2023.7.5 汇报（自用

文献阅读：A single plant segmentation method of maize point cloud based on 
Euclidean clustering and K-means clustering 

翻译：基于欧几里得聚类和k均值聚类的玉米点云单株分割方法

文章链接：https://doi.org/10.1016/j.compag.2023.107951

ABSTACT：It is very important to study the correlation between phenotypic information and genetic information of population maize plants for breeding good maize varieties. How to separate single maize plants from population plants to more accurately measure maize phenotypic parameters is still a difficult problem. Therefore, we propose a single plant segmentation method based on Euclidean clustering and K-means clustering. First, three dimensional (3D) point cloud data of two planting density populations of maize (field 1 and field 2) at five-leaf stage (V5) and six-leaf stage (V6) were obtained by terrestrial laser scanning (TLS). Second, the point cloud data of maize plants were preprocessed to extract the point cloud data of the experimental area. Then, plane segmentation, point cloud filtering and Euclidean clustering were used to segment the population maize plants.Finally, the number of plants and center point of point cloud of maize plants after preliminary segmentation were obtained by voxel filtering, and then K-means clustering was used to achieve single segmentation of maize plants.When planting density was sparse, the segmentation results based on Euclidean clustering and K-means clustering showed that the Accuracy* F1 Score (A * F1) of V5 stage and V6 stage plants were 100.00 % and 99.87 %, respectively; and the A * F1 of V5 stage and V6 stage were 99.59 % and 85.69 %, respectively, when planting density was dense. Compared with the results of Euclidean clustering single plant segmentation, maize single plant segmentation A * F1 increased by 0.00 %, 6.02 %, 12.25 % and 73.41 % at V5 stage and V6 stage in field 1 and field 2, respectively. The results showed that the single plant segmentation based on Euclidean clustering and K-means clustering method could solve the problem that Euclidean clustering single plant segmentation method could not segment the cross-leaf plants. This study provides a simple and reliable method for plant segmentation of population maize for breeders and crop phenotypists.

摘要：研究群体玉米植株表型信息与遗传信息的相关性，对选育优良玉米品种具有重要意义。如何将玉米单株与群体分离，更准确地测定玉米表型参数，仍然是一个难题。因此，我们提出了一种基于欧几里得聚类和k均值聚类的单株植物分割方法。首先，利用地面激光扫描技术(TLS)获取玉米1田和2田两个种植密度群体在五叶期(V5)和六叶期(V6)的三维点云数据;其次，对玉米植株的点云数据进行预处理，提取实验区的点云数据;然后，采用平面分割、点云滤波和欧几里得聚类对玉米种群进行分割。最后，通过体素滤波获得初步分割后的玉米植株个数和点云中心点，然后利用K-means聚类实现玉米植株的单次分割。当种植密度较稀疏时，基于欧几里得聚类和K-means聚类的分割结果表明，V5期和V6期植物的准确率* F1得分(A * F1)分别为100.00%和99.87%;种植密度较大时，V5期和V6期的A * F1分别为99.59%和85.69%。与欧氏聚类单株分割结果相比，玉米单株分割A * F1在田1和田2的V5期和V6期分别提高了0.00 %、6.02%、12.25%和73.41%。结果表明，基于欧几里得聚类和k均值聚类的单株分割方法可以解决欧几里得聚类单株分割方法无法分割交叉叶植物的问题。本研究为育种家和作物表型学家提供了一种简便可靠的玉米群体植物分割方法。

实验方法：取玉米的五叶期（v5）与六叶期（v6），使用TLS对两个时期的玉米进行扫描，获取带三维点云数据。之后对数据进行欧式聚类和K邻近聚类算法实现对玉米的单株分割。实验流程如图所示。

实验区域：取两个不同种植面积的玉米田，记为F1、F2，F1两地的面积、种植密度如图所示。

 数据集的预处理：整体流程如下图1所示。1、将不同地点点云的目标球识别为特征点。2、采用基于通过滤波的多边形分割方法，对F1和F2区域的玉米植株和地面点云进行分割。如下图2所示。3、将F1和F2区域的点云数据转换为*，PCD采用点云读写方法实现。

 

欧式聚类和Kmeans聚类算法分割单株流程：1、平面分割。原始点云数据通过1 m × 1 m的网格分割为区域点云数据。计算边缘区域点云数据的边长。2、统计过滤。对玉米植株点云数据进行统计滤波，去除噪声点。3、欧几里德聚类分割。对玉米植株点云进行欧几里得聚类。4、体素过滤。将多株玉米点云投影到最小z轴坐标平面上，并进行体素滤波。5、K-means聚类分割。如果多株玉米点云中的植株数为1，则将该点云标记为单株点云。否则，K-means聚类参数设置为植物的数量和植物中心点的坐标。

实验结果：左图为使用欧式聚类算法对F1、F2两地和v5、v6两个时期的玉米的分割图、右图为使用欧式聚类和Kmeans聚类算法对F1、F2两地和v5、v6两个时期的玉米的分割图。可以看到欧式聚类+keans聚类的方法对种植密度大的情况分割效果更好.

、

左图为只使用欧式聚类算法分割的结果，右图为欧式聚类+kmeans聚类算法分割的结果。

可以看出在种植面积较大、玉米间叶与叶的交错程度严重的情况下，欧式聚类算法没有很好的表现，但欧式聚类+kmeans算法表现良好，它可以分割大部分叶片交错的玉米。

结论：

1、针对单株因叶片杂交而难以分割的问题，采用基于欧几里得聚类和k均值聚类的单株分割方法，实现了适用于不同种植密度和不同生长阶段的玉米植物点云单株分割。以V5和V6期不同种植密度的玉米植株为研究对象。研究了基于TLS的玉米单株分割方法。
2、与基于欧氏聚类方法的单株分割相比，采用基于欧氏聚类和K-means聚类方法的单株分割，F1和F2中V5和V6期的A * F1分别提高了0.00 %、6.02%、12.25%和73.41%。在密植和生长后期，单株分割效果显著。