede utilizarse para reconstruir nubes de puntos 3D para análisis de fenotipificación de plantas de alta capacidad y para extraer los parámetros morfológicos de las plantas.
Descripción
Los datos morfológicos de las plantas son una base importante para la agricultura de precisión y la fenómica de plantas. La forma geométrica tridimensional (3D) de las plantas es compleja, y la morfología 3D de una planta cambia de manera relativamente significativa durante todo el ciclo de crecimiento. Para realizar mediciones de alta capacidad de la morfología 3D de plantas de invernadero, es necesario ajustar con frecuencia la posición relativa entre el sensor y la planta. Por lo tanto, es necesario ajustar con frecuencia la posición del sensor Kinect y, en consecuencia, recalibrar el sensor Kinect durante todo el ciclo de crecimiento de la planta, lo que aumenta significativamente la tediosidad del proceso de reconstrucción de nubes de puntos 3D multivista. Se propone un método de reconstrucción rápida de nubes de puntos 3D de plantas de invernadero de alta capacidad basado en la calibración de posición autónoma del sensor Kinect v2 para la fenotipificación 3D de plantas de invernadero. Dos imágenes rojo-verde-azul-profundo (RGB-D) de la superficie de la plataforma giratoria son adquiridas por el sensor Kinect v2. El punto central y el vector normal del eje de rotación de la plataforma giratoria se calculan automáticamente. Los sistemas de coordenadas de las imágenes RGB-D capturadas en diversos ángulos de vista se unifican en función del punto central y del vector normal del eje de la plataforma giratoria para lograr un registro grueso. Luego, se utiliza el algoritmo de punto más cercano iterativo para realizar un registro preciso de nubes de puntos multivista, logrando así una reconstrucción rápida de nubes de puntos 3D de la planta de invernadero. Las plantas de tomate de invernadero fueron seleccionadas como objetos de medición en este estudio. Los resultados de la investigación muestran que el método propuesto de reconstrucción de nubes de puntos 3D fue altamente preciso y estable en su rendimiento, y puede utilizarse para reconstruir nubes de puntos 3D para análisis de fenotipificación de plantas de alta capacidad y para extraer los parámetros morfológicos de las plantas.