一种基于图像识别的作物长势监测方法与流程

1.本发明涉及作物长势监测技术领域，尤其是涉及一种基于图像识别的作物长势监测方法。


背景技术：

2.作物长势信息反映作物生长的状况和趋势，是农情信息的重要组成部分。植被指数、叶面积指数等为常见的能够反映作物长势的监测指标。叶面积指数（leaf area index，lai）是指在垂直方向上单位地表面积上植物叶片面积的总和。lai是描述植物生长状况的重要参数，对于环境研究和作物生产管理具有重要意义。
3.现有技术中通过计算lai来监测作物长势的方法主要有以下几个种：地面观测：采用地面观测方法测量单株或小范围内的lai，如喷涂荧光素、覆盖网、直接剪切法等。这种方法可以直接获取植株的lai，但仅限于小样本，难以扩展到全区域。
4.无人机遥感：采用无人机遥感技术获取大范围的lai信息，如多光谱影像、激光雷达等。无人机可以获取高分辨率和高频率的数据，有助于对作物的生长过程进行实时监测。
5.卫星遥感：利用卫星遥感技术获取广泛的lai数据，如modis、landsat等卫星。卫星遥感可以提供全球性的lai信息，但分辨率较低，时间间隔较长。
6.基于机器学习的lai估算：采用机器学习方法从遥感数据中估算lai值，如支持向量机、随机森林等。这种方法可以快速获取lai信息且精度较高，但需要预先训练好的模型。
7.但是现有技术针对叶面积指数的计算仍存在精度低，无法同时适应叶片数量少的小植株和叶片数量多的大植株。


技术实现要素：

8.本发明提供一种基于图像识别的作物长势监测方法，通过提高对叶面积指数提取的精度，以实现对作物长势的精确监测。
9.为了解决上述技术问题，本发明实施例提供了一种基于图像识别的作物长势监测方法，包括以下步骤：获取植株及其参照物的多视角图片，通过对所述图片进行图像识别得到所述植株的实际占地面积；根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积；根据所述实际占地面积和总叶面积得到所述植株的叶面积指数；根据所述叶面积指数对所述植株的长势进行监测;所述通过对所述图片进行图像识别得到所述植株的实际占地面积，具体为：对所述图片进行尺寸转换后，再进行灰度化处理得到灰度图；对所述灰度图进行二值化处理，得到二值化图像；采用消除小连通域的方法，去除所述二值化图像中的小面积区域，识别并保留第一区域和第二区域，所述第一区域为植株区域，所述第二区域为参照物区域；
识别所述第一区域和第二区域的白色像素数量，记为第一白色像素数量，再去除所述第二区域后识别所述第一区域的白色像素数量，记为第二白色像素数量；根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积;所述根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积，具体为：其中，表示所述第一白色像素数量，表示所述第二白色像素数量，表示参照物的实际面积。
10.作为其中一种优选方案，所述通过对所述图片进行图像识别得到所述植株的实际占地面积，具体为：对所述图片进行尺寸转换后，再进行灰度化处理得到灰度图；对所述灰度图进行二值化处理，得到二值化图像；采用消除小连通域的方法，去除所述二值化图像中的小面积区域，识别并保留第一区域和第二区域，所述第一区域为植株区域，所述第二区域为参照物区域；识别所述第一区域和第二区域的白色像素数量，记为第一白色像素数量，再去除所述第二区域后识别所述第一区域的白色像素数量，记为第二白色像素数量；根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积。
11.作为其中一种优选方案，根据以下步骤得到所述总叶片数量：根据所述多视角图片，从所述多视角图片中获取多视角植株图像序列，再从所述多视角植株图像序列中提取所述植株的三维点云数据；去除所述三维点云数据中的背景噪声点后，对所述三维点云数据进行分割，去除无用点并保留植株点云；对所述植株点云进行分割，得到第一部分点云和第二部分点云，并去除所述第二部分点云，保留所述第一部分点云；所述第一部分点云为叶片点云，所述第二部分点云为植株的其他部分点云；对所述叶片点云进行单叶分离处理，对单叶数量进行统计得到总叶数量。
12.作为其中一种优选方案，所述去除所述三维点云数据中的背景噪声点，具体为：计算所述三维点云数据中所有数据点之间的第一平均距离和第一标准差，根据所述第一平均距离和第一标准差得到预设区间，所述预设区间用于判断数据点是否为离群点；针对每个数据点计算当前数据点与其相邻点的平均距离记为第二平均距离，并将所述第二平均距离在所述预设区间内的数据点作为离群点进行删除。
13.作为其中一种优选方案，所述对所述三维点云数据进行分割，去除无用点并保留植株点云，具体为：选取数据对：选取数据对；从所述三维点云数据中随机选取两个数据点，并计算所述两个数据点所在的直线；
统计数据点数量：计算所述三维点云数据中每个数据点相对于所述直线的误差值，统计所述误差值小于预设阈值的数据点数量并记录本次计算得到的所述数据点数量；重复执行所述选取数据对和统计数据点数量，直至达到最大迭代次数；选取多次迭代中得到的所述数据点数量中的最大值，将所述最大值对应的直线记为第一直线，删除所述第一直线所在水平面以下的三维点云数据。
14.作为其中一种优选方案，所述对所述植株点云进行分割，得到第一部分点云和第二部分点云，具体为：对所述植株点云进行点云骨架提取，得到第一骨骼点集；初始化点云集：采用rain算法将所述第一骨骼点集按照雨滴路径划分为若干第一点云集，将所述若干第一点云集组合为第一点云集合，所述雨滴路径是指所述rain算法随机生成的雨滴降落在所述植株点云上所产生的路径；遍历集合：从所述第一点云集合选取一个所述第一点云集；更新点云集：对所述第一点云集进行骨架提取，得到第二骨骼点集，采用rain算法将所述第二骨骼点集按照雨滴路径划分为若干第二点云集，采用所述第二点云集更新所述第一点云集；结束条件判断：重复执行所述更新点云集合的过程直至达到预设的迭代次数，判断所述第一点云集中的数据点是否在预设的误差范围内处于同一直线上，若是，则将所述植株点云中的所述第一点云集分割为第二部分点云，将其余部分分割为所述第一部分点云；若否，则判断所述第一点云集合是否遍历完毕，若否则重复执行所述遍历集合、更新点云集和结束条件判断的过程；滤除所述植株点云中的所述第二部分点云。
15.作为其中一种优选方案，所述对所述叶片点云进行单叶分离处理，具体为：所述叶片点云中每个点的空间特征包含点所在的空间平滑度和邻域拟合的平面法向量，通过迭代主成分分析法计算所述叶片点云中每个点的第一近邻点集矩阵；去除所述第一近邻点集矩阵中欧式距离大于第一预设阈值的点得到第二近邻点集矩阵，所述欧式距离为点到拟合平面的距离；计算所述第二近邻点集矩阵的协方差矩阵，并根据所述协方差矩阵更新所述拟合平面；获取所述叶片点云中的种子点，根据所述种子点建立具有相同特征的小面片区域，得到分割后的小面片簇；以所述小面片簇中的小面片为单位，根据面片的邻接关系和面片之间的共面特性进行区域延展，经过区域延展后的多个面片拼接为一个空间结构，当所述空间结构覆盖的点超过预设的第二阈值时分割所述空间结构为单叶片。
16.作为其中一种优选方案，根据所述实际占地面积和总叶面积得到所述植株的叶面积指数，具体为：其中，表示所述叶面积指数，表示所述总叶面积，表示所述实际占地面积。
17.作为其中一种优选方案，所述预设区间为[第一平均距离-第一标准差，第一平均
距离+第一标准差]。
[0018]
相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：本发明通过对所述多视角图片进行图像处理得到所述植株的实际占地面积，以及根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积，最后根据实际占地面积和总叶面积得到所述植株的叶面积指数。由于本发明在计算叶面积指数时引入了总叶片数量，而针对总页面数量的获取是较为准确的一个参数，因此采用该方法计算得到的叶面积指数精度高，同时该方法既可以应用于叶片数量少的小植株，也可以应用于叶片数量多的大植株。进而可以通过提高对叶面积指数提取的精度，以实现对作物长势的精确监测。
附图说明
[0019]
图1是本发明其中一种实施例中基于图像识别的作物长势监测方法的流程示意图；图2是本发明其中一种实施例中基于图像识别的作物长势监测方法的植株及其参照物的多视角图片；图3是本发明其中一种实施例中的方法的对三维点云数据进行分割的流程示意图；图4是本发明其中一种实施例中的方法的对所述叶片点云进行单叶分离处理的流程示意图。
具体实施方式
[0020]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0021]
在本技术描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0022]
在本技术的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0023]
本发明一实施例提供了一种基于图像识别的作物长势监测方法，请参见图1，图1示出了本发明其中一种实施例中的基于图像识别的作物长势监测方法方法的流程示意图，包括以下步骤：步骤s1：获取植株及其参照物的多视角图片，通过对所述图片进行图像识别得到所述植株的实际占地面积。
[0024]
作为其中一种实施例，如图2所示，收集或者相机拍摄不同角度的植株及其参照物
的图片，为了能够排除拍摄角度和拍摄距离对柑植株实际占地面积的影响，在拍摄过程中需要一个特定面积的参照物放置于柑橘树旁边，用以计算出柑橘树的实际占地面积。
[0025]
作为其中一种实施例，所述通过对所述图片进行图像处理得到所述植株的实际占地面积，包括以下步骤：步骤s11：对所述图片进行尺寸转换后，再进行灰度化处理得到灰度图。
[0026]
步骤s12：对所述灰度图进行二值化处理，得到二值化图像。
[0027]
步骤s13：采用消除小连通域的方法，去除所述二值化图像中的小面积区域，识别并保留第一区域和第二区域，所述第一区域为植株区域，所述第二区域为参照物区域。
[0028]
步骤s14：识别所述第一区域和第二区域的白色像素数量，记为第一白色像素数量，再去除所述第二区域后识别所述第一区域的白色像素数量，记为第二白色像素数量。
[0029]
步骤s15：根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积。具体的，根据以下公式计算所述植株的实际占地面积：其中，表示所述第一白色像素数量，表示所述第二白色像素数量，表示参照物的实际面积，通过先验经验测得所述参照无的实际面积。
[0030]
步骤s2：根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积。
[0031]
作为其中一种实施例，从所述植株上随机采集24片叶片作为样本，并求取所述24片叶片的平均面积。
[0032]
作为其中一种实施例，根据以下步骤得到所述总叶片数量：步骤s21：根据所述多视角图片，从所述多视角图片中获取多视角植株图像序列，再从所述多视角植株图像序列中提取所述植株的三维点云数据；所述多视角图片的相邻两幅图片间具有较窄的基线以及较多相互重叠的区域。具体的，从所述多视角植株图像序列中提取所述植株的三维点云数据后，将各个数据点的坐标变换至现实世界的三维坐标，所述三维坐标的x轴位于水平面，x轴和y轴形成的平面垂直于所述水平面，进而可以根据右手坐标系方法确定z轴。优选的，采用oenmvg结合openmvs的方法提取所述三维点云数据，或采用三维激光雷达方法提取所述三维点云数据。
[0033]
步骤s22：去除所述三维点云数据中的背景噪声点后，对所述三维点云数据进行分割，去除无用点并保留植株点云；步骤s23：对所述植株点云进行分割，得到第一部分点云和第二部分点云，并去除所述第二部分点云，保留所述第一部分点云；所述第一部分点云为叶片点云，所述第二部分点云为植株的其他部分点云；步骤s24：从所述植株点云中提取叶片点云，再对所述叶片点云进行单叶分离处理，对单叶数量进行统计得到总叶数量。
[0034]
作为其中一种实施例，所述去除所述三维点云数据中的背景噪声点，具体为：步骤s221：计算所述三维点云数据中所有数据点之间的第一平均距离d和第一标准差s，根据所述第一平均距离d和第一标准差s得到预设区间，所述预设区间用于判断数据点是否为离群点；步骤s222：针对每个数据点计算数据点与其相邻点的平均距离记为第二平均距
离，并将所述第二平均距离不在所述预设区间内的数据点作为离群点进行删除。所述相邻点是指与当前数据点的距离小于第三预设阈值的数据点，计算数据点与其相邻点的平均距离时，需要计算当前数据点与其全部相邻点之间的平均距离。
[0035]
作为其中一种实施例，所述将所述第二平均距离在所述预设区间内的数据点作为离群点进行删除，具体为：判断所述第二平均距离是否在[d-s,d+s]区间内，若否，则判断当前数据点为离群点并删除。
[0036]
由于此时的三维点云数据中，仍然包括植株以外的数据（如花盆、土壤、参照物等），因此还需要进一步去除无用点。
[0037]
作为其中一种实施例，如图3所示，所述对所述三维点云数据进行分割，去除无用点并保留植株点云，具体为：步骤s223：选取数据对；从所述三维点云数据中随机选取两个数据点，并计算所述两个数据点所在的直线。所述直线的表达式为，i表示迭代的次数。
[0038]
步骤s224：统计数据点数量；计算所述三维点云数据中每个数据点相对于所述直线模型的误差值，统计所述误差值小于预设阈值的数据点数量并记录本次计算得到的所述数据点数量n。具体的，将当前数据点的x坐标代入所述直线，得到所述当前数据点在所述直线的y坐标，计算所述直线的y坐标和数据点实际的y坐标之间的差值。
[0039]
步骤s225：重复执行所述选取数据对和统计数据点数量，直至达到最大迭代次数；步骤s226：选取多次迭代中得到的所述数据点数量n中的最大值，将所述最大值对应的直线记为第一直线，删除所述第一直线所在水平面以下的三维点云数据。所述第一直线所在水平面以上的三维点云数据为植株点云。
[0040]
作为其中一种实施例，所述对所述植株点云进行分割，得到第一部分点云和第二部分点云，包括以下步骤：步骤s231：对所述植株点云进行点云骨架提取，得到第一骨骼点集。所述点云骨架提取为现有技术，此处不再赘述。
[0041]
步骤s232：初始化点云集，具体为采用rain算法将所述第一骨骼点集按照雨滴路径划分为若干第一点云集，将所述若干第一点云集组合为第一点云集合，m=1,2,...,m，m为所述第一点云集的数量；所述雨滴路径是指所述rain算法随机生成的雨滴降落在所述植株点云上所产生的路径。即所述rain算法随机生成的雨滴落在所述植株点云上的任意位置，可以根据所述雨滴的路径将所述第一骨骼点集划分为若干第一点云集。
[0042]
初始化m=1，迭代次数k=1。
[0043]
步骤s233：遍历集合；从所述第一点云集合选取一个所述第一点云集。从所述第一点云集合中的第一个所述第一点云集开始遍历，依次选取所述第一点云集。
[0044]
步骤s234：更新点云集；对所述第一点云集进行骨架提取，得到第二骨骼点集，采用rain算法将所述第二骨骼点集按照雨滴路径划分为若干第二点云集，采用所述第二点云集更新所述第一点云集。
[0045]
步骤s235：结束条件判断，具体为重复执行所述更新点云集合的过程直至达到预设的迭代次数（即当k小于预设的迭代次数时，k=k+1并返回至步骤s234），判断所述第一点云集中的数据点是否在预设的误差范围内处于同一直线上，若是，则将所述植株点云中的
所述第一点云集分割为第二部分点云，将其余部分分割为所述第一部分点云；若否，则判断所述第一点云集合是否遍历完毕，若否则重复执行所述遍历集合、更新点云集和结束条件判断的过程。
[0046]
所述若否则重复执行所述遍历集合、更新点云集和结束条件判断的过程，具体为当m小于m时，m=m+1并返回至步骤s233。
[0047]
步骤s236：滤除所述植株点云中的所述第二部分点云。通过步骤s232至s235得到所述第二部分点云为除叶片之外的其他部分的点云，如茎部点云，所述第一部分点云为叶片点云，因此需要滤除所述第二部分点云。
[0048]
作为其中一种实施例，如图4所示，所述对所述叶片点云进行单叶分离处理，具体为：步骤s241：所述叶片点云中每个点的空间特征包含点所在的空间平滑度和邻域拟合的平面法向量，通过迭代主成分分析法计算所述叶片点云中每个点的第一近邻点集矩阵。具体的，所述的拟合平面为，所述第一近邻点集矩阵为的k近邻域点集矩阵，每次迭代主成分分析法可以计算得到一个邻域的点的距离，表示中点到所述拟合平面的距离。当所述第一近邻点集矩阵的大小保持不变时，结束迭代。
[0049]
步骤s242：去除所述第一近邻点集矩阵中欧式距离大于第一预设阈值的点得到第二近邻点集矩阵，所述欧式距离为点到所述拟合平面的距离。具体的，将》的点从所述第一近邻点集矩阵中去除，其中为所述第一预设阈值。
[0050]
步骤s243：计算所述第二近邻点集矩阵的协方差矩阵，并根据所述协方差矩阵更新所述拟合平面。
[0051]
步骤s244：获取所述叶片点云中的种子点，根据所述种子点建立具有相同特征的小面片区域，得到分割后的小面片簇。所述种子点为所述叶片点云的中心点对应的第一近邻点集矩阵中平滑度最高的点。再根据所述种子点进行点尺度下的区域生长建立一块有相同特征的小面片区域。
[0052]
步骤s245：以所述小面片簇中的小面片为单位，根据面片的邻接关系和面片之间的共面特性进行区域延展（或生长），经过区域延展后的多个面片拼接为一个空间结构，当所述空间结构覆盖的点超过预设的第二阈值时分割所述空间结构为单叶片。
[0053]
步骤s3：根据所述实际占地面积和总叶面积得到所述植株的叶面积指数。具体的，根据以下公式计算所述植株的叶面积指数：其中，表示所述叶面积指数，表示所述总叶面积，表示所述实际占地面积。
[0054]
步骤s4：根据所述叶面积指数对所述植株的长势进行监测。
[0055]
本发明通过对所述多视角图片进行图像处理得到所述植株的实际占地面积，以及根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积，最后根据实际占地面积和总叶面积得到所述植株的叶面积指数。由于本发明在计算叶面积指数时引入了总叶片数量，而针对总页面数量的获取是较为准确的一个参数，因此采用该方法计算得到的叶
面积指数精度高，同时该方法既可以应用于叶片数量少的小植株，也可以应用于叶片数量多的大植株。本发明通过计算叶面指数来对植株长势情况进行监测，进而可以更好的指导叶面肥喷洒、作物水肥供给，病害防治等生产过程。
[0056]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于图像识别的作物长势监测方法，其特征在于，包括以下步骤：获取植株及其参照物的多视角图片，通过对所述图片进行图像识别得到所述植株的实际占地面积；根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积；根据所述实际占地面积和总叶面积得到所述植株的叶面积指数；根据所述叶面积指数对所述植株的长势进行监测；所述通过对所述图片进行图像识别得到所述植株的实际占地面积，具体为：对所述图片进行尺寸转换后，再进行灰度化处理得到灰度图；对所述灰度图进行二值化处理，得到二值化图像；采用消除小连通域的方法，去除所述二值化图像中的小面积区域，识别并保留第一区域和第二区域，所述第一区域为植株区域，所述第二区域为参照物区域；识别所述第一区域和第二区域的白色像素数量，记为第一白色像素数量，再去除所述第二区域后识别所述第一区域的白色像素数量，记为第二白色像素数量；根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积;所述根据所述第一白色像素数量、第二白色像素数量和参照物的实际面积，得到所述植株的实际占地面积，具体为：其中，表示所述第一白色像素数量，表示所述第二白色像素数量，表示参照物的实际面积。2.如权利要求1所述的基于图像识别的作物长势监测方法，其特征在于，根据以下步骤得到所述总叶片数量：根据所述多视角图片，从所述多视角图片中获取多视角植株图像序列，再从所述多视角植株图像序列中提取所述植株的三维点云数据；去除所述三维点云数据中的背景噪声点后，对所述三维点云数据进行分割，去除无用点并保留植株点云；对所述植株点云进行分割，得到第一部分点云和第二部分点云，并去除所述第二部分点云，保留所述第一部分点云；所述第一部分点云为叶片点云，所述第二部分点云为植株的其他部分点云；对所述叶片点云进行单叶分离处理，对单叶数量进行统计得到总叶数量。3.如权利要求2所述的基于图像识别的作物长势监测方法，其特征在于，所述去除所述三维点云数据中的背景噪声点，具体为：计算所述三维点云数据中所有数据点之间的第一平均距离和第一标准差，根据所述第一平均距离和第一标准差得到预设区间，所述预设区间用于判断数据点是否为离群点；针对每个数据点计算当前数据点与其相邻点的平均距离记为第二平均距离，并将所述第二平均距离在所述预设区间内的数据点作为离群点进行删除。4.如权利要求3所述的基于图像识别的作物长势监测方法，其特征在于，所述对所述三维点云数据进行分割，去除无用点并保留植株点云，具体为：
选取数据对：从所述三维点云数据中随机选取两个数据点，并计算所述两个数据点所在的直线；统计数据点数量：计算所述三维点云数据中每个数据点相对于所述直线的误差值，统计所述误差值小于预设阈值的数据点数量并记录本次计算得到的所述数据点数量；重复执行所述选取数据对和统计数据点数量，直至达到最大迭代次数；选取多次迭代中得到的所述数据点数量中的最大值，将所述最大值对应的直线记为第一直线，删除所述第一直线所在水平面以下的三维点云数据。5.如权利要求4所述的基于图像识别的作物长势监测方法，其特征在于，所述对所述植株点云进行分割，得到第一部分点云和第二部分点云，具体为：对所述植株点云进行点云骨架提取，得到第一骨骼点集；初始化点云集：采用rain算法将所述第一骨骼点集按照雨滴路径划分为若干第一点云集，将所述若干第一点云集组合为第一点云集合，所述雨滴路径是指所述rain算法随机生成的雨滴降落在所述植株点云上所产生的路径；遍历集合：从所述第一点云集合选取一个所述第一点云集；更新点云集：对所述第一点云集进行骨架提取，得到第二骨骼点集，采用rain算法将所述第二骨骼点集按照雨滴路径划分为若干第二点云集，采用所述第二点云集更新所述第一点云集；结束条件判断：重复执行所述更新点云集合的过程直至达到预设的迭代次数，判断所述第一点云集中的数据点是否在预设的误差范围内处于同一直线上，若是，则将所述植株点云中的所述第一点云集分割为第二部分点云，将其余部分分割为所述第一部分点云；若否，则判断所述第一点云集合是否遍历完毕，若否则重复执行所述遍历集合、更新点云集和结束条件判断的过程；滤除所述植株点云中的所述第二部分点云。6.如权利要求5所述的基于图像识别的作物长势监测方法，其特征在于，所述对所述叶片点云进行单叶分离处理，具体为：所述叶片点云中每个点的空间特征包含点所在的空间平滑度和邻域拟合的平面法向量，通过迭代主成分分析法计算所述叶片点云中每个点的第一近邻点集矩阵；去除所述第一近邻点集矩阵中欧式距离大于第一预设阈值的点得到第二近邻点集矩阵，所述欧式距离为点到拟合平面的距离；计算所述第二近邻点集矩阵的协方差矩阵，并根据所述协方差矩阵更新所述拟合平面；获取所述叶片点云中的种子点，根据所述种子点建立具有相同特征的小面片区域，得到分割后的小面片簇；以所述小面片簇中的小面片为单位，根据面片的邻接关系和面片之间的共面特性进行区域延展，经过区域延展后的多个面片拼接为一个空间结构，当所述空间结构覆盖的点超过预设的第二阈值时分割所述空间结构为单叶片。7.如权利要求6所述的基于图像识别的作物长势监测方法，其特征在于，根据所述实际占地面积和总叶面积得到所述植株的叶面积指数，具体为：
其中，表示所述叶面积指数，表示所述总叶面积，表示所述实际占地面积。8.如权利要求1至7任一项所述的基于图像识别的作物长势监测方法，其特征在于，所述预设区间为[第一平均距离-第一标准差，第一平均距离+第一标准差]。

技术总结
本发明公开了一种基于图像识别的作物长势监测方法，该方法包括获取植株及其参照物的多视角图片，通过对所述图片进行图像识别得到所述植株的实际占地面积；根据所述植株的平均叶片面积和总叶片数量计算所述植株的总叶面积；根据所述实际占地面积和总叶面积得到所述植株的叶面积指数。本发明通过提高对叶面积指数提取的精度，以实现对作物长势的精确监测。以实现对作物长势的精确监测。以实现对作物长势的精确监测。


技术研发人员：李相国 许洁纯 刘林 刘洋
受保护的技术使用者：宏景科技股份有限公司
技术研发日：2023.07.14
技术公布日：2023/8/13