CN113469276A - 果树检测方法及装置 - Google Patents

Abstract

本申请涉及一种果树检测方法及装置，属于计算机技术领域，该方法包括：获取果园区域内的环境点云数据；通过LAPO对环境点云数据进行聚类，得到最优的聚类中心集合；将最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对多个聚类中心进行更新，得到更新后的聚类中心；按照DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇；将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对数据簇的聚类中心进行更新，得到最终的聚类中心；按照最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果；不需要预先得知果树数量、种植株距等信息，即可实现果树的检测。

Description

果树检测方法及装置

【技术领域】

本申请涉及一种果树检测方法及装置，属于计算机技术领域。

【背景技术】

随着智能设备的发展，自移动设备支持在果园中自动移动。比如：自动割草机等设备。自移动设备在果园中进行移动时，遇到果树和其它目标(如人或者其它障碍物)采取的工作策略可能不同，此时，需要对果树进行检测。

因此，在自移动设备在果园中移动时，如何对果树进行检测以将果树与其它目标进行区分是亟待解决的问题。

【发明内容】

本申请提供了一种果树检测方法及装置，可以解决无法实现果树检测的问题。本申请提供如下技术方案：

第一方面，提供一种果树检测方法，所述方法包括：

获取自移动设备采集的果园区域内的环境点云数据；

通过闪电连接过程优化算法LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，所述最优的聚类中心集合包括多个聚类中心；

将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心；

按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值；

将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心；

按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

可选地，所述将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心，包括：

在所述不同的聚类中心之间的欧式距离小于所述果树直径时，使用所述不同的聚类中心之间的中点替换所述不同的聚类中心，得到更新后的聚类中心。

可选地，所述方法还包括：

在所述不同的聚类中心之间的欧式距离大于或所述果树直径时，聚类中心保持不变，触发执行所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值的步骤。

可选地，所述环境点云数据为所述自移动设备上的激光雷达传感器采集到的，所述果树直径为所述激光雷达传感器的安装高度出对应的果树直径。

可选地，所述通过LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，包括：

从所述环境点云数据中随机生成n组聚类中心组；每组聚类中心组包括k个聚类中心；所述k为正整数，所述n为大于1的整数；

计算所述n组聚类中心组的均值；

将所述均值输入预设的目标函数中，得到均值点的目标函数值；

按照各个聚类中心的目标函数值，从各个聚类中心中确定出最优值点和最差值点；

在所述最差值点的目标函数值大于所述均值点的目标函数值时，将所述最差值点替换为均值点；

对于所述n组聚类中心组中第i组聚类中心组中的每个聚类中心，从所述n组聚类中心组中随机选取第j组聚类中心组，i与j不相等，且所述i和所述j均为小于或等于n的正整数；

在所述均值点的目标函数值大于所述第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换所述第i组聚类中心组中的聚类中心：

C_i＝C_i+rand×(C_ave-rand×(C_j))；

C_i表示第i组聚类中心组中的聚类中心，rand表示[0，1]之间的随机数，

C_ave表示所述均值，所述C_j表示第j组聚类中心组中的聚类中心；

在所述均值点的目标函数值小于所述第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换所述第i组聚类中心组中的聚类中心：

C_i＝C_i-rand×(C_ave-rand×(C_j))；

在所述n组聚类中心组均执行更新操作得到更新后的n组聚类中心组后，计算更新后的n组聚类中心组的最优值点、最差值点和均值点；

按照下式对更新后的n组聚类中心组中的每个聚类中心执行聚类中心的更新操作，得到新的n组聚类中心组：

C_new＝C_new+rand×S×(C_{new_ave}+rand×(C_{new_low}-C_{t_best}))

其中，t表示当前迭代次数，t_max表示预设的最大迭代次数，C_{new_ave}表示更新后的n组聚类中心组中的均值点，C_{new_low}表示更新后的n组聚类中心组中的最差值点，C_{t_best}表示当前一次迭代中的最优值点；

在得到所述新的n组聚类中心组后，再次执行所述在所述最差值点的目标函数值大于所述均值点的目标函数值时，将所述最差值点替换为均值点的步骤，直至达到循环终止条件时，得到所述最优的聚类中心集合。

可选地，所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇，包括：

通过下式计算所述环境点云数据中的每个点至所述更新后的聚类中心的距离；

其中，x_i表示所述环境点云数据中的第i个点，c_{n_best}表示所述更新后的聚类中心中的第n个聚类中心；

将每个数据点根据置信度函数划分至对应的更新后的聚类中心，得到划分后的数据集；所述置信度函数通过下式表示：

其中，argmin_jdis(x_i，c_j)表示使dis函数最小的变量值，此时，x_i属于c_j；

按照预设的邻域半径Eps条件和邻域密度阈值MinPts条件对划分后的数据集中的聚类中心进行筛选，以舍弃不满足Eps条件和MinPts条件的聚类中心；

基于筛选后的聚类中心使用DBSCAN再次进行聚类，得到所述多个数据簇。

可选地，所述将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心，包括：

在不同数据簇的聚类中心之间的欧式距离小于所述果树直径时，使用不同的聚类中心之间的中点替换所述不同的聚类中心，触发执行所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇的步骤；

在不同数据簇的聚类中心之间的欧式距离大于或等于所述果树直径时，将所述不同的聚类中心作为最终的聚类中心。

可选地，所述按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果，包括：

将所述环境点云数据中的每个点与所述最终的聚类中心之间的距离与果树动态半径进行比较；

将所述环境点云数据中的每个点的邻域密度与动态邻域密度阈值进行比较；

在所述距离在所述果树动态半径内、且所述邻域密度在所述动态邻域密度阈值内时，确定对应的点为果树的点，得到果树检测结果。

第二方面，提供一种果树检测装置，所述装置包括：

数据获取模块，用于获取自移动设备采集的果园区域内的环境点云数据；

第一聚类模块，用于通过闪电连接过程优化算法LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，所述最优的聚类中心集合包括多个聚类中心；

第一比较模块，用于将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心；

第二聚类模块，用于按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值；

第二比较模块，用于将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心；

果树检测模块，用于按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

可选地，所述第一比较模块，用于：

在所述不同的聚类中心之间的欧式距离小于所述果树直径时，使用所述不同的聚类中心之间的中点替换所述不同的聚类中心，得到更新后的聚类中心。

本申请的有益效果在于：通过获取自移动设备采集的果园区域内的环境点云数据；通过LAPO对环境点云数据进行聚类，得到最优的聚类中心集合；将最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对多个聚类中心进行更新，得到更新后的聚类中心；按照DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇；将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对数据簇的聚类中心进行更新，得到最终的聚类中心；按照最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果；不需要预先得知果树数量、种植株距等信息，即可实现果树的检测。

另外，本实施例的果树检测方法可以得到正前方实际的果树的数量。

另外，本实施例的果树检测方法优化了传统LAPO算法局部最优的情况和传统的DBSCAN聚类算法受到Eps和MinPts影响的情况，能够准确地识别出树、其他农机、人、杂草等果园中常见的环境特征，并剔除其他农机、人、杂草等环境特征，只留下果树的点集聚类信息，实现对果树的检测。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

【附图说明】

图1是本申请一个实施例提供的果树检测方法的流程图；

图2是本申请另一个实施例提供的果树检测方法的流程图；

图3是本申请一个实施例提供的果树检测装置的框图。

【具体实施方式】

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

首先，对本申请涉及的若干名词进行介绍。

闪电连接过程优化算法(LAPO)：在聚类中心获取问题上有着优异的寻优性能。LAPO算法通过寻优J_c从而达到聚类目的。

基于密度的聚类算法(Density-Based Spatial Clustering of Applicationswith Noise，DBSCAN)：与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

可选地，本申请以各个实施例的执行主体为自移动设备为例进行说明，该自移动设备支持在果园区域内自动移动，比如：自移动设备为智能割草机、智能清扫设备等，在实际实现时，各个实施例的执行主体也可以为与自移动设备通信相连的电子设备，比如：计算机、笔记本电脑、平板电脑等，本实施例不对自移动设备的类型和电子设备的类型作限定。

本申请中，自移动设备上安装有激光雷达传感器，在自移动设备位于果园区域内工作时，该激光雷达传感器用于采集该果园区域内的环境点云数据，比如：用于采集自移动设备行进方向前方一定距离内的环境点云数据，和/或，采集行进方向左侧的环境点云数据，和/或，采集行进方向右侧的环境点云数据，和/或，采集行进方向后侧的环境点云数据等，本实施例不对环境点云数据的采集范围作限定。

其中，激光雷达传感器可以为2D激光雷达，当然，在实际实现时，激光雷达传感器也可以为其它类型的传感器，本申请不对激光雷达传感器的类型作限定。

本申请中，为解决自移动设备在果园中导航的问题，利用激光雷达扫描周围的环境，取2D激光雷达0°-180°的点集信息(以坐标点的形式展示)。根据点集信息，提出一种基于改进的LAPO和DBSCAN的聚类算法的果树检测方法。总体流程包括：首先利用LAPO算法对点集进行聚类，获得部分点集聚类中心；利用DBSCAN将第一步中未能聚类的点集进行聚类；根据点集聚类的情况，利用动态DBSCAN进行果树与障碍物(人和杂草)检测，最终实现果树的检测。

下面对本申请提供的果树检测方法进行介绍。

图1是本申请一个实施例提供的果树检测方法的流程图。该方法至少包括以下几个步骤：

步骤101，获取自移动设备采集的果园区域内的环境点云数据。

自移动设备在工作过程中控制激光雷达传感器按照预设工作周期采集环境点云数据。其中，预设工作周期通常时长较短，本实施例不对预设工作周期的时长取值作限定。

步骤102，通过LAPO对环境点云数据进行聚类，得到最优的聚类中心集合，最优的聚类中心集合包括多个聚类中心。

在使用LAPO对环境点云数据进行聚类之前，需要进行参数设定工作。

参数设定的内容包括：

1、LAPO算法参数设定：n组初始聚类中心，作为一个初始聚类中心群，每组k个聚类中心(k为随机设定)；t为迭代次数，t_max为最大迭代次数。其中，k为正整数，n为大于1的整数。

2、DBSCAN算法参数设定：①局部DBSCAN算法(用于检测簇时)：(邻域半径)Eps和(邻域密度阈值)MinPts根据实际情况设定；②全局动态DBSCAN算法(检测果树与障碍物阶段)：根据果树半径设置动态果树半径范围：Dyn_rad∈(rad_min，rad_max)，圆心为聚类中心；根据激光雷达参数以及距离的不同，得到不同的邻域密度阈值：Dyn_pts∈[Pts_num_min，Pts_num_max]；

在参数设定完成后，参考图2，通过LAPO对环境点云数据进行聚类，得到最优的聚类中心集合，至少包括以下几个步骤：

步骤21，从环境点云数据中随机生成n组聚类中心组；每组聚类中心组包括k个聚类中心。

具体地，随机选取一个初始聚类中心群(n组聚类中心，每组k个)，形成n行k列的矩阵，即：

其中，第i行聚类中心利用下述公式表示，i小于或等于n的正整数：

C_i＝Data_min+rand×(Data_max-Data_min)

其中，rand表示[0，1]之间的随机数，Data_max表示环境点云数据中的最大值，Data_min表示环境点云数据中的最小值。

步骤22，计算n组聚类中心组的均值；将均值输入预设的目标函数中，得到均值点的目标函数值；按照各个聚类中心的目标函数值，从各个聚类中心中确定出最优值点和最差值点，在最差值点的目标函数值大于均值点的目标函数值时，将最差值点替换为均值点。

具体地，使用目标函数将聚类中心群C进行适应度计算，得到该聚类中心群的最优值点、最差值点和均值点为C_best，C_low，C_ave。根据目标函数，如果F_low＞F_ave，则将C_ave的值赋值给C_low。其中，F_low表示最差值点对应的目标函数值，F_ave表示均值点对应的目标函数值。

目标函数通过下式表示：

其中，v_i，j表示置信度函数，argmin_jdis(x_i，c_j)表示使dis函数最小的变量值，此时，x_i属于c_j；x_i表示环境点云数据中的第i个点，c_j表示第j个聚类中心，i和j均为正整数。

步骤23，对于n组聚类中心组中第i组聚类中心组中的每个聚类中心，从n组聚类中心组中随机选取第j组聚类中心组；在均值点的目标函数值大于第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换第i组聚类中心组中的聚类中心：C_i＝C_i+rand×(C_ave-rand×(C_j))；C_i表示第i组聚类中心组中的聚类中心，C_ave表示均值点，C_j表示第j组聚类中心组中的聚类中心；在均值点的目标函数值小于第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换第i组聚类中心组中的聚类中心：C_i＝C_i+rand×(C_ave-rand×(C_j))。

其中，i与j不相等，且i和j均为小于或等于n的正整数。

步骤24，在n组聚类中心组均执行更新操作得到更新后的n组聚类中心组后，计算更新后的n组聚类中心组的最优值点、最差值点和均值点C_{new_best}，C_{new_low}，C_{new_ave}。

具体地，参考图2，自移动设备确定n组聚类中心组中的每个聚类中心是否均已更新，若是，则执行步骤25；若否，则再次执行步骤23；

步骤25，按照下式对更新后的n组聚类中心组中的每个聚类中心执行聚类中心的更新操作，得到新的n组聚类中心组：

C_new＝C_new+rand×S×(C_{new_ave}+rand×(C_{new_low}-C_{t_best}))

其中，t表示当前迭代次数，t_max表示预设的最大迭代次数，C_{new_ave}表示更新后的n组聚类中心组中的均值点，C_{new_low}表示更新后的n组聚类中心组中的最差值点，C_{t_best}表示当前一次迭代中的最优值点。

具体地，参考图2，自移动设备确定更新后的n组聚类中心组中的每个聚类中心是否均已更新，若是，则执行步骤26；若否，则再次执行步骤25；

步骤26，在得到新的n组聚类中心组后，再次执行步骤22，直至达到循环终止条件时，得到最优的聚类中心集合。

具体地，根据步骤22-25得到最优的聚类中心群，并根据目标函数进行适应度计算，得到一组最优的聚类中心集合，即{c_{1_best}，c_{2_best}，...c_{k-1_best}，c_{k_best}}。

步骤103，将最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对多个聚类中心进行更新，得到更新后的聚类中心。

可选地，环境点云数据为自移动设备上的激光雷达传感器采集到的，果树直径为激光雷达传感器的安装高度对应的果树直径。

可选地，每个安装高度对应一个果树直径，该果树直径可以是整个果园内各个果树在该安装高度对应的果树直径平均值，或者也可以根据经验值设置的值，本实施例不对果树直径作限定。

点X_i与点X_j之间的欧式距离的计算公式如下：

参考图2中的步骤27，在将最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对多个聚类中心进行更新，得到更新后的聚类中心时，具体包括：在不同的聚类中心之间的欧式距离小于果树直径时，使用不同的聚类中心之间的中点替换不同的聚类中心，得到更新后的聚类中心；在不同的聚类中心之间的欧式距离大于或果树直径时，聚类中心保持不变，触发执行按照基于密度的聚类算法DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇；数据簇的聚类中心为数据簇的均值的步骤。

本实施例中，当遇到分叉果树的时候，也按照中点代替两点的方法进行处理。

步骤104，按照DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇；数据簇的聚类中心为数据簇的均值。

参考图2中的步骤28和29，按照基于密度的聚类算法DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇，包括：通过下式计算环境点云数据中的每个点至更新后的聚类中心的距离；

其中，x_i表示环境点云数据中的第i个点，c_{n_best}表示更新后的聚类中心中的第n个聚类中心；将每个数据点根据置信度函数划分至对应的更新后的聚类中心，得到划分后的数据集；按照预设的邻域半径Eps条件和邻域密度阈值MinPts条件对划分后的数据集中的聚类中心进行筛选，以舍弃不满足Eps条件和MinPts条件的聚类中心；基于筛选后的聚类中心使用DBSCAN再次进行聚类，得到多个数据簇。

步骤105，将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对数据簇的聚类中心进行更新，得到最终的聚类中心。

参考图2中的步骤210，在不同数据簇的聚类中心之间的欧式距离小于果树直径时，使用不同的聚类中心之间的中点替换不同的聚类中心，触发执行按照基于密度的聚类算法DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇的步骤；在不同数据簇的聚类中心之间的欧式距离大于或等于果树直径时，将不同的聚类中心作为最终的聚类中心。

具体地，当遇到两个聚类中心距离小于果树直径(雷达安装位置的果树直径)时，返回步骤27；反之，得到最终的聚类中心，形成聚类；

步骤106，按照最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

参考图2中的步骤211，按照最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果，包括：将环境点云数据中的每个点与最终的聚类中心之间的距离与果树动态半径进行比较；将环境点云数据中的每个点的邻域密度与动态邻域密度阈值进行比较；在距离在果树动态半径内、且邻域密度在动态邻域密度阈值内时，确定对应的点为果树的点，得到果树检测结果。

具体地，将果树与障碍物(以其他农机、人、杂草为主)聚类进行区分，同时满足以下两个条件：(1)如果满足果树动态半径Dyn_rad，即rad_min≤Dist(X_i，C_{n_best})≤rad_max，则为果树；(2)如果满足动态邻域密度阈值Dyn_pts∈[Pts_num_min，Pts_num_max]，则为果树；最终实现利用激光雷达检测果树。

综上所述，本实施例提供的果树检测方法，通过获取自移动设备采集的果园区域内的环境点云数据；通过LAPO对环境点云数据进行聚类，得到最优的聚类中心集合；将最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对多个聚类中心进行更新，得到更新后的聚类中心；按照DBSCAN和更新后的聚类中心进行数据聚类，得到多个数据簇；将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对数据簇的聚类中心进行更新，得到最终的聚类中心；按照最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果；不需要预先得知果树数量、种植株距等信息，即可实现果树的检测。

另外，本实施例的果树检测方法可以得到正前方实际的果树的数量。

另外，本实施例的果树检测方法优化了传统LAPO算法局部最优的情况和传统的DBSCAN聚类算法受到Eps和MinPts影响的情况，能够准确地识别出树、其他农机、人、杂草等果园中常见的环境特征，并剔除其他农机、人、杂草等环境特征，只留下果树的点集聚类信息，实现对果树的检测。

图3是本申请一个实施例提供的果树检测装置的框图。该装置至少包括以下几个模块：数据获取模块310、第一聚类模块320、第一比较模块330、第二聚类模块340、第二比较模块350和果树检测模块360。

数据获取模块310，用于获取自移动设备采集的果园区域内的环境点云数据；

第一聚类模块320，用于通过闪电连接过程优化算法LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，所述最优的聚类中心集合包括多个聚类中心；

第一比较模块330，用于将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心；

第二聚类模块340，用于按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值；

第二比较模块350，用于将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心；

果树检测模块360，用于按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的果树检测装置在进行果树检测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将果树检测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的果树检测装置与果树检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的果树检测方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的果树检测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

上述仅为本申请的一个具体实施方式，其它基于本申请构思的前提下做出的任何改进都视为本申请的保护范围。

Claims (10)

1.一种果树检测方法，其特征在于，所述方法包括：

获取自移动设备采集的果园区域内的环境点云数据；

通过闪电连接过程优化算法LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，所述最优的聚类中心集合包括多个聚类中心；

将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心；

按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值；

将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心；

按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心，包括：

在所述不同的聚类中心之间的欧式距离小于所述果树直径时，使用所述不同的聚类中心之间的中点替换所述不同的聚类中心，得到更新后的聚类中心。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在所述不同的聚类中心之间的欧式距离大于或所述果树直径时，聚类中心保持不变，触发执行所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值的步骤。

4.根据权利要求1所述的方法，其特征在于，所述环境点云数据为所述自移动设备上的激光雷达传感器采集到的，所述果树直径为所述激光雷达传感器的安装高度出对应的果树直径。

5.根据权利要求1所述的方法，其特征在于，所述通过LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，包括：

从所述环境点云数据中随机生成n组聚类中心组；每组聚类中心组包括k个聚类中心；所述k为正整数，所述n为大于1的整数；

计算所述n组聚类中心组的均值；

将所述均值输入预设的目标函数中，得到均值点的目标函数值；

按照各个聚类中心的目标函数值，从各个聚类中心中确定出最优值点和最差值点；

在所述最差值点的目标函数值大于所述均值点的目标函数值时，将所述最差值点替换为均值点；

对于所述n组聚类中心组中第i组聚类中心组中的每个聚类中心，从所述n组聚类中心组中随机选取第j组聚类中心组，i与j不相等，且所述i和所述j均为小于或等于n的正整数；

在所述均值点的目标函数值大于所述第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换所述第i组聚类中心组中的聚类中心：

C_i＝C_i+rand×(C_ave-rand×(C_j))；

C_i表示第i组聚类中心组中的聚类中心，rand表示[0，1]之间的随机数，C_ave表示所述均值，所述C_j表示第j组聚类中心组中的聚类中心；

在所述均值点的目标函数值小于所述第j组聚类中心组中的聚类中心的目标函数值时，按照下述公式替换所述第i组聚类中心组中的聚类中心：

C_i＝C_i-rand×(C_ave-rand×(C_j))；

在所述n组聚类中心组均执行更新操作得到更新后的n组聚类中心组后，计算更新后的n组聚类中心组的最优值点、最差值点和均值点；

按照下式对更新后的n组聚类中心组中的每个聚类中心执行聚类中心的更新操作，得到新的n组聚类中心组：

C_new＝C_new+rand×S×(C_{new_ave}+rand×(C_{new_low}-C_{t_best}))

其中，t表示当前迭代次数，t_max表示预设的最大迭代次数，C_{new_ave}表示更新后的n组聚类中心组中的均值点，C_{new_low}表示更新后的n组聚类中心组中的最差值点，C_{t_best}表示当前一次迭代中的最优值点；

在得到所述新的n组聚类中心组后，再次执行所述在所述最差值点的目标函数值大于所述均值点的目标函数值时，将所述最差值点替换为均值点的步骤，直至达到循环终止条件时，得到所述最优的聚类中心集合。

6.根据权利要求1所述的方法，其特征在于，所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇，包括：

通过下式计算所述环境点云数据中的每个点至所述更新后的聚类中心的距离；

其中，x_i表示所述环境点云数据中的第i个点，c_{n_best}表示所述更新后的聚类中心中的第n个聚类中心；

将每个数据点根据置信度函数划分至对应的更新后的聚类中心，得到划分后的数据集；所述置信度函数通过下式表示：

其中，argmin_jdis(x_i，c_j)表示使dis函数最小的变量值，此时，x_i属于c_j；x_i表示环境点云数据中的第i个点，c_j表示第j个聚类中心，i和j均为正整数；

按照预设的邻域半径Eps条件和邻域密度阈值MinPts条件对划分后的数据集中的聚类中心进行筛选，以舍弃不满足Eps条件和MinPts条件的聚类中心；

基于筛选后的聚类中心使用DBSCAN再次进行聚类，得到所述多个数据簇。

7.根据权利要求1所述的方法，其特征在于，所述将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心，包括：

在不同数据簇的聚类中心之间的欧式距离小于所述果树直径时，使用不同的聚类中心之间的中点替换所述不同的聚类中心，触发执行所述按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇的步骤；

在不同数据簇的聚类中心之间的欧式距离大于或等于所述果树直径时，将所述不同的聚类中心作为最终的聚类中心。

8.根据权利要求1所述的方法，其特征在于，所述按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果，包括：

将所述环境点云数据中的每个点与所述最终的聚类中心之间的距离与果树动态半径进行比较；

将所述环境点云数据中的每个点的邻域密度与动态邻域密度阈值进行比较；

在所述距离在所述果树动态半径内、且所述邻域密度在所述动态邻域密度阈值内时，确定对应的点为果树的点，得到果树检测结果。

9.一种果树检测装置，其特征在于，所述装置包括：

数据获取模块，用于获取自移动设备采集的果园区域内的环境点云数据；

第一聚类模块，用于通过闪电连接过程优化算法LAPO对所述环境点云数据进行聚类，得到最优的聚类中心集合，所述最优的聚类中心集合包括多个聚类中心；

第一比较模块，用于将所述最优的聚类中心集合中不同的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述多个聚类中心进行更新，得到更新后的聚类中心；

第二聚类模块，用于按照基于密度的聚类算法DBSCAN和所述更新后的聚类中心进行数据聚类，得到多个数据簇；所述数据簇的聚类中心为所述数据簇的均值；

第二比较模块，用于将不同数据簇的聚类中心之间的欧式距离与果树直径进行比较，以按照比较结果对所述数据簇的聚类中心进行更新，得到最终的聚类中心；

果树检测模块，用于按照所述最终的聚类中心对果树聚类与其它目标聚类进行划分，得到果树检测结果。

10.根据权利要求9所述的装置，其特征在于，所述第一比较模块，用于：

在所述不同的聚类中心之间的欧式距离小于所述果树直径时，使用所述不同的聚类中心之间的中点替换所述不同的聚类中心，得到更新后的聚类中心。

Images