楊 洲，李 洋，段潔利，徐 興，余家祥，申東英，袁浩天

·農(nóng)業(yè)信息與電氣技術·

基于毫米波雷達的果園單木冠層信息提取

楊 洲1,3，李 洋1，段潔利1，徐 興2※，余家祥1，申東英1，袁浩天1

（1. 華南農(nóng)業(yè)大學工程學院，廣州 510642； 2. 華南農(nóng)業(yè)大學電子工程學院，廣州 510642； 3. 嘉應學院廣東省山區(qū)特色農(nóng)業(yè)資源保護與精準利用重點實驗室，梅州 514015）

為解決當前果園探測技術難以在惡劣的果園環(huán)境中提取果樹冠層信息的問題。該研究將毫米波雷達應用于果園冠層探測，搭建了基于毫米波雷達的果園冠層探測系統(tǒng)，利用該系統(tǒng)掃描得到了果園點云，檢測和估算得到每棵果樹的株高、冠幅和體積參數(shù)。針對毫米波雷達在不同距離下產(chǎn)生點云密度不同的問題，該研究提出了一種基于可變軸的橢球模型自適應密度聚類算法，用以提高果樹點云識別效果，進而使用Alpha-shape算法和隨機抽樣一致算法（Random Sample Consensus）對果樹進行了表面重建和結構參數(shù)的提取。通過與人工測量數(shù)據(jù)比較，該研究提出的聚類算法可以有效的識別和提取單木冠層點云，代表果樹識別精度的1 分數(shù)為 93.7%；檢測到的果樹的株高和冠幅的平均相對誤差分別為8.7%和8.1%，決定系數(shù)分別為0.84和0.92，均方根誤差分別為16.39和7.82 cm；使用Alpha-shape算法計算得到平均果樹體積為5.6 m3，相比傳統(tǒng)幾何法測量體積，體積計算準確度提高了59.4%。該研究表明毫米波雷達可以用于果園冠層信息的準確提取，為采集果園冠層信息提供了技術，對農(nóng)業(yè)信息采集和自動化作業(yè)技術的發(fā)展具有重要意義。

雷達；機械化；冠層信息；點云處理；密度聚類；單木識別

0 引 言

果園精準施藥技術可以根據(jù)果樹冠層信息（如冠層高度、體積、直徑等）改變施藥量，從而有效的提高農(nóng)藥利用率，一直是國內外學者研究的熱點[1-2]。果樹冠層信息采集技術可以為施藥設備提供可靠的噴霧決策，是實現(xiàn)精準施藥的關鍵和前提。進入21世紀以來，研究人員將光學[3]、超聲波、立體視覺[4]和激光雷達（Laser Radar）等先進傳感技術應用于果樹冠層信息采集，并與傳統(tǒng)果園作業(yè)設備相結合，創(chuàng)造了一批現(xiàn)代化果園農(nóng)業(yè)機械[5]，實現(xiàn)了靶標探測[6-7]、冠層信息采集[8-11]、農(nóng)藥精準噴 施[12-13]。

激光雷達具有分辨率強、精度高和響應時間短的特點，所以在果園冠層信息提取方面表現(xiàn)出極大的優(yōu)勢[14]，Berk等[15]利用LiDAR提取到的蘋果樹點云數(shù)量和單個體積單元，成功建立了點云數(shù)量與冠層葉片面積之間的關系，并分析了精確施藥所需要的精度的水平；Wang等[16]結合3D同步定位與SLAM算法，使用LiDAR獲取了果樹點云信息，利用點云生成3D模型并成功提取到果樹株高和冠層體積?？梢园l(fā)現(xiàn)，激光雷達提取冠層點云信息的研究成果眾多，技術已經(jīng)相對成熟，但目前仍未大規(guī)模裝備到噴霧機上使用。對于光學、超聲波和立體視覺等傳感器，由于對環(huán)境要求較高，果園中的溫度、濕度和光照條件都會對其測量精度造成影響[17]，所以更適合在環(huán)境適宜的溫室中使用。

隨著雷達技術的發(fā)展與進步，毫米波雷達突破體積、功耗和成本等限制，已開始應用于汽車電子和人體跟蹤識別領域[18-20]。在汽車電子方面， Zhao 等[21]使用毫米波雷達識別系統(tǒng)提取稀疏點云軌跡，在深度循環(huán)網(wǎng)絡幫助下，識別人體準確率高達99%；Zhao等[22]提出基于毫米波雷達點云特征的算法來解決自動駕駛情況下人車識別問題，結果表明，該方法具有極高的分類精度和魯棒性；Huang等[23]為了提高無人駕駛汽車在惡劣環(huán)境下的感知能力，使用低成本的毫米波雷達與激光雷達數(shù)據(jù)相結合，成功引導機器人穿過煙霧環(huán)境下的迷宮；在人體檢測方面，任偉等[24]提出一種雷達布置方案，利用毫米波雷達高分辨率特性區(qū)分多個目標的呼吸頻率；元志安等[25]提出了一種距離多普勒熱圖序列檢測網(wǎng)絡模型，用來檢測人體跌倒姿態(tài)檢測，其準確率可達96.67%。上述研究表明，毫米波雷達具有不受天氣影響、全天時、全天候[26]和穿透水霧[27]、煙塵的特點，在惡劣條件下可保持較強的感知能力，因此非常適合惡劣的農(nóng)業(yè)作業(yè)環(huán) 境[28]；并且其對人體的識別可以具體到細微的動作，所以毫米波雷達的精度和分辨率可以滿足現(xiàn)代化農(nóng)業(yè)機械作業(yè)要求；同時毫米波雷達生產(chǎn)成本較低，可大規(guī)模裝配到小型噴霧機上，有利于現(xiàn)代化農(nóng)業(yè)機械的商業(yè)化量產(chǎn)。因此，探究毫米波雷達在果樹冠層信息采集上的應用是非常必要的，可以為果園冠層信息采集提供新的技術方向，對精準施藥技術的發(fā)展具有重要意義。

本文將首次探討毫米波雷達提取果園單木冠層信息的可能性。使用基于毫米波雷達的果園冠層探測系統(tǒng)獲取點云。在傳統(tǒng)密度聚類算法基礎上，結合分辨率特性，提出一種適合毫米波雷達點云的聚類算法，實現(xiàn)果樹單木識別，進而提取果樹株高和冠幅。采用Alpha-shape算法實現(xiàn)點云的三維重構和體積參數(shù)的估算。

1 材料與方法

1.1 數(shù)據(jù)獲取

1.1.1 試驗系統(tǒng)設計

本研究以自主搭建的基于毫米波雷達的果園冠層探測系統(tǒng)（下文簡稱探測系統(tǒng)）作為信息采集設備。探測系統(tǒng)主要由數(shù)據(jù)采集模塊、控制模塊和PC端組成，數(shù)據(jù)采集模塊包括毫米波雷達、旋轉編碼器和IMU（Inertial Measurement Unit）傳感器。系統(tǒng)邏輯結構如圖1所示，其中毫米波雷達為西安達豹電子科技有限公司研制的DB60M34A6435V1毫米波雷達，毫米波雷達和旋轉編碼器主要參數(shù)如表1所示；控制模塊采用STM32F103ZET6微控制器解析傳感器采集的數(shù)據(jù)；PC端通過不同指令代碼來控制探測系統(tǒng)，同時三維點云通過USB串口通訊傳送到PC端并顯示；為了獲取果園環(huán)境及果樹冠層信息，整個探測系統(tǒng)需搭載到試驗車上，毫米波雷達安裝在試驗車側面且高于地面基準線1 m處，試驗車由無刷直流電機驅動，可通過脈寬調制信號控制運行速度。

使用TI公司上位機軟件mmWave_Demo_Visualizer 3.5.0生成CFG配置文件，使用該文件來配置毫米波雷達的檢測范圍、精度和最佳分辨率等性能，配置成功后毫米波雷達才可以正常運行并獲取果園環(huán)境原始數(shù)據(jù)。為了得到果園環(huán)境點云，首先需要對毫米波雷達、IMU傳感器和旋轉編碼器采集到的原始數(shù)據(jù)進行解析，解析后可得到毫米波雷達三維點云、IMU姿態(tài)數(shù)據(jù)和旋轉編碼器位移數(shù)據(jù)，最后將數(shù)據(jù)進行融合。本試驗采集程序在Keil uVision5開發(fā)環(huán)境中進行，數(shù)據(jù)處理使用Matlab 2018a軟件完成。

圖1 系統(tǒng)邏輯結構圖

表1 毫米波雷達參數(shù)

1.1.2 試驗環(huán)境與人工數(shù)據(jù)采集

試驗于2021年4月2日在華南農(nóng)業(yè)大學枇杷屬植物資源園（113.367 789°E，23.164 129°N）黃皮樹試驗田中進行。如圖2所示，試驗田地面相對平坦，雜草較低，果樹間距為4.3 m。數(shù)據(jù)采集過程中，試驗車以0.5 m/s速度行駛在樹列中心，毫米波雷達距離果樹為1.5 m，對冠層探測范圍呈圓錐形，設置其水平角度范圍為120°，垂直角度范圍為50°，數(shù)據(jù)刷新速率10 Hz。使用串口助手記錄實時數(shù)據(jù)流，將點云存儲在筆記本電腦中。

圖2 探測系統(tǒng)掃描示意圖

對試驗田中果樹的株高、冠幅和冠層體積等結構參數(shù)進行實際測量。使用塔尺來測量果樹的高度，圍繞果樹每間隔120°測量一次，將測量值取平均值得到果樹株高。用直尺測量每棵樹的東西、南北、西北-東南和東北-西南4個方向最大冠徑處，得到每棵果樹4個方向的最大冠徑，取平均值后得到每棵果樹的冠幅參數(shù)[29]。對于果樹冠層的體積，采取幾何法進行測量，從樹干最開始出現(xiàn)冠層的位置到果樹頂部每間隔40 cm測量一次直徑。每棵果樹的冠層體積定義為多個高度為40 cm的圓臺體積的總和。

1.2 數(shù)據(jù)處理方法

在本研究中，首先對地面點云進行擬合和分割，然后提出了一種基于可變軸的橢球模型自適應密度聚類算法，該算法可以根據(jù)不同測量距離自適應調整不同方向上的鄰域半徑，并通過點云密度來識別不同果樹冠層，最后從不同冠層點云中提取單株樹木的冠層信息。

1.2.1 點云預處理

如圖3所示，由于毫米波雷達x軸方向掃描范圍大，掃描過程中可以將果樹全覆蓋，所以實際安裝過程中，需將毫米波雷達繞y軸順時針旋轉90°，用x軸坐標來表示果樹株高。

注： x、y和z軸分別代表自定義坐標系深度方向、前進方向和高度方向，xr、yr和zr軸分別代表目標點的高度方向、深度方向和位移方向。

探測系統(tǒng)移動過程中采集到的點坐標是以毫米波雷達為坐標原點輸出的，為實現(xiàn)點云三維重建，需要將不同位置的點坐標轉換到同一個坐標系中，因此自定義一個坐標系，以試驗車起始位置為原點，沿樹列前進方向為軸，深度方向為軸，高度方向為軸。將毫米波雷達輸出的點坐標轉換到所定義的坐標系中，該步驟分兩階段進行轉換：第一階段，數(shù)據(jù)的每個坐標都繞y軸順時針旋轉90°，用表示；第二階段，將所得坐標繞1軸順時針旋轉90°，用表示。

式中（1，1，1）和（，，）分別是毫米波雷達輸出的點坐標兩次旋轉后的坐標值；R和R1為兩次變換的旋轉矩陣，繞旋轉軸逆時針為正，順時針為負，其表達式分別為

探測系統(tǒng)的數(shù)據(jù)采集過程是對周圍地理環(huán)境的掃描。毫米波雷達探測的范圍廣、距離遠，雖然在進行雷達配置時可以限制其探測的范圍和距離，但考慮到果樹信息的完整性，還是設置了較高的探測上限。所以如圖4a所示，采集到的點云中會包含大量的地面信息。并且毫米波雷達具有很強的穿透性，在掃描范圍內，可能會采集到與目標果樹相鄰的另一列果樹信息。但從毫米波雷達原理中可以看出，當分辨率一定時，目標距離越遠，雷達分辨能力越弱，生成的點云越少，稀疏的點云已 無法提供有效的冠層信息。這些點云不僅對數(shù)據(jù)處理造成一定程度的干擾，而且會增加數(shù)據(jù)處理的時間和難度。

為了解決上述問題，結合先驗知識，采用設置感興趣區(qū)域ROI（Region of Interest）的方法對經(jīng)過式（1）和（2）變換后的點云進行處理。探測系統(tǒng)采集到數(shù)據(jù)后，遍歷點云坐標，根據(jù)探測系統(tǒng)位移距離和果園實際種植情況，設置軸坐標范圍為0～5 m，軸坐標范圍為0～30 m，軸坐標范圍為–2～4 m。如圖4b所示，去除所有ROI范圍外的點云后，剩余點云中還包括大量地面點云。根據(jù)地面點云連續(xù)、數(shù)據(jù)量大且大致呈一個平面的特點，使用Matlab軟件提供的pcfitplane（）函數(shù)處理地面數(shù)據(jù)。該函數(shù)實質是通過RANSAC（Random Sample Consensus）算法查找平面，最終返回所描述平面的幾何模型。設置內點到平面的最大距離為0.2 m、平面法線向量為軸、最大角度距離為20°。如圖4c所示，擬合出地面后進行分割，將地面點云從數(shù)據(jù)集中剔除。

1.2.2 基于可變軸的橢球模型自適應密度聚類算法

如圖4d所示，經(jīng)過點云預處理后，可以觀察到較為清晰的冠層點云，但其中仍存在少量非冠層點云。非冠層點云主要分為2種，第一種是和pcfitplane（）函數(shù)擬合的平面距離較遠的地面點云，這部分點云與冠層點云分隔明顯且較為緊湊。另一種是存在于2棵果樹之間，毫米波雷達識別到的離散的枝葉點，特征是距離冠層點云較近，但數(shù)量少且空間密度稀疏。不同的點云都具有獨特的密度特征，所以可通過區(qū)分不同區(qū)域的點云密度來識別冠層點云。DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法是1996年由Martin Ester提出的一種經(jīng)典的基于密度的聚類算法，它將數(shù)據(jù)集中緊密連接的高密度區(qū)間定義為簇，不同的簇被低密度區(qū)間分開[30]。該算法不需要預先設置聚類數(shù)[31]，具有處理任意大小和形狀數(shù)據(jù)集的能力，非常適合毫米波雷達點云的聚類。為了準確描述DBSCAN算法，給出如下定義：

定義1（Eps鄰域）一個對象的Eps鄰域是指以對象為中心，以Eps為半徑的區(qū)域內，即

Eps()={?|Dist(,)≤Eps} （5）

式中為數(shù)據(jù)集；Dist()為對象和對象之間的距離；Eps() 包含了數(shù)據(jù)集中與對象距離不大于Eps的所有對象。

圖4 冠層點云預處理

定義2（核心點）若存在對象?，不小于所設定的鄰域密度閾值MinPts，即滿足式（6）時，則稱對象是一個核心點。

|Eps()|≥MinPts（6）

式中|Eps()|表示對象的Eps鄰域對象個數(shù)。

定義3（邊界點）當點不符合核心點條件，但屬于核心點的Eps時，則稱為邊界點。

定義4（噪聲點）給定數(shù)據(jù)集中，除核心點和邊界點以外的點稱為噪聲點。

定義5（直接密度可達）若存在對象?Eps()且對象滿足式（6），即對象在對象的Eps鄰域內且對象為核心對象，則稱對象是從對象直接密度可達的。

定義6（密度可達）當存在對象鏈1，2，…，p?；對于p?(0<<)，若p+1是從對象p直接密度可達，則稱對象p從對象1是密度可達的。密度可達是非對稱的。

定義7（密度相連）若存在對象?，使得對象和對象是從對象密度可達的，則稱對象和對象是密度相連的。

算法聚類過程是由密度可達關系導出最大密度相連的數(shù)據(jù)集合，最終聚類成一個簇。從以上定義可知，雖然DBSCAN算法不需要設置聚類數(shù)，但需提前確定鄰域半徑Eps和密度閾值MinPts兩個全局參數(shù)，且聚類效果對其設定的全局參數(shù)值較為敏感[6]。上文提到目標距離毫米波雷達越遠，所生成的點云越少。若使用同一鄰域半徑Eps，則距離毫米波雷達較近一側的冠層密度較高，距離越遠密度越低。由于密度差異較大，算法會將一個冠層誤判成多個冠層。在確定核心點時，DBSCAN算法是通過歐式距離來確定的，即以任一點為中心，Eps為半徑，在空間坐標系中確定一個球體，它將點在不同坐標軸上的坐標值等同看待。而毫米波雷達由于分辨率的原因，所確定的點坐標在不同坐標軸上的分辨能力存在差異，所以傳統(tǒng)DBSCAN算法并不適應于毫米波雷達點云的聚類。為得到更好的聚類效果，將毫米波雷達分辨率參數(shù)和點云距離融合到DBSCAN算法中，提出一種基于可變軸的橢球模型自適應密度聚類算法。

如圖5所示，毫米波雷達水平方向分辨率δ和垂直方向分辨率δ以角度單位表示，而距離方向分辨率δ則以距離單位表示，為方便建立模型，首先將3個參數(shù)的單位統(tǒng)一使用距離表示。

注：A和A′是目標點；d表示目標點到雷達的距離，m；δz為雷達垂直角度分辨率，(°)；δx為雷達水平角度分辨率，(°)；δy為雷達距離分辨率，m；Oxyz和Oexeyeze分別是以雷達和目標點為原點建立的空間坐標系；hz和hx分別表示橢圓模型的長半軸和中半軸。

設坐標為（1,1,1），則點到毫米波雷達的距離表示為

毫米波雷達水平和垂直方向上分辨相鄰兩點的距離可表示為h和h

以為原點，h、h和δ分別為長半軸、中半軸和短半軸，在空間直角坐標系中建立橢球模型，該模型在空間中是一個橢球，其方程為

算法實現(xiàn)過程如圖6所示，遍歷整個樣本集，尋找出所有滿足核心點條件的點組成核心點集，隨機選取中任意一個核心點，遍歷核心點在橢球模型內的所有點，尋找與這些點密度可達的點，不斷擴大當前的聚類，生成一個簇，最終生成的簇其實是樣本集中所有與核心點密度相連的點。依次從核心點集中選擇下一個核心點重復以上步驟，直到所有核心點均被訪問完成。

圖6 密度聚類算法流程圖

1.2.3 計算果樹冠層信息

1）果樹株高的計算

經(jīng)過DBSCAN算法處理后，可以提取出單株樹木冠層的點云，由于點云的坐標都是以毫米波雷達安裝位置為原點的，所以表示點云軸的坐標值并不能代表果樹株高，真正的果樹株高可以在坐標值的基礎上，通過式（10）計算得到。

式中表示不同果樹序號；H表示毫米波雷達檢測到的不同果樹株高，m；radar表示雷達以地面為基準的垂直安裝高度，m；試驗前進行測量標定，z表示每棵樹的點云中軸坐標的最大值。

2）果樹冠幅的計算

本文將冠層點云在平面的投影定義為圓形，通過對點云投影進行圓擬合可以得到冠幅值?，F(xiàn)階段，大多數(shù)學者多采用最小二乘法對離散點云進行曲線擬合，但將冠層點云投影到平面后，可以發(fā)現(xiàn)處于邊界位置的點云較為稀疏，這是由于所使用毫米波雷達分辨率較低導致產(chǎn)生了許多誤差較大的點。在進行曲線擬合時，這樣的點被稱為離群點或局外點，而最小二乘法擬合的平方項對離群點非常敏感。因此本研究采用RANSAC算法對冠層點云進行圓擬合。如圖7所示，RANSAC算法可以通過多次迭代的方式從包含大量離群點的數(shù)據(jù)集中估計出數(shù)學模型的參數(shù)，得到更接近實際情況的曲線模型。

圖7 冠層點云圓擬合

3）果樹冠層體積的計算

果樹冠層的體積是不包含間隙的所有枝葉體積的總和，本研究使用的毫米波雷達分辨率和精度較低，難以檢測到樹枝和葉片的表面信息，無法獲得嚴格意義上的冠層體積，但采集到的點云邊界數(shù)據(jù)可以較好的還原冠層凹凸不平的表面。相較于傳統(tǒng)幾何法測得的冠層體積，還原后得到的體積會更接近冠層的實際體積。為了還原冠層表面，本文使用Alpha-shape算法進行三維重建[32-33]，Alpha-shape算法是目前應用最廣泛的一種構建點云三維模型的方法，算法可以從一堆離散的點云中提取邊界點，重建三維表面。算法本質是設置一個半徑為Alpha的球在點云周圍滾動，此時若Alpha取值合適，球就不會通過間隙掉落到點云內部，當遍歷所有邊界點后，最終可以得到點云的輪廓曲面。

1.2.4 精度驗證

為了評價單木識別精度，引入統(tǒng)計學中的查準率（Precision）、召回率（Recall）和1分數(shù)，計算公式如下：

式中TP、FP、FN分別表示正確檢測、錯誤識別和未 檢測到的果樹株數(shù)。其中表示正確檢測果樹株數(shù)占整個檢測結果的比例，表示正確檢測果樹株數(shù)占真實果樹株數(shù)的比例。1 是查準率和召回率的調和平均數(shù)，其最大值是1，最小值是0，1越高代表識別結果越 好[8-9]。

2 結果與分析

2.1 冠層單木識別結果

分別使用本研究聚類算法、DBSCAN算法和K-means算法處理采集的數(shù)據(jù)，結果如表2所示，并展示了其中5棵果樹的識別效果（圖8）?？梢钥闯觯瑢τ贒BSCAN算法，不同的全局參數(shù)導致的欠分割或過分割都會影響1分數(shù)，其中，當Eps1，MinPts20時，DBSCAN算法產(chǎn)生的聚類效果最佳，1分數(shù)為80.3%；-Means算法運算時間最短，但1得分低于使用最優(yōu)全局參數(shù)時的DBSCAN算法，同時其本身需要結合先驗知識設置值，并且不能去除點云中的非冠層點云，會對后續(xù)冠層參數(shù)的提取造成影響；本算法在融合了橢球模型后，雖然增加了一定的運算時間，但由于其具有自適應性，在使用過程中不需要多次尋找全局參數(shù)，所以從某種程度上來講，本算法更加節(jié)省時間，同時本算法的1分數(shù)最高，為93.7%，其中查準率為94.9%，召回率為92.5%。

表2 聚類算法性能分析

注：不同類型的符號簇表示算法識別到的不同果樹，圖a中識別為5棵，圖b識別為8棵，圖c中識別為3棵，圖d識別為5棵。

2.2 冠層信息提取結果

為了評估提取到的冠層信息精度，首先計算果樹株高和冠幅的平均相對誤差分別為8.7%和8.1%。此外，本研究采用線性擬合方法來確定實測值和提取值之間的數(shù)學關系，并結合殘差圖驗證擬合方程。如圖9所示，株高和冠幅的實測值與提取值線性關系顯著，決定系數(shù)2分別為0.84和0.92，均方根誤差RMSE分別為 16.39 和7.82 cm，但株高和冠幅的提取值出現(xiàn)了不同程度的高估。同時，所有殘差變化幅度在一定范圍內，且較為均勻的分布在中軸線附近，因此擬合的線性關系成立。

圖9 冠層信息數(shù)據(jù)分析圖

2.3 冠層三維重構與體積計算結果

使用Alpha-shape算法生成果樹3D模型，設置不同Alpha值對冠層體積進行估算并與傳統(tǒng)幾何法測量值對比。當Alpha=1時，重建的冠層模型較為合理，且所得體積值與幾何法測量值在數(shù)值波動上符合度最高（圖10）。雖然2種方法對真實體積都存在高估現(xiàn)象，但計算結果中，幾何法始終大于Alpha-shape算法。這是因為幾何法測量時難以模擬冠層表面，導致果樹體積嚴重高估。使用幾何法計算得到的體積平均值為13.8 m3，Alpha-shape算法計算的平均值為5.6 m3，相比幾何法，Alpha-shape算法測量結果準確度提高了59.4%。

圖10 Alpha=1時冠層重建及體積對比

3 結 論

本研究通過毫米波雷達獲取果樹的點云，提出了在果園環(huán)境中提取果樹冠層信息的方法，對掃描范圍內果樹進行單木識別，提取了單株果樹的株高、冠幅以及體積，結果表明：

1）采用基于可變軸的橢球模型自適應密度聚類算法，可以準確識別單株果樹并提取冠層點云，1分數(shù)為93.7%。

2）對于果樹株高和冠幅的估算，所得結果與手工實測值相比，平均相對誤差分別為8.7%和8.1%，決定系數(shù)2分別為0.84和0.92，均方根誤差RMSE分別為16.39和7.82 cm。

3）使用Alpha-shape算法對果樹冠層點云進行表層重構，計算得到平均果樹體積為5.6 m3，減少了幾何法中多余間隙的存在，體積估算的準確度提高了59.4%。

本文是毫米波雷達在果園探測領域中的初次探索，從試驗結果來看，毫米波雷達可以應用到果園探測領域，在滿足農(nóng)機信息化作業(yè)要求的同時，該技術還具有成本低、響應快和全天候的特點，為推進果園精準施藥機械產(chǎn)業(yè)化發(fā)展提供技術支持。但仍存在一些問題有待進一步的研究：1）由于所使用的毫米波雷達分辨率較低，只能提取到較為滿意的點云，而且沒有對冠層重疊、樹齡較大的果園進行參數(shù)提取，還需利用高分辨率毫米波雷達在冠層密集的果園中進行方法驗證。2）對果樹實際體積的測量，相關文獻方法繁多，且都存在測量誤差，沒有統(tǒng)一標準，所以本文采用了最傳統(tǒng)的幾何法，但幾何法誤差太大，未能對體積實測值和提取值進行對比分析。未來應使用更精確的方法測量實際體積，對實測值與提取值進行相關性分析。

[1] 翟長遠，趙春江，Ning Wang，等. 果園風送噴霧精準控制方法研究進展[J]. 農(nóng)業(yè)工程學報，2018，34(10)：1-15.

Zhai Zhangyuan, Zhao Chunjiang, Ning Wang, et al. Research progress on precision control methods of air-assisted spraying in orchards[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2018, 34(10): 1-15. (in Chinese with English abstract)

[2] 周良富，薛新宇，周立新，等. 果園變量噴霧技術研究現(xiàn)狀與前景分析[J]. 農(nóng)業(yè)工程學報，2017，33(23)：80-92.

Zhou Liangfu, Xue Xinyu, Zhou Lixin, et al. Research situation and progress analysis on orchard variable rate spraying technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 80-92. (in Chinese with English abstract)

[3] 馬曉丹，劉夢，關海鷗，等. 基于熱紅外圖像處理技術的農(nóng)作物冠層識別方法研究[J]. 光譜學與光譜分析，2021，41(1)：216-222.

Ma Xiaodan, Liu Meng, Guan Hai'ou, et al. Recognition method for crop canopies based on thermal infrared image processing technology[J].Spectroscopy and Spectral Analysis, 2021, 41(1): 216-222. (in Chinese with English abstract)

[4] 周薇，馬曉丹，張麗嬌，等. 基于多源信息融合的果樹冠層三維點云拼接方法研究[J]. 光學學報，2014，34(12)：193-200.

Zhou Wei, Ma Xiaodan, Zhang Lijiao, et al.Three dimensional point cloud splicing of tree canopy based on multi-source camera[J].Acta Optica Sinica, 2014, 34(12): 193-200. (in Chinese with English abstract)

[5] 何雄奎. 中國精準施藥技術和裝備研究現(xiàn)狀及發(fā)展建議[J]. 智慧農(nóng)業(yè)（中英文），2020，2(1)：133-146.

He Xiongkui.Research progress and developmental recommendations on precision spraying technology and equipment in China[J].Smart Agriculture, 2020, 2(1): 133-146. (in Chinese with English abstract)

[6] 牛潤新，張向陽，王杰，等. 基于激光雷達的農(nóng)業(yè)機器人果園樹干檢測算法[J]. 農(nóng)業(yè)機械學報，2020，51(11)：21-27.

Niu Runxin, Zhang Xiangyang, Wang Jie, et al.Orchard trunk detection algorithm for agricultural robot based on laser radar[J].Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(11): 21-27. (in Chinese with English abstract)

[7] Parr B, Legg M, Bradley S, et al. Occluded grape cluster detection and vine canopy visualisation using an ultrasonic phased array[J]. Sensors (Basel, Switzerland), 2021, 21(6): 2182.

[8] 束美艷，李世林，魏家璽，等. 基于無人機平臺的柑橘樹冠信息提取[J]. 農(nóng)業(yè)工程學報，2021，37(1)：68-76.

Shu Meiyan, Li Shilin, Wei Jiaxi, et al.Extraction of citrus crown parameters using UAV platform[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2021, 37(1): 68-76. (in Chinese with English abstract)

[9] 陳日強，李長春，楊貴軍，等. 無人機機載激光雷達提取果樹單木樹冠信息[J]. 農(nóng)業(yè)工程學報，2020，36(22)：50-59.

Chen Riqiang, Li Zhangchun, Yang Guijun, et al.Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 50-59. (in Chinese with English abstract)

[10] 程曼，蔡振江，Ning Wang，等. 基于地面激光雷達的田間花生冠層高度測量系統(tǒng)研制[J]. 農(nóng)業(yè)工程學報，2019，35(1)：180-187.

Cheng Man, Cai Zhenjiang, Ning Wang, et al.Extraction of crown information from individual fruit tree by UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 180-187. (in Chinese with English abstract)

[11] 俞龍，洪添勝，趙祚喜，等. 基于超聲波的果樹冠層三維重構與體積測量[J]. 農(nóng)業(yè)工程學報，2010，26(11)： 204-208.

Yu Long, Hong Tiansheng, Zhao Zuoxi, et al.3D-reconstruction and volume measurement of fruit tree canopy based on ultrasonic sensors[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2010, 26(11): 204-208. (in Chinese with English abstract)

[12] 喬白羽，何雄奎，王志翀，等. 基于LiDAR掃描的高地隙寬幅噴霧機變量施藥系統(tǒng)研制[J]. 農(nóng)業(yè)工程學報，2020，36(14)：89-95.

Qiao Baiyu, He Xiongkui, Wang Zhichong, et al.Development of variable-rate spraying system for high clearance wide boom sprayer based on LiDAR scanning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(14): 89-95. (in Chinese with English abstract)

[13] 李龍龍，何雄奎，宋堅利，等. 基于變量噴霧的果園自動仿形噴霧機的設計與試驗[J]. 農(nóng)業(yè)工程學報，2017，33(1)：70-76.

Li Longlong, He Xiongkui, Song Jianli, et al. Design and experiment of automatic profiling orchard sprayer based on variable air volume and flow rate[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(1): 70-76. (in Chinese with English abstract)

[14] 張杰，楊豫新，謝建華. 精準施藥技術與裝備發(fā)展現(xiàn)狀[J]. 新疆農(nóng)機化，2019(5)：8-12.

Zhang Jie, Yang Yuxin, Xie Jianhua.Development status of technology and equipment for precise pesticide application[J].Xinjiang Agricultural Mechanization, 2019(5): 8-12. (in Chinese with English abstract)

[15] Berk P, Stajnko D, Belsak A, et al. Digital evaluation of leaf area of an individual tree canopy in the apple orchard using the LIDAR measurement system[J]. Computers and Electronics in Agriculture, 2020, 169: 105158.

[16] Wang K, Zhou J, Zhang W H, et al. Mobile LiDAR scanning system combined with canopy morphology extracting methods for tree crown parameters evaluation in orchards[J]. Sensors, 2021, 21(2): 339.

[17] Abbas I, Liu J, Faheem M, et al. Different sensor based intelligent spraying systems in agriculture[J]. Sensors and Actuators A-Physical, 2020, 316: 112265.

[18] 陳先中，劉榮杰，張森, 等. 煤礦地下毫米波雷達點云成像與環(huán)境地圖導航研究進展[J]. 煤炭學報，2020，45(6)：2182-2192.

Chen Xianzhong, Liu Rongjie, Zhang Sen, et al.Development of millimeter wave radar imaging and SLAM in underground coal mine environment[J].Journal of China Coal Society, 2020, 45(6): 2182-2192. (in Chinese with English abstract)

[19] 李瑞偉，李立剛，金久才，等. 基于歐氏距離的無人艇載毫米波雷達點跡凝聚方法[J]. 水下無人系統(tǒng)學報，2020，28(6)：604-610.

Li Ruiwei, Li Ligang, Jin Jiucai, et al.Plots-centroid method for usv-borne millimeter-wave radar based on euclidean distance[J].Journal of Unmanned Undersea Systems, 2020, 28(6): 604-610. (in Chinese with English abstract)

[20] 張仕陽，劉成國，段開源，等. 毫米波雷達人員檢測系統(tǒng)設計[J]. 傳感器與微系統(tǒng)，2020，39(7)：79-82.

Zhang Shiyang, Liu Chengguo, Duan Kaiyuan, et al.Design of human detection system by millimeter wave radar[J].Transducer and Microsystem Technologies, 2020, 39(7): 79-82. (in Chinese with English abstract)

[21] Zhao P J, Lu Chris Xiaoxuan, Wang J A, et al. Human tracking and identification through a millimeter wave radar[J]. Ad Hoc Networks, 2021, 116: 102475.

[22] Zhao Z H, Song Y Y, Cui F C, et al. Point cloud features-based kernel SVM for human-vehicle classification in millimeter wave radar[J]. IEEE Access, 2020, 8: 26012-26021.

[23] Huang J T, Lu C L, Chang P K, et al. Cross-modal contrastive learning of representations for navigation using lightweight, low-cost millimeter wave radar for adverse environmental conditions[J]. IEEE Robotics and Automation Letters, 2021, 6(2): 3333-3340.

[24] 任偉，侯凱悅，王剛，等. FMCW毫米波雷達多人呼吸檢測方法[J]. 信號處理，2021，37(9)：1581-1588.

Ren Wei, Hou Kaiyue, Wang Gang, et al. FMCW millimeter wave radar multi person breathing detection method[J]. Signal Processing, 2021, 37(9): 1581-1588. (in Chinese with English abstract)

[25] 元志安，周笑宇，劉心溥，等. 基于RDSNet的毫米波雷達人體跌倒檢測方法[J].雷達學報，2021，10(4)：656-664.

Yuan Zhi’an, Zhou Xiaoyu, Liu Xinpu, et al. Human fall detection method based on RDSNet using millimeter wave radar [J]. Journal of Radar, 2021, 10 (4): 656-664

[26] 秦志斌，王慧娟. 智慧高速毫米波雷達應用淺析[J]. 中國交通信息化，2021(3)：130-131.

Qin Zhibin, Wang Huijuan.Application of intelligent high speed millimeter wave radar[J].China ITS Journal, 2021(3): 130-131. (in Chinese with English abstract)

[27] Golovachev Y, Etinger A, Pinhasi G A, et al. Millimeter wave high resolution radar accuracy in fog conditions-theory and experimental verification[J]. Sensors, 2018, 18(7): 2148.

[28] 李駿，王健安，賴凡. 毫米波片上雷達技術研究進展[J]. 微電子學，2019，49(4)：545-550.

Li Jun, Wang Jian'an, Lai Fan.Research status of millimeter wave on-board radar technology[J].Microelectronics, 2019, 49(4): 545-550. (in Chinese with English abstract)

[29] Estornell J, Hadas E, Mart J, et al. Tree extraction and estimation of walnut structure parameters using airborne LiDAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 96: 102273.

[30] Li M Y, Bi X H, Wang L M, et al. A method of two-stage clustering learning based on improved DBSCAN and density peak algorithm[J]. Computer Communications, 2021, 167: 75-84.

[31] Birant D, Kut A. ST-DBSCAN: An algorithm for clustering spatial-temp oral data[J]. Data & Knowledge Engineering, 2007, 60(1): 208-221.

[32] 李慶，高祥偉，費鮮蕓，等. 利用Alpha-shape算法進行樹冠三維模型構建[J]. 測繪通報，2018(12)：91-95.

Li Qing, Gao Xiangwei, Fei Xianyun, et al.Construction of tree crown three-dimensional model using Alpha-shape algorithm[J].Bulletin of Surveying and Mapping, 2018(12): 91-95. (in Chinese with English abstract)

[33] 付昱興，李承明，朱江，等. Alpha-shape算法構建棗樹點云三維模型[J]. 農(nóng)業(yè)工程學報，2020，36(22)：214-221.

Fu Yuxing, Li Chengming, Zhu Jiang, et al.Three-dimensional model construction method and experiment of jujube tree point cloud using Alpha-shape algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 214-221. (in Chinese with English abstract)

Extraction of the crown information of single tree in orchard based on millimeter wave radar

Yang Zhou1,3, Li Yang1, Duan Jieli1, Xu Xing2※, Yu Jiaxiang1, Shen Dongying1, Yuan Haotian1

(1.510642;2.510642;3.514015)

An accurate and rapid extraction of fruit tree canopy has been one of the most important steps to determine the precise application of pesticides in modern agriculture. However, the current detection cannot fully meet the harsh requirements in the complex environment of an orchard in recent years. In this study, a novel extraction system was proposed to identify the fruit tree canopy in an orchard using millimeter-wave radar. Firstly, the region of interest (ROI) was set to remove a large number of environmental point clouds, and then the random sampling was used to fit and segment the ground point clouds. Secondly, a density-based clustering was selected to integrate the resolution of millimeter-wave radar and the distance parameter of the point cloud. An adaptive density clustering was then established to deal with the different densities of the point cloud at different distances when using the millimeter-wave radar. As such, the neighborhood radius was adaptively adjusted in different directions, according to the distance from the point cloud to the radar. The point cloud density was then used to identify the fruit tree canopy, further improving the recognition performance of the point cloud. Finally, an Alpha-shape was selected to reconstruct the three-dimensional surface of the fruit tree. The optimal parameters of the three-dimensional reconstruction were achieved to evaluate the volume fromAlpha values and the geometric measurement. The random sampling was also used to extract the structural parameters. The parameters of the mathematical model were estimated from a data set with a large number of outliers using multiple iterations. A curve model was then obtained closer to the actual situation. In addition, a field test was conducted to verify the feasibility of the model in the Loquat Plant Resource Garden (113.367 789°E, 23.164 129°N) of South China Agricultural University on April 2th, 2021. 40 yellow-bark fruit trees were also scanned in the test. The results showed that a higher performance was achieved to effectively identify and extract the point clouds of a single tree canopy, where the F1 score was 93.7% for the recognition accuracy of fruit trees. Furthermore, the average relative errors of the plant height and crown width in the fruit trees were 8.7% and 8.1%, respectively, while the coefficients of determination were 0.84 and 0.92, respectively, and the root mean square errors were 16.39 and 7.82, respectively, compared with the manual measurement. In addition, the average volume of fruit trees was 5.6 m3 using Alpha-shape, increasing by 59.4% in the accuracy of volume, compared with the traditional. Nevertheless, two recommendations can be addressed during this time: 1) To identify the fruit trees with the overlapping canopies using a relatively higher resolution of millimeter-wave radar; 2) To quantitatively extract the volume of the fruit tree in the harsh sense. Anyway, the millimeter-wave radar can be widely expected to accurately extract the canopy information in an orchard. The finding can provide a new promising technology to extract the canopy information for the data collection and automatic operation in modern agriculture.

radar; mechanization; crown information; point cloud processing; density clustering; single tree recognition

10.11975/j.issn.1002-6819.2021.21.020

S24

A

1002-6819(2021)-21-0173-10

楊洲，李洋，段潔利，等. 基于毫米波雷達的果園單木冠層信息提取[J]. 農(nóng)業(yè)工程學報，2021，37(21)：173-182.doi：10.11975/j.issn.1002-6819.2021.21.020 http://www.tcsae.org

Yang Zhou, Li Yang, Duan Jieli, et al. Extraction of the crown information of single tree in orchard based on millimeter wave radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 173-182. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.020 http://www.tcsae.org

2021-07-13

2021-09-16

廣東省重點領域研發(fā)計劃項目（2019B020223002）；國家重點研發(fā)計劃項目（2020YFD1000104）；財政部和農(nóng)業(yè)農(nóng)村部：國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術體系建設專項（CARS-31-10）；廣東省教育廳科研項目(2020KZDZX1036)。

楊洲，博士，博士生導師，研究方向為水果生產(chǎn)機械化與信息化。Email: yangzhou@scau.edu.cn

徐興，博士，碩士生導師，研究方向為農(nóng)業(yè)智能信息處理。Email: xuzhexing@163.com