一種受生長要素影響的植物三維形態樣本建模方法與流程
2023-10-08 12:43:54
本發明涉及計算機三維建模技術領域,具體是一種受生長要素影響的植物三維形態樣本建模方法。
背景技術:
參數化植物三維形態建模,對植物科學研究有重要的作用,對於研究人員了解植物的增產原因也起到重要的作用。現有的植物三維形態建模主要是對植物在理想生長條件下的形態變化進行模擬,很少涉及生長要素的變化。
植物三維形態建模方法主要有四類:第一類是基於規則的建模方法,第二類是基於計算機圖形學的建模方法,第三類是基於儀器設備的建模方法,第四類是基於圖像的建模。如果能得到各生長要素對植物形態影響的數學模型,現有的四類植物三維形態建模方法是可以模擬植物受生長要素影響下的準確形態的,但由於農業領域知識的不精確,要得到各生長要素對植物形態影響的數學模型是很困難的,因此,在現有的植物三維形態建模方法下,要模擬各生長階段下受到定量參數的生長要素影響的植物三維形態很難做到。
技術實現要素:
本發明的目的是提供一種受生長要素影響的植物三維形態樣本建模方法,以解決現有技術植物三維建模方法難以模擬生長要素對植物三維形態影響的問題。
為了達到上述目的,本發明所採用的技術方案為:
一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:包括以下步驟:
(1)、建立植物各生長階段各生長要素參數量化模型,獲取各生長要素的參數量化值;
(2)、確定植物在各生長階段的標準形態,並建立各標準形態的三維樣本模型;
(3)、通過分組實驗得到生長要素對植物形態影響的數據;
(4)、利用機器學習的分類算法對步驟(3)分組實驗得到的數據進行分類;
(5)、運用步驟(4)得到的分類結果對植物各生長階段的樣本模型進行修改。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(1)中,根據植物的種類不同,通過農業文獻和領域專家的知識來確定各植物的生長階段劃分,再確定對植物生長階段產生主要影響作用的生長要素。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述生長要素包括但不限於播期、降水量、光、溫度、各種微量元素(氮磷鉀等)。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(1)中,由於很難得到各生長要素對植物形態影響的數學模型,因此要對各生長要素的連續數值進行量化,劃分各生長要素的參數量化值區間。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(2)中,根據步驟(1)中劃分的各生長階段,採集植物的標準形態模型,並根據標準形態模型使用三維建模工具(3dsmax等)重構植物各標準形態的三維樣本模型;或者使用深度攝像機(kinect等)拍攝rgb-d圖像,根據rgb-d圖像重構植物各標準形態的三維樣本模型;或者使用三維掃描儀直接掃描植物,得到點雲數據,再根據點雲重構植物各標準形態的三維樣本模型。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(3)中,根據所研究的生長要素類型對植物進行分組實驗,採集各生長階段、各生長要素對植物外形的影響結果,這種影響結果由植物的莖稈高度、葉片大小和果實重量數據體現。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(4)中,根據步驟(3)中得到的數據,利用機器學習中各種分類算法對數據進行分類測試。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(4)中,對數據進行分類測試的機器學習中分類算法包括但不限於:人工神經網絡算法、決策樹算法、支持向量機算法,尋找最優的特徵設置,使之能達到最佳分類效果,以此來建立最適合的機器學習分類模型,然後通過交叉驗證選擇最好的算法模型。
所述的一種受生長要素影響的植物三維形態樣本建模方法,其特徵在於:所述步驟(5)中,選擇最適合的機器學習分類算法來構建受生長要素影響的植物形態分類模型,將生長要素參數的量化模型與植物形態樣本進行對應,並根據結果對步驟(2)中的植物標準三維樣本模型進行修改,得到植物受生長要素影響的三維模型。
本發明提供了一種植物三維形態建模方法,使用樣本建模方法結合分類算法,可以簡化和加速建模過程,略過模型生成的繁瑣過程,能夠模擬植物在各個生長階段受生長要素影響的效果。
相較於現有技術,本發明具有以下優點:
第一,植物建模方式採用樣本建模,通過採集植物標準形態來建立各標準形態的三維樣本模型,略過模型生成的繁瑣過程,降低了生成植物模型的難度,簡化和加速建模過程。
第二,由於很難得到各生長要素對植物形態影響的數學模型,因此要對影響植物生長的各主要生長要素的連續數值進行量化,劃分各生長要素的參數量化值區間,降低了建立玉米各生長階段生長要素影響模型的難度。
第三,使用機器學習的分類算法來分類出各生長階段各生長要素對植物外形影響,並修改各標準形態的三維樣本模型,得到植物受生長要素影響的三維模型,降低了受生長要素影響的植物三維形態建模難度。
附圖說明
圖1是本發明所述的一種受生長要素影響的植物三維形態樣本建模方法的流程圖。
具體實施方式
以下通過附圖和實施例,對本發明的具體實施方式作進一步詳細描述。本領域技術人員可由本說明所揭露的內容輕易地了解本發明的其他優點與功效,本說明中的各項細節也可以基於不同觀點與應用,在沒有背離本發明的精神下進行各種修改。
如圖1所示,本發明提供了一種受生長要素影響的植物三維形態樣本建模方法,其包括以下步驟:
a:建立植物各生長階段各生長要素參數量化模型,獲取各生長要素的參數量化值;
本步驟中,首先要根據植物的種類不同,通過農業文獻和領域專家的知識來確定各植物的生長階段劃分,再確定對植物生長產生主要影響作用的生長要素,包括:播期、降水量、光、溫度、各種微量元素(氮磷鉀等)等等。
本步驟中,如果無法得到各生長要素對植物形態影響的數學模型,就要對各生長要素的連續數值進行量化,劃分各生長要素的參數量化值區間。
b:確定植物在各生長階段的標準形態,並建立各標準形態的三維樣本模型;
本步驟中,建立植物的標準形態模型方法有數種,包括:使用三維建模工具重構植物三維模型;或者使用深度攝像機拍攝深度圖像,然後根據深度圖像重構植物三維模型;或者使用三維掃描儀直接掃描植物,根據掃描出的點雲數據重構植物三維模型等等;具體使用方法取決於採集者的現場條件。
c:通過分組實驗得到生長要素對植物形態影響的數據;
本步驟中,對植物進行分組實驗,採集各生長階段、各生長要素對植物外形的影響結果,這種結果一般為植物的莖稈高度、葉片大小和果實重量等數據。
d:利用機器學習的分類算法對分組實驗得到的數據進行分類;
本步驟中,利用機器學習中各種分類算法對數據進行分類測試,分類算法包括:人工神經網絡、決策樹、支持向量機等算法,尋找最優的特徵設置,使之能達到最佳分類效果,以此來建立最適合的機器學習分類模型,然後通過交叉驗證選擇最好的算法模型。
e:運用分類結果對植物各生長階段的樣本模型進行修改。
本步驟中,選擇最適合的機器學習分類算法來構建受生長要素影響的植物形態分類模型,將生長要素參數的量化模型與植物形態樣本進行對應,並根據結果對植物標準三維樣本模型就行修改,得到植物受生長要素影響的三維模型。
以上實施方式僅用於說明本發明,而並非對本發明的限制,有關技術領域的技術人員,在不脫離本發明的精神和範圍的情況下,還可以做出各種變化和變型,因此所有等同的技術方案也屬於本發明的範疇,本發明的專利保護範圍應由權利要求限定。