中国农业科学研究越来越重视农业的数字化、智能化和仿真化,数字农业和智慧农业成为了未来发展趋势。实现数字农业和智慧农业的基础是获取作物生长相关参数信息,包括作物行信息、株高、植株密度和作物冠层幅度等。传统作物生长参数获取存在效率低、精度低等问题,难以满足现代农业科学研究需要。而三维激光点云技术能够克服作物参数传统测量的局限性,使实现无损、高效、高精度作物生长参数测量成为了可能,因此该技术成为了目前作物群体植株生长参数测量的研究热点。三维激光点云技术获取的农田尺度下作物群体点云数据信息,包含作物的表型结构和空间信息,但同时也包含其他非目标噪声,因此需要对作物群体点云数据进行处理。如何在保持点云数据的精度前提下实现作物三维点云数据的完整提取与分割是作物群体生长参数测量的关键。本文基于三维激光点云技术,对农田尺度下作物群体(油菜、玉米)三维点云数据的配准、目标提取、分割和作物群体植株密度计算、行检测和高度测量展开研究,论文开展的主要工作和成果包括以下内容:(1)作物群体点云数据采集:构建了基于三维激光扫描仪的农田作物群体点云数据采集系统,并设计了农田作物群体点云采集方法,实现对本文实验材料油菜、玉米作物群体点云数据的采集。(2)作物群体点云数据配准:点云数据配准是点云数据信息提取的基础工作,本文提出一种基于标靶球拟合的点云配准方法,该方法通过拟合球体解算球心坐标,以不同测站的球心坐标为关键点,实现作物群体点云数据的配准。经过实验分析,拟合标靶球体精度在96.8%-97.47%,相较传统ICP算法,本文所提的配准算法大幅提升了工作效率。(3)作物群体点云数据简化:千万级的作物群体点云数据简化方法研究,不仅能提高后续实验工作效率,也降低了对计算机软硬件的要求。本文采用作物点云数据分层简化的方法,结合随机采样和曲率采样算法实现对油菜、玉米群体点云数据简化。结果表明,油菜和玉米作物群体点云数据的综合简化率分别达到94.13%和82.83%,在实现大幅精减点云数据的同时,保持了作物群体形态特征。(4)目标点云数据提取:本文提出了一种基于HSI颜色空间模型的作物群体冠层提取方法,通过设置合适的阈值(油菜0.1785、玉米0.1604)实现对作物群体植株冠层点云的自动提取,与传统提取方式对比,在满足实验精度的前提下,大大提高了工作效率。在此基础上,利用条件滤波提取了土壤表层,该方法为作物群体植株点云数据分割提供了数据支撑。(5)作物群体植株点云数据分割:本文提出一种融合欧氏距离聚类分割的柱体空间模型聚类分割算法,突破了欧氏距离聚类分割算法在作物群体植株分割中的局限性。实验结果表明,油菜作物群体植株分割精度达到90.12%,玉米群体分割精度达到96.63%,该算法有效的解决了散乱点云快速聚类和分割问题,为作物植株生长参数高精度测量建立了理论基础。(6)作物群体植株生长参数测量:(1)通过对作物群体植株数量提取和土壤面积计算,实现基于点云数据的作物群体植株密度计算。实验结果表明,油菜种植密度计算的相对精度达到91.23%,玉米种植密度的计算相对精度达到93.63%;(2)将提取的作物群体植株中心点作为作物行检测特征点,提出一种轴向聚类行检测算法,设置轴向检测阈值(油菜0.12、玉米0.35),实现2种作物群体行的全部正确检测,并输出了检测结果方程;(3)基于作物群体点云数据分割结果,提取作物植株冠层顶点数据,将拟合的土壤平面作为植株根部基点,实现作物群体植株高度测量,与人工测量株高数据进行线性回归分析,2种作物的拟合系数(R~2)均在0.95以上,油菜和玉米的RMSE分别为0.0375m和0.0271m。实验验证了本文基于点云数据作物群体株高测量方法的准确性。