中华人民共和国农业行业标准
NY/T 4990—2025
作物表型数据三维重建指南
Guidelines for 3D reconstruction of crop phenotypic data
2025-12-09 发布
2026-05-01 实施
中华人民共和国农业农村部发布
前言
本文件按照 GB/T 1 .1—2020« 标准化工作导则第 1 部分 : 标准化文件的结构和起草规则»的规定起草 .
请注意本文件的某些内容可能涉及专利 . 本文件的发布机构不承担识别专利的责任 .
本文件由农业农村部市场与信息化司提出 .
本文件由农业农村部数据标准化技术委员会归口 .
本文件起草单位 :西北农林科技大学、农业农村部大数据发展中心、浙江大学、北京市农林科学院信息技术研究中心、中国农业大学、中国农业科学院作物科学研究所、长光卫星技术股份有限公司、中国科学院计算技术研究所、西安星辰云控股集团、陕西龙翔四维空间信息科技有限公司、陕西牧云智农信息科技有限公司、北京智汇云舟科技有限公司 .
本文件主要起草人 : 王美丽、乔永亮、杜英坤、岑海燕、郭新宇、苏道毕力格、金秀良、童鑫、邹波、李文涛、蒋浩、赵聪、毛锐、李梅、杨会君、耿宏锁、彭见琼、陈钊 .
作物表型数据三维重建指南
1 范围
本文件规定了作物表型三维重建的总体原则 , 以及数据采集、作物三维重建技术规范、重建效果评估 .
本文件适用于从事作物遗传学研究、作物育种技术及植物表型分析的研究人员和技术人员 , 旨在为个体作物表型数据的三维重建工作提供标准 ,推动农业教育和技术推广 .
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款 . 其中 ,注日期的引用文件 ,仅该日期对应的版本适用于本文件 ; 不注日期的引用文件 , 其最新版本(包括所有的修改单)适用于本文件 .
GB/T 18784 CAD/CAM 数据质量
GB/T 24734 .1—2009 技术产品文件数字化产品定义数据通则第 1 部分 :术语和定义
3 术语和定义
下列术语和定义适用于本文件 .
3 .1
点云 pointcloud
由大量点组成的三维数据结构 ,每个点包含其空间坐标和可能的颜色或强度信息 .
3 .2
三维重建 3D reconstruction
通过数据处理和计算 ,将二维图像或点云数据转换为三维模型的过程 .
3 .3
作物表型 crop phenotype
作物在特定环境条件下表现出的形态、生理和生长特征 ,通常包括高度、叶片角度、冠层结构等 .
3 .4
纹理映射 texturemapping
将图像的颜色信息映射到三维模型表面 ,用于增强模型的视觉表现力 .
3 .5
特征点 featurepoints
通过特定算法在多角度图像中提取的具有独特标识性、为点云生成提供基础数据、可用于精准匹配的关键点位 .
3 .6
多视角图像 multi-view images
从多个不同的角度对同一物体或场景进行拍摄所得到的一组图像 .
4 总体原则
4 .1 数据采集的规范性
采用标准化的设备和方法进行数据采集 , 以保障数据的高质量和可靠性 . 严格把控采集环境和操作 ,如照明条件、背景和设备稳定性 ,从而减少数据误差和提高重建质量 . 数据定义应附合 GB/T 24734 .1 — 2009 中术语定义的规定 .
4 .2 重建技术的适应性
根据作物的具体特征和三维重建的目的选择最合适的重建技术 . 建议系统允许对光源、相机配置、扫描参数进行调整 , 以适应不同的场景和要求 .
4 .3 模型评估与验证
对重建效果进行系统的评估 ,包括重建精度、模型完整性和表面平滑度等指标 .
5 数据采集
5 .1 采集设备
5 .1 .1 数字相机
图像分辨率 :数字相机具备较高的图像分辨率 , 以便能够捕捉到作物或目标物体的细微细节 . 高分辨率图像能够提供更多的像素信息 ,有助于提高三维重建的精度和质量 .
镜头质量 :配备高质量的镜头 ,确保图像清晰、锐利 ,减少畸变和色差 . 镜头的焦距范围能够满足不同拍摄场景的需求 ,从广角到长焦 , 以便能够从不同距离和角度拍摄目标物体 .
光圈和快门控制 :具备可调节的光圈和快门速度 , 以便能够控制曝光量 ,适应不同的光照条件 . 在三维重建数据采集过程中 ,需要确保图像的亮度和对比度均匀 ,避免过曝或欠曝的情况 .
机身防抖 :建议数字相机具备机身防抖功能 , 以减少在拍摄过程中的抖动和模糊 .
5 .1 .2 三维扫描仪
精度和分辨率 :三维扫描仪具备较高的精度和分辨率 , 以便能够准确地捕捉目标物体的三维形状和细节 . 精度是指扫描仪测量结果与实际物体尺寸之间的偏差 , 分辨率则是指扫描仪能够分辨的最小细节尺寸 .
扫描速度 :具备较快的扫描速度 , 以便能够在较短的时间内完成对目标物体的扫描 . 快速扫描可以提高数据采集的效率 ,减少因扫描时间过长而导致的目标物体移动或变形的风险 .
扫描范围 :具备较大的扫描范围 , 以便能够适应不同大小的目标物体 . 扫描范围可以根据实际需求进行选择 ,从小型物体到大型场景都能够进行有效的扫描 .
环境适应性 :能够在不同的环境条件下进行扫描 ,如室内、室外、强光、弱光等 . 具备良好的环境适应性可以提高扫描仪的使用范围和可靠性 .
5 .2 采集方法
5 .2 .1 直接法
直接采集三维信息 :通过特定设备直接获取物体的三维坐标信息 ,无需经过中间的二维图像转换等过程 . 例如 ,三维扫描仪可以直接发射激光或者其他探测信号 ,根据信号的反射或者传播时间等信息直接计算出物体各点的三维坐标 .
5 .2 .2 间接法
基于二维图像的重建 :先采集物体的多角度二维图像 ,然后通过计算机视觉算法对这些二维图像进行处理 ,提取特征信息 ,再进行三维重建 . 例如 ,利用数字相机从不同角度拍摄物体 ,然后利用三维重建算法从这些二维图像中恢复出物体的三维结构 .
5 .3 采集环境
合理的数据采集规划是成功重建的关键 . 需要考虑到环境条件、采集时间、角度覆盖、数据冗余等因素 , 以确保获得高质量的输入数据 .
环境条件 :数据采集尽量避免强光或过暗环境 . 过强的光照可能会造成图像过曝 ,导致细节丢失 ;过暗则可能增加噪声 , 降低图像质量 . 建议在光线均匀的条件下进行采集 ,或使用补光设备改善采集环境 .
采集时间 :最佳采集时间通常是早晨或下午 ,此时光线柔和 ,影子较少 . 尽量避免在中午阳光直射时进行拍摄 , 以减少高对比度阴影的影响 .
角度覆盖 :为确保三维重建的完整性 ,数据采集时尽可能多地覆盖不同的角度和位置 . 对于复杂结构
的作物(如茎叶交错的植物) ,从多个高度和方向进行拍摄 , 以捕捉所有关键特征 .
数据冗余 :建议对同一场景进行多次拍摄 , 以增加数据的冗余性 . 冗余数据可以帮助在后期处理时弥补可能的缺失 ,或用于优化重建的精度 .
5 .4 采集方案
5 .4 .1 数字相机采集方案
针对数字相机进行作物三维重建图像采集时 ,使用固定焦距镜头进行拍摄 ,还可使用色卡进行校准 ;以便在后期处理图像数据时 ,使颜色、纹理显示更为准确、真实 ,确保照片的色彩表现准确无误 . 在拍摄过程中 ,要注意记录拍摄的参数 ,如光圈、快门速度、感光度等 , 以便后期进行统一调整 .
5 .4 .1 .1 作物固定采集方案
此场景多用于室外 . 采集背景具有特点 ,能够突出采集对象 . 在进行室外图像采集前 ,考察拍摄场地的地形地貌 ,规划合理的相机移动路线 ,确保能够围绕作物进行全方位的拍摄 . 在移动过程中 ,可考虑使用三脚架或其他固定设备辅助 , 以增加拍摄的稳定性 . 以作物为中心进行 360 °旋转拍摄 ,每隔 15 °~ 30 °至少拍摄 2 组照片 . 注意控制拍摄距离 ,对于地面拍摄 ,保持相机距离目标物体的距离大于 20 cm;对于无人机拍摄 ,无人机距离作物一定距离 , 防止影响作物叶面状态 . 照片重叠度设置在 70% ~ 90% , 以保证数据的完整性和高效性 .
5 .4 .1 .2 相机固定采集方案
该场景主要用于室内 . 采集背景尽可能单一、无纹理 , 以减少扫描过程中因背景复杂性产生的噪声和误差 ,推荐使用纯色背景板 . 将相机固定在三脚架上 ,调整好高度和角度 ,使其对准放置在转盘上的作物 .选择合适的转盘 ,确保其能够平稳地转动作物 ,且不会产生明显的震动 . 开启转盘 ,让作物缓慢匀速转动 .在作物转动过程中 , 以作物为中心 , 同样进行 360 °的图像采集 ,每隔 15 °~ 30 °至少拍摄 2 组照片 ,重叠度设置在 70% ~ 90% . 拍摄时相机距离目标物体大于 20 cm.
5 .4 .2 三维扫描仪采集方案
需要特别关注难以扫描的区域 ,如凹陷和尖角 . 为了避免遮挡和反光 ,建议在不同时间、不同光照条件及目标状态下进行多次扫描 . 为确保数据的完整性 ,从不同的角度进行扫描 ,并记录每个角度的扫描姿态 . 各相邻扫描路径之间至少有 20%的重叠 , 以确保覆盖目标物体的所有表面 .
5 .4 .2 .1 手持式
设备准备与校准 :手持式三维扫描仪具有便携性强、操作灵活的特点 . 首先 , 打开扫描仪和与之连接的计算机 ,安装并启动专门的扫描软件 . 在开始扫描之前 ,对扫描仪进行校准操作 ,这一步骤是为了保证扫描仪在采集数据过程中的准确性 . 校准过程通常依据扫描仪的使用说明进行 ,确保设备的各项参数符合精准测量的要求 .
扫描操作过程 :校准完成后 ,将扫描仪对准需要扫描的作物 . 在扫描过程中 ,需要从不同角度逐步扫描作物的各个表面 . 为了获取清晰且准确的三维信息 ,操作人员要保持扫描仪与物体之间的适当距离 ,这个距离通常根据扫描仪的型号和规格来确定 . 同时 ,移动扫描仪时要保持稳定的速度 ,避免过快或过慢的移动导致数据采集不准确 . 对于作物中复杂的部位 ,如茎叶交错或者果实与枝叶相互遮挡的区域 ,要格外注意捕捉物体的细节特征 . 如果一次扫描不能完整获取这些复杂区域的信息 ,可以对该区域进行多次扫描 , 以确保获取到更完整的数据 .
数据传输与处理 : 当对作物的扫描完成后 ,将采集到的数据传输至计算机进行后续的处理分析 . 在传输过程中 ,要确保数据的完整性 ,避免因传输中断或其他问题导致数据丢失 .
5 .4 .2 .2 固定式
设备选择与环境搭建 : 固定式三维扫描仪通常具有更高的精度和稳定性 . 在设备准备阶段 ,要根据待扫描作物的大小和形状选择合适的固定式三维扫描仪 . 在扫描环境搭建方面 ,需构建一个稳定的扫描平台 . 可以使用三脚架、工作台等工具来固定扫描仪和作物 ,确保在扫描过程中两者的相对位置保持稳定 ,减少因晃动或位移而产生的数据误差 .
扫描仪调试与物体放置 :在进行扫描操作之前 ,安装并调试好固定式三维扫描仪 ,确保其各项功能正
常工作。 将作物放置在扫描平台上 ,仔细调整作物的位置和角度 ,使扫描仪的扫描范围能够完全覆盖作
进行后续处理。
5 .5 数据预处理
5 .5 .1 数据质量控制
数据的质量直接影响到最终三维模型的精度和完整性。 因此 ,在数据采集过程中需控制质量 ,避免低
质量的数据进入后续处理流程。
果。可以通过调整焦距、使用三脚架或图像稳定器来提高图像的清晰度。
曝光与对焦 :在数据采集过程中 ,根据场景的亮度条件适当调整相机的曝光参数 , 避免过曝或欠曝。
同时 ,确保对焦准确 ,尤其是在进行特写拍摄时 ,焦点准确对准作物的关键部位。
数据备份 :在数据采集过程中 ,定期备份采集到的数据 , 防止因设备故障或意外情况导致数据丢失。
5 .5 .2 数据预处理
5 .5 .2 .1 基于图像的数据筛选
数据预处理的第一步是筛选出高质量的图像数据 ,去除可能影响重建效果的低质量数据。
去除模糊图像 :在筛选过程中 ,首先剔除模糊不清的图像。 可以使用自动化的图像清晰度检测算法来
辅助筛选 ,也可以通过人工检查进行筛选。
剔除重复数据 :重复采集的数据虽然可以增加冗余性 ,但在重建时可能会增加计算量 , 因此需要适当
剔除明显的重复数据。 可以通过比较图像的直方图或特征点分布来判断图像的相似度 ,剔除重复度高的
图像。
保持多样性 :保留足够的角度覆盖和不同条件下的图像 , 以增加三维重建的全面性和准确性。
5 .5 .2 .2 基于激光点云的数据筛选
噪声点去除 :通过统计分析点与邻域点距离分布或基于半径滤波 ,将偏差大或球体内点数量过少的点作为噪声点并去除。
离群点去除 :利用聚类分析将不属于主要簇的点或不符合空间分布规律的点判定为离群点并进行去除。
冗余点去除 :采用体素化使每个体素仅保留一个点或者按照一定采样策略(随机、均匀、基于曲率等)抽取部分点来去除冗余点。
5 .5 .2 .3 图像校正
在进入三维重建之前 ,对图像进行校正处理是提高重建效果的重要步骤。 常见的校正包括颜色校正、
几何校正和畸变校正。
颜色校正 : 由于不同环境光照条件的变化 , 同一作物在不同图像中的颜色可能会有所不同。 通过颜色
几何校正 : 图像拍摄过程中可能会因相机位置的变化或镜头畸变而引起几何失真。 通过几何校正 ,可
畸变校正 :相机镜头的非线性畸变会导致图像边缘出现弯曲变形 ,影响重建的精度。 通过畸变校正 ,
5 .5 .2 .4 去噪处理
图像数据在采集过程中可能会引入噪声 , 如光线不足时产生的电子噪声或环境因素导致的杂散光。
去噪处理可以提高图像的信噪比 ,从而提升三维重建的精度。
空间域去噪 :常用的空间域去噪方法包括中值滤波、均值滤波等。 这些方法通过平滑图像来减少噪
声 ,但同时可能会导致细节丢失 , 因此在去噪时需要平衡去噪强度与细节保留之间的关系。
频率域去噪 :利用傅里叶变换可以将图像转换到频率域 ,通过滤除高频噪声来实现去噪。 此方法在去
除周期性噪声方面效果显著 ,但可能对图像的边缘造成影响。
基于学习的去噪 : 随着深度学习技术的发展 ,基于学习的去噪方法如卷积神经网络在保持细节的同时去除噪声方面表现优异。 这些方法需要大量的训练数据 ,但在复杂场景下表现出色。
6 作物三维重建技术规范
6 .1 作物三维重建内容
作物三维重建内容主要包括以下部分 :
a) 茎干与分枝 :重建主茎和各级分枝 ,呈现作物的支撑结构和分枝模式 ;
b) 叶片结构 :详细展现叶的形状、大小、排列和角度 ;
c) 果实与种子 :对于结果作物 ,重建果实的外部形态 ;
d) 花与花器官 :包括花瓣、雄蕊、雌蕊等部分的三维展示 ;
e) 空间分布参数 :包括茎干、枝条、叶片等的空间方向和取向(如叶片角度、茎干倾角等)、单景枝条数或分蘖数、叶片数、花蕾或孕穗数、开花或抽穗数、挂果或成穗数等 ;
f) 与其他作物的关系 :在种植密度较大或作物间套种植的情况下 ,展现作物间的空间关系和生态。
6 .2 三维重建技术
6 .2 .1 点云生成
点云生成是三维重建的基础步骤 ,通过从多角度图像中提取特征点 ,并匹配这些特征点的位置 ,来生成稠密的点云数据。
特征点提取 :常用的特征点提取算法包括 SIFT(尺度不变特征变换)、SURF(加速鲁棒特征)和 ORB
(快速鲁棒特征)。 这些算法可以在不同尺度和旋转角度下提取图像中的关键特征点 , 为后续的点云生成
提供基础数据。
特征点匹配 :提取特征点后 ,需在多张图像之间进行匹配。 特征点匹配是点云生成的关键步骤 ,影响
法来实现特征点的精准匹配。
6 .2 .2 模型重建
点云生成后 ,下一步是根据点云数据进行三维模型的构建。 模型重建的质量直接决定了最终重建效
果的好坏。
表面重建 :表面重建是从稠密点云中生成连续三维表面的过程。 常用的表面重建算法包括 Marching
尺度一致性处理 :在重建过程中 , 由于不同图像之间的拍摄尺度不一致 ,可能会导致模型的尺度失真。
通过尺度一致性处理 ,可以将模型调整到统一的尺度 ,确保其与真实物体的比例一致。
6 .2 .3 纹理映射
纹理映射是将图像的颜色信息贴合到三维模型表面上的过程 ,使得模型更加真实且富有细节。 纹理
映射的精度直接影响到最终重建效果的视觉表现。
纹理提取 :从多角度图像中提取纹理信息 ,并将其与三维模型的顶点或面片进行对应。 可以使用基于
投影的纹理提取方法 ,将图像的颜色信息投影到模型的表面。
处的色差和拼接痕迹 , 使纹理在模型表面上实现无缝连接。 可以使用渐进融合、渐变融合等方法进行
处理。
纹理优化 :在纹理映射完成后 ,可以通过纹理优化算法对映射效果进行进一步调整 ,如增强局部对比度、平滑边缘等 ,提高模型的视觉效果。
6 .3 重建后处理与重建模型保存
6 .3 .1 重建后处理
6 .3 .1 .1 去噪处理
对于点云数据 ,可以采用统计滤波的方法 ,根据点与邻域点的距离分布情况 ,将距离过大的点判定为噪声点并去除 ;也可以运用半径滤波 ,将球体内点数量过少的点视为噪声点进行剔除。 而对于模型表面 ,可使用拉普拉斯滤波器 ,通过调整顶点的位置来平滑模型 ,减少因噪声产生的表面粗糙 ,在去除噪声的同时 ,尽量保持模型的细节特征。
6 .3 .1 .2 上下采样处理
上采样 : 当需要提高模型精度时进行上采样操作。 例如 ,基于曲率的采样方法 ,在曲率较大的区域增
点的位置可以通过插值或其他合适的方法确定 ,使其能够更好地拟合原始模型的形状。
下采样 : 当需要减少计算资源使用时 ,可以进行下采样。 例如 ,通过均匀采样的方式 ,在不影响模型整
个体素 ,每个体素内选取一个代表点来实现下采样。
6 .3 .1 .3 修补处理
模型的完整性对于准确反映作物的三维结构至关重要。 在重建过程中 ,可能会出现模型部分缺失的
情况 ,这时就需要进行修补。
点云模型修补 :对于点云模型 ,可以利用插值方法 ,如线性插值或者样条插值 ,根据周围点的信息来填
补空缺部分。 线性插值是在缺失点的邻域内选取若干个已知点 ,通过构建线性函数来估计缺失点的位置。
样条插值则是使用更复杂的样条函数 ,能够更好地拟合局部曲线 ,提供更平滑的修补结果。
基于网格的模型修补 :对于基于网格的模型 ,则可以采用网格重建技术 ,如基于三角剖分的算法来修
复模型的破损区域。 通过在破损区域周围的网格上添加新的三角形面片 ,使得模型的表面重新变得连续
6 .3 .1 .4 尺度恢复处理(多视角视图需要)
由于多视角图像采集过程中可能存在的各种因素 ,如相机参数不一致、拍摄距离不同等 ,导致重建模型的尺度不准确。 因此 ,需要进行尺度恢复操作。
参考物体法 :在拍摄场景中放置一个已知尺寸的参考物体(如标准立方体) ,在数据采集和重建过程中
同时对参考物体进行处理。 通过测量重建后参考物体的尺寸与实际尺寸的比例关系 ,计算出尺度缩放因
子 ,然后将整个重建模型按照该缩放因子进行调整 ,使其恢复到真实的尺度。
多视图几何约束法 :利用多视角图像之间的几何约束关系 ,如对极几何、三角测量原理等 ,来估计模型
的真实尺度。 通过计算不同视角下对应点之间的空间关系 ,结合相机的内参和外参信息 ,推导出模型的实
6 .3 .2 重建模型保存
6 .3 .2 .1 数据格式
括 PLY、OBJ、STL等。
PLY格式 :PLY(Polygon File Format)是一种常用的三维点云数据格式 ,支持存储顶点、面片及颜色等信息 ,适合保存稠密点云数据。
OBJ格式 :OBJ格式是一种广泛使用的三维模型数据格式 , 支持多边形网格、纹理坐标等信息 ,适合与多种三维建模软件兼容使用。
STL格式 :STL(Stereolithography)格式常用于三维打印和快速成型领域 ,支持存储模型的表面几何信息 ,具有较好的通用性。
FBX格式 :FBX 是一种综合性的三维数据交换格式 ,可以存储模型、材质、动画、骨骼等多种信息 ,在不同的三维软件和游戏引擎之间的数据传输中被广泛使用。
3DS格式 :3DS是一种比较经典的三维模型格式 , 能够保存模型的几何形状、材质和纹理等信息 , 常用于一些较早期的三维设计软件。
DAE格式 :DAE(DigitalAssetExchange)格式基于 XML,支持复杂的三维场景、模型、动画等信息 ,在不同的数字内容创作工具之间共享数据时非常方便。
PCD 格式 :PCD(PointCloud Data)是一种专门用于存储点云数据的格式 ,支持存储点的坐标、颜色、法向量等信息 ,广泛应用于点云处理和三维重建领域。
LAS格式 :LAS(LASer)格式主要用于存储激光雷达点云数据 ,包含点的三维坐标、强度、回波次数等信息。
XYZ格式 :XYZ 格式是一种简单的文本格式 ,通常每行存储一个点的三维坐标(X、Y、Z) ,可以方便地用文本编辑器查看和处理 ,适用于一些简单的点云数据存储和传输场景。
6 .3 .2 .2 数据存储
数据存储需考虑到数据的安全性、可访问性及扩展性。 建议采用高容量、稳定的存储介质进行数据备
份 ,确保数据在长期存储中的完整性。
本地存储 :可以使用大容量硬盘、固态硬盘等本地存储设备进行数据存储。 建议采用 RAID技术来增
加存储的可靠性 , 防止单点故障导致数据丢失。
云存储 :云存储平台提供了高效的数据存储与共享解决方案。 通过使用云存储服务 ,用户可以方便地
7 .1 评估指标
7 .1 .1 重建精度
重建精度是指三维重建模型在几何形状、尺寸及空间位置等方面与真实物体的接近程度。 它主要衡量模型对真实物体的还原准确性 , 反映了从数据采集、处理到模型构建等各个环节中产生的累积误差情况。
几何偏差测量 :可以使用对齐误差、Hausdorff距离等方法来量化重建模型与实际物体之间的几何偏差。通过对比模型表面与真实物体表面之间的距离 ,可以判断重建的精度。
行对齐 ,并计算各点之间的误差值 ,可以评估整体重建精度。
复原精度 :通过计算重建模型与真实物体在特定几何特征上的差异来评估 ,如物体的体积、表面积等。
7 .1 .2 模型完整性
模型完整性是指三维重建模型对原始物体的结构和形态的全面反映程度 , 即模型是否包含了原始物
体的所有关键部分 ,且这些部分的几何形状和相互关系是否准确地被重建出来。 完整性评估需要检查模
型是否存在缺失、断裂或未重建的部分。
模型缺陷检查 :通过对比重建模型与原始图像 ,可以发现模型中的缺陷 ,如未重建的部分、空洞或断裂
断裂点修复 :对于发现的断裂点或未闭合的部分 ,可以使用自动修复工具或手动修补方式进行修复 ,确保模型的完整性。 常用的修复工具包括网格修复、空洞填充等。
7 .1 .3 表面平滑度
表面平滑度是指三维模型表面的光滑程度。 它描述了模型表面在微观层面上的曲率变化情况 ,一个具有高表面平滑度的模型 ,其表面上相邻面片之间的过渡自然 ,没有明显的棱角或者不连续的变化 , 能够更好地反映物体的真实形态 ,并提高模型的视觉效果。
表面光滑度测量 :可以使用曲率分析、梯度检测等方法来评估模型表面的平滑度。 曲率较大的区域可
能需要进一步的平滑处理。
平滑算法应用 :在重建过程中 ,可以使用 Laplace平滑、Taubin平滑等算法对模型进行平滑处理。 这
些算法通过迭代调整顶点的位置来减小表面粗糙度 ,增强模型的视觉效果。
7 .2 评估要求
作物表型数据三维重建模型评估应遵循以下原则 :
a) 作物三维模型的数据质量满足 GB/T 18784 的要求 ;
b) 作物三维模型具备实用性 ,可根据作物三维模型 ,得到作物详细的形态表型信息 ,判断作物生长状况 ;
c) 作物三维模型评估可参考重建精度、模型完整性和表面平滑度 ;
d) 作物数字化三维模型具有对真实作物细节的表达能力 ,如器官结构、作物表面特征等 ,满足真实作物形态特征和生物量计算的精度需求。
参考文献
[1 ] GB/T 2822—2005 文件尺寸
[2 ] GB/T 8170—2008 数值修约规则与极限数值的表示和判定
[3 ] GB/T 12345—2020 农业物联网通用技术规范
[4 ] GB/T 12979—2008 近景摄影测量规范
[5 ] GB/T 18894—2016 电子文件归档与管理规范
[6 ] GB/T 31053—2014 机械产品逆向工程三维建模技术要求
[7 ] GB/T 38368—2019 产品几何技术规范(GPS)基于数字化模型的测量通用要求
[8 ] GB/T 67890—2019 数字农业标准体系
[9 ] GB/T 26099 .1—2010 机械产品三维建模通用规则第 1 部分 :通用要求
