本發(fā)明涉及計算機三維建模技術(shù)領(lǐng)域，具體是一種受生長要素影響的植物三維形態(tài)樣本建模方法。

背景技術(shù)：

參數(shù)化植物三維形態(tài)建模，對植物科學研究有重要的作用，對于研究人員了解植物的增產(chǎn)原因也起到重要的作用。現(xiàn)有的植物三維形態(tài)建模主要是對植物在理想生長條件下的形態(tài)變化進行模擬，很少涉及生長要素的變化。

植物三維形態(tài)建模方法主要有四類：第一類是基于規(guī)則的建模方法，第二類是基于計算機圖形學的建模方法，第三類是基于儀器設備的建模方法，第四類是基于圖像的建模。如果能得到各生長要素對植物形態(tài)影響的數(shù)學模型，現(xiàn)有的四類植物三維形態(tài)建模方法是可以模擬植物受生長要素影響下的準確形態(tài)的，但由于農(nóng)業(yè)領(lǐng)域知識的不精確，要得到各生長要素對植物形態(tài)影響的數(shù)學模型是很困難的，因此，在現(xiàn)有的植物三維形態(tài)建模方法下，要模擬各生長階段下受到定量參數(shù)的生長要素影響的植物三維形態(tài)很難做到。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的是提供一種受生長要素影響的植物三維形態(tài)樣本建模方法，以解決現(xiàn)有技術(shù)植物三維建模方法難以模擬生長要素對植物三維形態(tài)影響的問題。

為了達到上述目的，本發(fā)明所采用的技術(shù)方案為：

一種受生長要素影響的植物三維形態(tài)樣本建模方法，其特征在于：包括以下步驟：

（1）、建立植物各生長階段各生長要素參數(shù)量化模型，獲取各生長要素的參數(shù)量化值；

（2）、確定植物在各生長階段的標準形態(tài)，并建立各標準形態(tài)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(tài)影響的數(shù)據(jù)；

（4）、利用機器學習的分類算法對步驟（3）分組實驗得到的數(shù)據(jù)進行分類；

（5）、運用步驟（4）得到的分類結(jié)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(tài)樣本建模方法，其特征在于：所述步驟（1）中，根據(jù)植物的種類不同，通過農(nóng)業(yè)文獻和領(lǐng)域?qū)＜业闹R來確定各植物的生長階段劃分，再確定對植物生長階段產(chǎn)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(tài)樣本建模方法，其特征在于：所述生長要素包括但不限于播期、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(tài)樣本建模方法，其特征在于：所述步驟（1）中，由于很難得到各生長要素對植物形態(tài)影響的數(shù)學模型，因此要對各生長要素的連續(xù)數(shù)值進行量化，劃分各生長要素的參數(shù)量化值區(qū)間。

所述的一種受生長要素影響的植物三維形態(tài)樣本建模方法，其特征在于：所述步驟（2）中，根據(jù)步驟（1）中劃分的各生長階段，采集植物的標準形態(tài)模型，并根據(jù)標準形態(tài)模型使用三維建模工具（3dsmax等）重構(gòu)植物各標準形態(tài)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(jù)rgb-d圖像重構(gòu)植物各標準形態(tài)的三維樣本模型；或者使用三維掃描儀直接掃描植物，得到點云數(shù)據(jù)，再根據(jù)點云重構(gòu)植物各標準形態(tài)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(tài)樣本建模方法，其特征在于：所述步驟（3）中，根據(jù)所研究的生長要素類型對植物進行分組實驗，采集各生長階段、各生長要素對植物外形的影響結(jié)果，這種影響結(jié)果由植物的莖稈高度、葉片大小和果實重量數(shù)據(jù)體現(xiàn)。

所述的一種受生長要素影響的植物三維形態(tài)樣本建模方法，其特征在于：所述步驟（4）中，根據(jù)步驟（3）中得到的數(shù)據(jù)，利用機器學習中各種分類算法對數(shù)據(jù)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(tài)樣本建模方法，其特征在于：所述步驟（4）中，對數(shù)據(jù)進行分類測試的機器學習中分類算法包括但不限于：人工神經(jīng)網(wǎng)絡算法、決策樹算法、支持向量機算法，尋找最優(yōu)的特征設置，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，然后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(tài)樣本建模方法，其特征在于：所述步驟（5）中，選擇最適合的機器學習分類算法來構(gòu)建受生長要素影響的植物形態(tài)分類模型，將生長要素參數(shù)的量化模型與植物形態(tài)樣本進行對應，并根據(jù)結(jié)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(fā)明提供了一種植物三維形態(tài)建模方法，使用樣本建模方法結(jié)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。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下優(yōu)點：

第一，植物建模方式采用樣本建模，通過采集植物標準形態(tài)來建立各標準形態(tài)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，由于很難得到各生長要素對植物形態(tài)影響的數(shù)學模型，因此要對影響植物生長的各主要生長要素的連續(xù)數(shù)值進行量化，劃分各生長要素的參數(shù)量化值區(qū)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，并修改各標準形態(tài)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(tài)建模難度。

附圖說明

圖1是本發(fā)明所述的一種受生長要素影響的植物三維形態(tài)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(fā)明的具體實施方式作進一步詳細描述。本領(lǐng)域技術(shù)人員可由本說明所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點與功效，本說明中的各項細節(jié)也可以基于不同觀點與應用，在沒有背離本發(fā)明的精神下進行各種修改。

如圖1所示，本發(fā)明提供了一種受生長要素影響的植物三維形態(tài)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(shù)量化模型，獲取各生長要素的參數(shù)量化值；

本步驟中，首先要根據(jù)植物的種類不同，通過農(nóng)業(yè)文獻和領(lǐng)域?qū)＜业闹R來確定各植物的生長階段劃分，再確定對植物生長產(chǎn)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(tài)影響的數(shù)學模型，就要對各生長要素的連續(xù)數(shù)值進行量化，劃分各生長要素的參數(shù)量化值區(qū)間。

b：確定植物在各生長階段的標準形態(tài)，并建立各標準形態(tài)的三維樣本模型；

本步驟中，建立植物的標準形態(tài)模型方法有數(shù)種，包括：使用三維建模工具重構(gòu)植物三維模型；或者使用深度攝像機拍攝深度圖像，然后根據(jù)深度圖像重構(gòu)植物三維模型；或者使用三維掃描儀直接掃描植物，根據(jù)掃描出的點云數(shù)據(jù)重構(gòu)植物三維模型等等；具體使用方法取決于采集者的現(xiàn)場條件。

c：通過分組實驗得到生長要素對植物形態(tài)影響的數(shù)據(jù)；

本步驟中，對植物進行分組實驗，采集各生長階段、各生長要素對植物外形的影響結(jié)果，這種結(jié)果一般為植物的莖稈高度、葉片大小和果實重量等數(shù)據(jù)。

d：利用機器學習的分類算法對分組實驗得到的數(shù)據(jù)進行分類；

本步驟中，利用機器學習中各種分類算法對數(shù)據(jù)進行分類測試，分類算法包括：人工神經(jīng)網(wǎng)絡、決策樹、支持向量機等算法，尋找最優(yōu)的特征設置，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，然后通過交叉驗證選擇最好的算法模型。

e：運用分類結(jié)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(gòu)建受生長要素影響的植物形態(tài)分類模型，將生長要素參數(shù)的量化模型與植物形態(tài)樣本進行對應，并根據(jù)結(jié)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。

以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應由權(quán)利要求限定。