(19)國(guó)家知識(shí)產(chǎn)權(quán)局(10)申請(qǐng)公布號(hào)CN120220141A(21)申請(qǐng)?zhí)?02510687732.0(22)申請(qǐng)日2025.05.27(71)申請(qǐng)人廣東省農(nóng)業(yè)科學(xué)院蠶業(yè)與農(nóng)產(chǎn)品加工研究所地址510000廣東省廣州市天河區(qū)東莞莊一橫路133號(hào)吳劍安李智毅王圓郭武燕GO6VGO6N(74)專(zhuān)利代理機(jī)構(gòu)佛山粵進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)44463專(zhuān)利代理師張自海GO6V20/68(2022.0(54)發(fā)明名稱(chēng)基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置(57)摘要本發(fā)明公開(kāi)了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置。該方法包括以下步驟：首先，獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)；根據(jù)所述多光譜圖像數(shù)據(jù)，確定用于桑椹果實(shí)形態(tài)表型采集的多光譜圖像采集參數(shù)；隨后，基于采集參數(shù)獲取新的多光譜圖像數(shù)據(jù)，并對(duì)桑椹果實(shí)的交疊情況進(jìn)行自動(dòng)判別；針對(duì)存在交疊的桑椹果實(shí)，通過(guò)AI算法進(jìn)行表型重建，生成表型補(bǔ)償圖像數(shù)據(jù)；最后，依據(jù)表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)的形態(tài)表型特征進(jìn)行識(shí)別與采集，從而獲得目標(biāo)生長(zhǎng)區(qū)域內(nèi)完整準(zhǔn)確的獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光諧圖像數(shù)據(jù)，根據(jù)所述多光根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得21.一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，包括以下步驟：獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。2.根據(jù)權(quán)利要求1所述的一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，所述獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)，具體為：基于多光譜圖像采集設(shè)備獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始光譜圖像數(shù)據(jù)，基于邊緣檢測(cè)算子提取所述初始光譜圖像數(shù)據(jù)中的桑椹果實(shí)輪廓特征，基于所述輪廓特征構(gòu)建二維輪廓采用主成分分析法對(duì)所述二維輪廓點(diǎn)集進(jìn)行降維處理，獲取表征桑椹果實(shí)形態(tài)的主成分方向向量，根據(jù)所述主成分方向向量建立三維空間坐標(biāo)系，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輪廓點(diǎn)集在三維空間中的深度信息；根據(jù)所述深度信息與二維輪廓點(diǎn)集構(gòu)建桑椹果實(shí)的三維點(diǎn)云模型，根據(jù)所述三維點(diǎn)云模型確定在目標(biāo)桑椹生長(zhǎng)區(qū)域中桑椹果實(shí)的預(yù)計(jì)空間分布，構(gòu)建預(yù)計(jì)空間分布圖；獲取桑椹果實(shí)形態(tài)表型采集精度信息，根據(jù)所述采集精度確定圖像采集清晰度，根據(jù)所述采集清晰度確定所述初始光譜圖像數(shù)據(jù)的有效范圍，將所述有效范圍與所述預(yù)計(jì)空間分布圖進(jìn)行對(duì)比，判斷初始光譜圖像數(shù)據(jù)對(duì)預(yù)測(cè)空間分布圖的覆蓋范圍；根據(jù)所述覆蓋范圍確定目標(biāo)桑椹生長(zhǎng)區(qū)域的光譜圖像數(shù)據(jù)的采集缺失范圍，根據(jù)所述采集缺失范圍確定多光譜圖像采集設(shè)備對(duì)目標(biāo)桑椹生長(zhǎng)區(qū)域光譜圖像數(shù)據(jù)的采集補(bǔ)償角度，得到多光譜圖像采集參數(shù)。3.根據(jù)權(quán)利要求1所述的一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，所述對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判根據(jù)所述多光譜圖像采集參數(shù)獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的多角度多光譜圖像數(shù)據(jù)，將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維融合圖像數(shù)據(jù)；對(duì)所述三維融合圖像數(shù)據(jù)中每個(gè)桑椹果實(shí)的三維體素簇進(jìn)行交疊區(qū)域檢測(cè)，提取相鄰體素簇之間的接觸面曲率特征與光譜反射率梯度，當(dāng)所述接觸面曲率特征值超過(guò)預(yù)設(shè)交疊判定閾值且光譜反射率梯度低于同類(lèi)別果實(shí)差異范圍時(shí)，判定為桑椹果實(shí)間發(fā)生物理性交若存在桑椹果實(shí)交疊，利用預(yù)訓(xùn)練的生成器網(wǎng)絡(luò)對(duì)交疊區(qū)域進(jìn)行輪廓解纏學(xué)習(xí)，結(jié)合判別器網(wǎng)絡(luò)對(duì)生成的虛擬分離輪廓與真實(shí)單果實(shí)形態(tài)特征進(jìn)行對(duì)抗性驗(yàn)證，生成符合桑椹生物形態(tài)學(xué)規(guī)律的虛擬分離輪廓掩膜；將所述虛擬分離輪廓掩膜與交疊區(qū)域的三維體素簇進(jìn)行空間映射，當(dāng)檢測(cè)到掩膜邊界與交疊果實(shí)實(shí)際邊緣的像素偏移量超過(guò)形態(tài)容差閾值時(shí)，基于形態(tài)學(xué)膨脹核沿虛擬輪廓法線方向進(jìn)行迭代補(bǔ)償；3將補(bǔ)償后的分離輪廓與三維融合圖像中的非交疊區(qū)域進(jìn)行幾何拓?fù)淦ヅ?，重建交疊果實(shí)在三維空間中的獨(dú)立表型模型，并基于相鄰果實(shí)的光譜反射率差異對(duì)重建模型進(jìn)行表型紋理修復(fù)，生成表型補(bǔ)償圖像數(shù)據(jù)。4.根據(jù)權(quán)利要求3所述的一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，所述將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維融合圖像數(shù)據(jù)，具體提取所述多角度多光譜圖像數(shù)據(jù)中各光譜通道的特征匹配點(diǎn)，所述特征匹配點(diǎn)包括桑椹果實(shí)表面的曲率極值點(diǎn)、多光譜圖像間的SIFT/SURF特征匹配點(diǎn)、不同波段的反射率突變點(diǎn)，計(jì)算相鄰光譜通道間特征匹配點(diǎn)的空間匹配度，當(dāng)所述空間匹配度低于預(yù)設(shè)匹配度閾值時(shí)，基于特征匹配點(diǎn)所在區(qū)域的光譜反射率梯度構(gòu)建補(bǔ)償向量；根據(jù)所述補(bǔ)償向量對(duì)低匹配度特征點(diǎn)的空間坐標(biāo)進(jìn)行位移補(bǔ)償，獲取補(bǔ)償后的多光譜特征點(diǎn)集，將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行幾何拓?fù)渲亟?；?dāng)重建過(guò)程中檢測(cè)到不同光譜通道的局部幾何結(jié)構(gòu)差異超過(guò)差異容限閾值時(shí)，采用高光譜分辨率通道的數(shù)據(jù)替換低分辨率通道的對(duì)應(yīng)區(qū)域，生成幾何一致性約束下的三維融合圖像數(shù)據(jù)。5.根據(jù)權(quán)利要求4所述的一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，所述將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行幾何拓?fù)渲亟?，具體構(gòu)建三維點(diǎn)云生成網(wǎng)絡(luò)，將所述多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)，實(shí)時(shí)獲取輸入過(guò)程中三維點(diǎn)云生成網(wǎng)絡(luò)對(duì)多光譜特征點(diǎn)集的數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲根據(jù)所述數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲信息，當(dāng)數(shù)據(jù)接收延遲大于數(shù)據(jù)處理反應(yīng)速度時(shí)，將多光譜特征點(diǎn)集輸入至緩存隊(duì)列中，并對(duì)三維點(diǎn)云生成網(wǎng)絡(luò)生成暫停工作指令，直至緩存隊(duì)列完整接收多光譜特征點(diǎn)集；將完整接收的多光譜特征點(diǎn)集重新導(dǎo)入所述三維點(diǎn)云生成網(wǎng)絡(luò)中進(jìn)行幾何拓?fù)渲亟?；?dāng)數(shù)據(jù)接收延遲不大于數(shù)據(jù)處理反應(yīng)速度時(shí)，則根據(jù)三維點(diǎn)云生成網(wǎng)絡(luò)接收的多光譜特征點(diǎn)集進(jìn)行實(shí)時(shí)幾何拓?fù)渲亟ā?.根據(jù)權(quán)利要求1所述的一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，其特征在于，所述根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)，具體為：根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)構(gòu)建桑椹果實(shí)的三維形態(tài)特征矩陣，基于深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述三維形態(tài)特征矩陣進(jìn)行卷積核特征提取，生成包含果實(shí)表面曲率分布與光譜反射率梯度的融合特征圖；將所述融合特征圖輸入預(yù)訓(xùn)練的形態(tài)參數(shù)回歸模型，通過(guò)全連接層映射所述融合特征圖與果實(shí)縱徑、橫徑的空間幾何關(guān)系，計(jì)算獲得桑椹果實(shí)縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值；根據(jù)所述縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值構(gòu)建果形指數(shù)計(jì)算函數(shù)，結(jié)合三維形態(tài)特征矩陣中果實(shí)對(duì)稱(chēng)面曲率積分進(jìn)行形態(tài)校正，輸出校正后的果形指數(shù)值；基于所述表型補(bǔ)償圖像數(shù)據(jù)中不同光譜通道的反射強(qiáng)度分布，采用光譜反射率加權(quán)法計(jì)算果實(shí)表面各像素點(diǎn)的色度坐標(biāo)，通過(guò)色度坐標(biāo)聚類(lèi)分析確定果實(shí)色澤主色域及其分布4均勻度，根據(jù)所述果實(shí)色澤主色域及其分布均勻度確定果實(shí)色澤度；根據(jù)所述三維形態(tài)特征矩陣的空間體素密度分布，采用蒙特卡洛積分算法對(duì)果實(shí)體積進(jìn)行概率估計(jì)，確定桑椹果實(shí)的預(yù)計(jì)體積，根據(jù)所述預(yù)計(jì)體積預(yù)測(cè)果實(shí)單果重；單果重?cái)?shù)據(jù)按預(yù)設(shè)表型數(shù)據(jù)結(jié)構(gòu)進(jìn)行歸一化封裝，生成目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)集。7.一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置，其特征在于，所述基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置包括儲(chǔ)存器以及處理器，所述儲(chǔ)存器包括基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序，所述基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如下步驟：獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。5技術(shù)領(lǐng)域[0001]本發(fā)明涉及植物性狀采集技術(shù)領(lǐng)域，特別涉及一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置。背景技術(shù)[0002]隨著精準(zhǔn)農(nóng)業(yè)與植物表型組學(xué)的發(fā)展，作物果實(shí)形態(tài)表型的高效采集需求不斷增長(zhǎng)。桑椹果實(shí)作為重要的經(jīng)濟(jì)作物，其形態(tài)特征直接關(guān)系到品種選育和品質(zhì)評(píng)價(jià)。然而，目前桑椹果實(shí)的表型采集主要依賴(lài)人工測(cè)量和目視評(píng)估，存在效率低、準(zhǔn)確性差、主觀誤差大等問(wèn)題，難以滿足高通量育種和精細(xì)管理的需要。[0003]多光譜成像與深度學(xué)習(xí)技術(shù)為表型采集帶來(lái)了新機(jī)遇，但在實(shí)際應(yīng)用中仍存在不足。一方面，桑椹果實(shí)易發(fā)生交疊，現(xiàn)有方法在果實(shí)交疊時(shí)容易出現(xiàn)識(shí)別混淆、表型重建不完整的問(wèn)題；另一方面，現(xiàn)有采集系統(tǒng)普遍缺乏針對(duì)果實(shí)空間分布變化的自適應(yīng)采集補(bǔ)償，導(dǎo)致表型數(shù)據(jù)覆蓋不全。此外，多角度多光譜圖像融合過(guò)程中，不同通道間的空間錯(cuò)位未能充分校正，影響了三維重建的一致性和精度。[0004]因此，亟需一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置，能夠?qū)崿F(xiàn)果實(shí)交疊情況下的表型重建、圖像采集自適應(yīng)補(bǔ)償、多光譜數(shù)據(jù)精確融合與完整表型信息提取，以滿足大規(guī)模育種與智能農(nóng)業(yè)的應(yīng)用需求。發(fā)明內(nèi)容[0005]為了解決上述至少一個(gè)技術(shù)問(wèn)題，本發(fā)明提出了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置。[0006]本發(fā)明第一方面提供了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法，包獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。[0007]本方案中，所述獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)，具體為：基于多光譜圖像采集設(shè)備獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始光譜圖像數(shù)據(jù)，基于邊緣檢測(cè)算子提取所述初始光譜圖像數(shù)據(jù)中的桑椹果實(shí)輪廓特征，基于所述輪廓特征構(gòu)建二維輪廓點(diǎn)集；采用主成分分析法對(duì)所述二維輪廓點(diǎn)集進(jìn)行降維處理，獲取表征桑椹果實(shí)形態(tài)的主成分方向向量，根據(jù)所述主成分方向向量建立三維空間坐標(biāo)系，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)6預(yù)測(cè)輪廓點(diǎn)集在三維空間中的深度信息；根據(jù)所述深度信息與二維輪廓點(diǎn)集構(gòu)建桑椹果實(shí)的三維點(diǎn)云模型，根據(jù)所述三維點(diǎn)云模型確定在目標(biāo)桑椹生長(zhǎng)區(qū)域中桑椹果實(shí)的預(yù)計(jì)空間分布，構(gòu)建預(yù)計(jì)空間分布圖；獲取桑椹果實(shí)形態(tài)表型采集精度信息，根據(jù)所述采集精度確定圖像采集清晰度，根據(jù)所述采集清晰度確定所述初始光譜圖像數(shù)據(jù)的有效范圍，將所述有效范圍與所述預(yù)計(jì)空間分布圖進(jìn)行對(duì)比，判斷初始光譜圖像數(shù)據(jù)對(duì)預(yù)測(cè)空間分布圖的覆蓋范圍；根據(jù)所述覆蓋范圍確定目標(biāo)桑椹生長(zhǎng)區(qū)域的光譜圖像數(shù)據(jù)的采集缺失范圍，根據(jù)所述采集缺失范圍確定多光譜圖像采集設(shè)備對(duì)目標(biāo)桑椹生長(zhǎng)區(qū)域光譜圖像數(shù)據(jù)的采集補(bǔ)[0008]本方案中，所述對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)，具體為：根據(jù)所述多光譜圖像采集參數(shù)獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的多角度多光譜圖像數(shù)據(jù)，將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維融合圖像數(shù)據(jù)；對(duì)所述三維融合圖像數(shù)據(jù)中每個(gè)桑椹果實(shí)的三維體素簇進(jìn)行交疊區(qū)域檢測(cè)，提取相鄰體素簇之間的接觸面曲率特征與光譜反射率梯度，當(dāng)所述接觸面曲率特征值超過(guò)預(yù)設(shè)交疊判定閾值且光譜反射率梯度低于同類(lèi)別果實(shí)差異范圍時(shí)，判定為桑椹果實(shí)間發(fā)生物理若存在桑椹果實(shí)交疊，利用預(yù)訓(xùn)練的生成器網(wǎng)絡(luò)對(duì)交疊區(qū)域進(jìn)行輪廓解纏學(xué)習(xí)，結(jié)合判別器網(wǎng)絡(luò)對(duì)生成的虛擬分離輪廓與真實(shí)單果實(shí)形態(tài)特征進(jìn)行對(duì)抗性驗(yàn)證，生成符合桑椹生物形態(tài)學(xué)規(guī)律的虛擬分離輪廓掩膜；將所述虛擬分離輪廓掩膜與交疊區(qū)域的三維體素簇進(jìn)行空間映射，當(dāng)檢測(cè)到掩膜邊界與交疊果實(shí)實(shí)際邊緣的像素偏移量超過(guò)形態(tài)容差閾值時(shí)，基于形態(tài)學(xué)膨脹核沿虛擬輪廓法線方向進(jìn)行迭代補(bǔ)償；將補(bǔ)償后的分離輪廓與三維融合圖像中的非交疊區(qū)域進(jìn)行幾何拓?fù)淦ヅ?，重建交疊果實(shí)在三維空間中的獨(dú)立表型模型，并基于相鄰果實(shí)的光譜反射率差異對(duì)重建模型進(jìn)行表型紋理修復(fù)，生成表型補(bǔ)償圖像數(shù)據(jù)。[0009]本方案中，所述將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維融合圖像提取所述多角度多光譜圖像數(shù)據(jù)中各光譜通道的特征匹配點(diǎn)，所述特征匹配點(diǎn)包括桑椹果實(shí)表面的曲率極值點(diǎn)、多光譜圖像間的SIFT/SURF特征匹配點(diǎn)、不同波段的反射率突變點(diǎn)，計(jì)算相鄰光譜通道間特征匹配點(diǎn)的空間匹配度，當(dāng)所述空間匹配度低于預(yù)設(shè)匹配度閾值時(shí)，基于特征匹配點(diǎn)所在區(qū)域的光譜反射率梯度構(gòu)建補(bǔ)償向量；根據(jù)所述補(bǔ)償向量對(duì)低匹配度特征點(diǎn)的空間坐標(biāo)進(jìn)行位移補(bǔ)償，獲取補(bǔ)償后的多光譜特征點(diǎn)集，將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行幾何拓?fù)渲亟?；?dāng)重建過(guò)程中檢測(cè)到不同光譜通道的局部幾何結(jié)構(gòu)差異超過(guò)差異容限閾值時(shí)，采用高光譜分辨率通道的數(shù)據(jù)替換低分辨率通道的對(duì)應(yīng)區(qū)域，生成幾何一致性約束下的三維融合圖像數(shù)據(jù)。[0010]本方案中，所述將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行幾何拓?fù)?構(gòu)建三維點(diǎn)云生成網(wǎng)絡(luò)，將所述多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)，實(shí)時(shí)獲取輸入過(guò)程中三維點(diǎn)云生成網(wǎng)絡(luò)對(duì)多光譜特征點(diǎn)集的數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲信息；根據(jù)所述數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲信息，當(dāng)數(shù)據(jù)接收延遲大于數(shù)據(jù)處理反應(yīng)速度時(shí)，將多光譜特征點(diǎn)集輸入至緩存隊(duì)列中，并對(duì)三維點(diǎn)云生成網(wǎng)絡(luò)生成暫停工作指令，直至緩存隊(duì)列完整接收多光譜特征點(diǎn)集；將完整接收的多光譜特征點(diǎn)集重新導(dǎo)入所述三維點(diǎn)云生成網(wǎng)絡(luò)中進(jìn)行幾何拓?fù)洚?dāng)數(shù)據(jù)接收延遲不大于數(shù)據(jù)處理反應(yīng)速度時(shí)，則根據(jù)三維點(diǎn)云生成網(wǎng)絡(luò)接收的多光譜特征點(diǎn)集進(jìn)行實(shí)時(shí)幾何拓?fù)渲亟?。[0011]本方案中，所述根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)，具體為：根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)構(gòu)建桑椹果實(shí)的三維形態(tài)特征矩陣，基于深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述三維形態(tài)特征矩陣進(jìn)行卷積核特征提取，生成包含果實(shí)表面曲率分布與光譜反射率梯度的融合特征圖；將所述融合特征圖輸入預(yù)訓(xùn)練的形態(tài)參數(shù)回歸模型，通過(guò)全連接層映射所述融合特征圖與果實(shí)縱徑、橫徑的空間幾何關(guān)系，計(jì)算獲得桑椹果實(shí)縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值；根據(jù)所述縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值構(gòu)建果形指數(shù)計(jì)算函數(shù)，結(jié)合三維形態(tài)特征矩陣中果實(shí)對(duì)稱(chēng)面曲率積分進(jìn)行形態(tài)校正，輸出校正后的果形指數(shù)值；基于所述表型補(bǔ)償圖像數(shù)據(jù)中不同光譜通道的反射強(qiáng)度分布，采用光譜反射率加權(quán)法計(jì)算果實(shí)表面各像素點(diǎn)的色度坐標(biāo)，通過(guò)色度坐標(biāo)聚類(lèi)分析確定果實(shí)色澤主色域及其分布均勻度，根據(jù)所述果實(shí)色澤主色域及其分布均勻度確定果實(shí)色澤度；根據(jù)所述三維形態(tài)特征矩陣的空間體素密度分布，采用蒙特卡洛積分算法對(duì)果實(shí)體積進(jìn)行概率估計(jì)，確定桑椹果實(shí)的預(yù)計(jì)體積，根據(jù)所述預(yù)計(jì)體積預(yù)測(cè)果實(shí)單果重；果實(shí)單果重?cái)?shù)據(jù)按預(yù)設(shè)表型數(shù)據(jù)結(jié)構(gòu)進(jìn)行歸一化封裝，生成目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)集。[0012]本發(fā)明第二方面還提供了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置，該裝置包括：存儲(chǔ)器、處理器，所述存儲(chǔ)器中包括基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序，所述基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序被所述處理器執(zhí)行獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。[0013]本發(fā)明公開(kāi)了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置。該方法包括以下步驟：首先，獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)；根據(jù)所述多光譜圖8像數(shù)據(jù)，確定用于桑椹果實(shí)形態(tài)表型采集的多光譜圖像采集參數(shù)；隨后，基于采集參數(shù)獲取新的多光譜圖像數(shù)據(jù)，并對(duì)桑椹果實(shí)的交疊情況進(jìn)行自動(dòng)判別；針對(duì)存在交疊的桑椹果實(shí)，通過(guò)AI算法進(jìn)行表型重建，生成表型補(bǔ)償圖像數(shù)據(jù)；最后，依據(jù)表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)的形態(tài)表型特征進(jìn)行識(shí)別與采集，從而獲得目標(biāo)生長(zhǎng)區(qū)域內(nèi)完整準(zhǔn)確的桑椹果實(shí)形態(tài)表附圖說(shuō)明[0014]圖1示出了本發(fā)明基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法的流程圖；圖2示出了本發(fā)明得到三維融合圖像數(shù)據(jù)的流程圖；圖3示出了本發(fā)明進(jìn)行幾何拓?fù)渲亟ǖ牧鞒虉D；圖4示出了本發(fā)明基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置的框圖。具體實(shí)施方式[0015]為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施例及實(shí)施例中的特征可以相互組合。[0016]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述的其他方式來(lái)實(shí)施，因此，本發(fā)明的保護(hù)范圍并不受下面公開(kāi)的具體實(shí)施例的限制。[0017]圖1示出了本發(fā)明基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法的流程圖。[0018]如圖1所示，本發(fā)明第一方面提供了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型S102,獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；S104,對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；S106,根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。[0019]需要說(shuō)明的是，通過(guò)獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，對(duì)多光譜圖像數(shù)據(jù)進(jìn)行分析，確定針對(duì)桑椹果實(shí)形態(tài)表型采集的多光譜圖像采集參數(shù)，能夠?qū)崿F(xiàn)采集角度、分辨率與成像范圍的動(dòng)態(tài)優(yōu)化，有效提升圖像數(shù)據(jù)覆蓋度和清晰度；通過(guò)基于采集參數(shù)的新圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，能夠準(zhǔn)確識(shí)別果實(shí)在自然生長(zhǎng)狀態(tài)下發(fā)生交疊的位置及范圍，提高交疊檢測(cè)的敏感性和準(zhǔn)確性；針對(duì)交疊區(qū)域，通過(guò)AI表型重建方法進(jìn)行果實(shí)分離與形態(tài)復(fù)原，生成表型補(bǔ)償圖像數(shù)據(jù)，能夠有效避免交疊導(dǎo)致的果實(shí)輪廓模糊、特征混淆問(wèn)題，確保后續(xù)形態(tài)識(shí)別的獨(dú)立性與準(zhǔn)確性；最后，依據(jù)表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別和采集，不僅能夠高效提取果實(shí)的縱徑、橫徑、果形指數(shù)、色澤度及體積等關(guān)鍵表型參數(shù)，大大提高桑椹果實(shí)的品種選育、品質(zhì)評(píng)估和生長(zhǎng)監(jiān)測(cè)質(zhì)量。[0020]根據(jù)本發(fā)明實(shí)施例，所述獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)，具體為：9基于多光譜圖像采集設(shè)備獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始光譜圖像數(shù)據(jù)，基于邊緣檢測(cè)算子提取所述初始光譜圖像數(shù)據(jù)中的桑椹果實(shí)輪廓特征，基于所述輪廓特征構(gòu)建二維輪廓點(diǎn)集；采用主成分分析法對(duì)所述二維輪廓點(diǎn)集進(jìn)行降維處理，獲取表征桑椹果實(shí)形態(tài)的主成分方向向量，根據(jù)所述主成分方向向量建立三維空間坐標(biāo)系，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輪廓點(diǎn)集在三維空間中的深度信息；根據(jù)所述深度信息與二維輪廓點(diǎn)集構(gòu)建桑椹果實(shí)的三維點(diǎn)云模型，根據(jù)所述三維點(diǎn)云模型確定在目標(biāo)桑椹生長(zhǎng)區(qū)域中桑椹果實(shí)的預(yù)計(jì)空間分布，構(gòu)建預(yù)計(jì)空間分布圖；獲取桑椹果實(shí)形態(tài)表型采集精度信息，根據(jù)所述采集精度確定圖像采集清晰度，根據(jù)所述采集清晰度確定所述初始光譜圖像數(shù)據(jù)的有效范圍，將所述有效范圍與所述預(yù)計(jì)空間分布圖進(jìn)行對(duì)比，判斷初始光譜圖像數(shù)據(jù)對(duì)預(yù)測(cè)空間分布圖的覆蓋范圍；根據(jù)所述覆蓋范圍確定目標(biāo)桑椹生長(zhǎng)區(qū)域的光譜圖像數(shù)據(jù)的采集缺失范圍，根據(jù)所述采集缺失范圍確定多光譜圖像采集設(shè)備對(duì)目標(biāo)桑椹生長(zhǎng)區(qū)域光譜圖像數(shù)據(jù)的采集補(bǔ)償角度，得到多光譜圖像采集參數(shù)。[0021]需要說(shuō)明的是，在現(xiàn)有桑椹果實(shí)形態(tài)表型采集過(guò)程中，通常僅基于單張初始多光譜圖像進(jìn)行數(shù)據(jù)獲取，容易出現(xiàn)成像角度受限、局部區(qū)域遮擋、果實(shí)交疊等問(wèn)題，導(dǎo)致目標(biāo)種植區(qū)域內(nèi)桑椹果實(shí)表型信息采集不全、覆蓋率不足，進(jìn)而影響表型數(shù)據(jù)的完整性和準(zhǔn)確性。因此通過(guò)獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，利用邊緣檢測(cè)算子提取果實(shí)輪廓特征并構(gòu)建二維輪廓點(diǎn)集，能夠?qū)崿F(xiàn)初步輪廓定位與特征提取；采用主成分分析法對(duì)二維輪廓點(diǎn)集進(jìn)行降維，提取果實(shí)形態(tài)主成分方向向量，并建立對(duì)應(yīng)的三維空間坐標(biāo)系，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)各輪廓點(diǎn)在三維空間的深度信息，從而實(shí)現(xiàn)由二維圖像到三維結(jié)構(gòu)的準(zhǔn)確建模；基于預(yù)測(cè)得到的深度信息與輪廓點(diǎn)集，構(gòu)建桑椹果實(shí)的三維點(diǎn)云模型，并推測(cè)果實(shí)在種植區(qū)域內(nèi)的空間分布情況，形成預(yù)計(jì)空間分布圖，有效評(píng)估初始圖像采集的覆蓋范圍；結(jié)合表型采集所需的精度標(biāo)準(zhǔn)，確定合理的圖像采集清晰度，進(jìn)一步明確初始光譜圖像數(shù)據(jù)的有效范圍；通過(guò)將有效范圍與預(yù)計(jì)空間分布圖進(jìn)行對(duì)比分析，識(shí)別圖像采集中存在的缺失區(qū)域；最后，根據(jù)缺失區(qū)域的分布特征，智能計(jì)算多光譜圖像采集設(shè)備的采集補(bǔ)償角度，動(dòng)態(tài)調(diào)整補(bǔ)采方案，最終生成完善的多光譜圖像采集參數(shù)，確保后續(xù)桑椹果實(shí)形態(tài)表型數(shù)據(jù)采集的全面性；所述深度信息指的是桑椹果實(shí)表面各輪廓點(diǎn)相對(duì)于成像設(shè)備的空間距離或高度，用于將二維圖像中的輪廓特征準(zhǔn)確還原到三維空間坐標(biāo)中。[0022]根據(jù)本發(fā)明實(shí)施例，所述對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)，具體為：根據(jù)所述多光譜圖像采集參數(shù)獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的多角度多光譜圖像數(shù)據(jù)，將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維融合圖像數(shù)據(jù)；對(duì)所述三維融合圖像數(shù)據(jù)中每個(gè)桑椹果實(shí)的三維體素簇進(jìn)行交疊區(qū)域檢測(cè)，提取相鄰體素簇之間的接觸面曲率特征與光譜反射率梯度，當(dāng)所述接觸面曲率特征值超過(guò)預(yù)設(shè)交疊判定閾值且光譜反射率梯度低于同類(lèi)別果實(shí)差異范圍時(shí)，判定為桑椹果實(shí)間發(fā)生物理性交疊；若存在桑椹果實(shí)交疊，利用預(yù)訓(xùn)練的生成器網(wǎng)絡(luò)對(duì)交疊區(qū)域進(jìn)行輪廓解纏學(xué)習(xí)，結(jié)合判別器網(wǎng)絡(luò)對(duì)生成的虛擬分離輪廓與真實(shí)單果實(shí)形態(tài)特征進(jìn)行對(duì)抗性驗(yàn)證，生成符合桑椹生物形態(tài)學(xué)規(guī)律的虛擬分離輪廓掩膜；將所述虛擬分離輪廓掩膜與交疊區(qū)域的三維體素簇進(jìn)行空間映射，當(dāng)檢測(cè)到掩膜邊界與交疊果實(shí)實(shí)際邊緣的像素偏移量超過(guò)形態(tài)容差閾值時(shí)，基于形態(tài)學(xué)膨脹核沿虛擬輪廓法線方向進(jìn)行迭代補(bǔ)償；將補(bǔ)償后的分離輪廓與三維融合圖像中的非交疊區(qū)域進(jìn)行幾何拓?fù)淦ヅ?，重建交疊果實(shí)在三維空間中的獨(dú)立表型模型，并基于相鄰果實(shí)的光譜反射率差異對(duì)重建模型進(jìn)行[0023]需要說(shuō)明的是，在桑椹規(guī)模化種植與表型研究中，果實(shí)因密集生長(zhǎng)常發(fā)生物理交疊，導(dǎo)致傳統(tǒng)圖像分割算法難以準(zhǔn)確區(qū)分相鄰果實(shí)輪廓，尤其在多光譜成像中，交疊區(qū)域的光譜反射信號(hào)相互干擾，造成果實(shí)邊緣模糊、形態(tài)特征混淆等問(wèn)題。通過(guò)引入生成對(duì)抗網(wǎng)絡(luò)架構(gòu)，構(gòu)建生成器與判別器的協(xié)同優(yōu)化機(jī)制，實(shí)現(xiàn)了交疊果實(shí)的精準(zhǔn)分離與形態(tài)復(fù)原。具體而言，生成器網(wǎng)絡(luò)基于交疊體素簇的幾何拓?fù)潢P(guān)系與光譜梯度特征，自主學(xué)習(xí)果實(shí)分離的潛在規(guī)律，生成符合生物形態(tài)學(xué)的虛擬分離輪廓；判別器網(wǎng)絡(luò)則通過(guò)對(duì)抗性訓(xùn)練，將虛擬輪廓與真實(shí)單果實(shí)形態(tài)數(shù)據(jù)庫(kù)進(jìn)行特征匹配驗(yàn)證，動(dòng)態(tài)修正生成器輸出的拓?fù)湔`差。這種對(duì)抗性分割機(jī)制有效克服了傳統(tǒng)方法對(duì)預(yù)設(shè)規(guī)則的依賴(lài)，能夠在復(fù)雜交疊場(chǎng)景下恢復(fù)果實(shí)的真實(shí)三維形態(tài)。通過(guò)迭代補(bǔ)償掩膜邊界與真實(shí)邊緣的像素偏移，并結(jié)合相鄰果實(shí)的光譜反射率差異進(jìn)行紋理修復(fù)，最終生成具有獨(dú)立形態(tài)特征與準(zhǔn)確光譜屬性的表型補(bǔ)償圖像數(shù)據(jù)。結(jié)合多角度圖像融合與光譜紋理修復(fù)技術(shù)，有效抑制相鄰果實(shí)的光譜信號(hào)干擾，提升三維表型模型重建的完整性與細(xì)節(jié)還原能力。通過(guò)動(dòng)態(tài)優(yōu)化圖像采集參數(shù)與智能補(bǔ)償機(jī)制，大幅擴(kuò)展圖像采集覆蓋范圍，增強(qiáng)復(fù)雜生長(zhǎng)場(chǎng)景下的數(shù)據(jù)捕獲能力，同時(shí)保證高通量處理效率；所述迭代補(bǔ)償能夠消除因輪廓預(yù)測(cè)誤差導(dǎo)致的局部凹陷或斷裂。[0024]圖2示出了本發(fā)明得到三維融合圖像數(shù)據(jù)的流程圖。[0025]根據(jù)本發(fā)明實(shí)施例，所述將所述多角度多光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到三維S202,提取所述多角度多光譜圖像數(shù)據(jù)中各光譜通道的特征匹配點(diǎn)，所述特征匹配點(diǎn)包括桑椹果實(shí)表面的曲率極值點(diǎn)、多光譜圖像間的SIFT/SURF特征匹配點(diǎn)、不同波段的反射率突變點(diǎn)，計(jì)算相鄰光譜通道間特征匹配點(diǎn)的空間匹配度，當(dāng)所述空間匹配度低于預(yù)設(shè)匹配度閾值時(shí)，基于特征匹配點(diǎn)所在區(qū)域的光譜反射率梯度構(gòu)建補(bǔ)償向量；S204,根據(jù)所述補(bǔ)償向量對(duì)低匹配度特征點(diǎn)的空間坐標(biāo)進(jìn)行位移補(bǔ)償，獲取補(bǔ)償后的多光譜特征點(diǎn)集，將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行幾何拓?fù)渲豐206,當(dāng)重建過(guò)程中檢測(cè)到不同光譜通道的局部幾何結(jié)構(gòu)差異超過(guò)差異容限閾值時(shí)，采用高光譜分辨率通道的數(shù)據(jù)替換低分辨率通道的對(duì)應(yīng)區(qū)域，生成幾何一致性約束下的三維融合圖像數(shù)據(jù)。[0026]需要說(shuō)明的是，在高通量桑椹果實(shí)形態(tài)表型采集中，由于多光譜圖像數(shù)據(jù)的復(fù)雜性和不同光譜通道之間的局部幾何差異，單一的圖像數(shù)據(jù)源可能無(wú)法完整準(zhǔn)確地反映果實(shí)的三維結(jié)構(gòu)信息，尤其是當(dāng)不同角度和光譜通道的數(shù)據(jù)存在空間匹配誤差時(shí)，可能導(dǎo)致重建出的三維模型存在幾何不一致性或圖像質(zhì)量下降。因此通過(guò)提取光譜通道的特征匹配11點(diǎn)，能夠精確定位不同光譜通道之間的對(duì)應(yīng)關(guān)系，確保在多光譜圖像數(shù)據(jù)中準(zhǔn)確識(shí)別出桑椹果實(shí)的表面特征，如曲率極值點(diǎn)和反射率突變點(diǎn)。這一過(guò)程能夠有效減少由于圖像畸變或噪聲引起的匹配誤差，為后續(xù)的數(shù)據(jù)融合提供可靠的基礎(chǔ)。其次，當(dāng)空間匹配度低于預(yù)設(shè)閾值時(shí)，采用補(bǔ)償向量進(jìn)行位移補(bǔ)償，精確調(diào)整低匹配度特征點(diǎn)的位置，從而確保每個(gè)特征點(diǎn)的空間坐標(biāo)更符合實(shí)際結(jié)構(gòu)，減少幾何誤差的影響。然后，將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)，通過(guò)幾何拓?fù)渲亟▽?shí)現(xiàn)高精度的三維模型生成，確保融合圖像在空間上的一致性。最后，當(dāng)不同光譜通道的幾何結(jié)構(gòu)差異超過(guò)容差閾值時(shí)，利用高光譜分辨率通道的數(shù)據(jù)進(jìn)行替換，從而提升圖像的細(xì)節(jié)和清晰度。所述補(bǔ)償向量包括用于修正特征點(diǎn)坐標(biāo)的三維位移向量(△x,△y,△z)、沿桑椹果實(shí)表面法線方向的法向偏移量、消除多光譜通道間反射率差異的波段間反射率校正系數(shù)、根據(jù)光譜反射率梯度動(dòng)態(tài)調(diào)整補(bǔ)償強(qiáng)度的梯度衰減因子、與特征點(diǎn)空間匹配度成反比的匹配置信度權(quán)重。所述位移補(bǔ)償是指當(dāng)相鄰光譜通道間特征點(diǎn)的空間匹配度低于預(yù)設(shè)閾值時(shí)，基于特征點(diǎn)所在區(qū)域的光譜反射率梯度動(dòng)態(tài)生成三維補(bǔ)償向量(△x,△y,△z),通過(guò)將該向量與原始特征點(diǎn)坐標(biāo)進(jìn)行線性疊加運(yùn)算，使多角度采集的特征點(diǎn)在三維空間中實(shí)現(xiàn)幾何對(duì)齊的數(shù)據(jù)校正過(guò)程。所述多光譜特征點(diǎn)集即特征匹配點(diǎn)的集合；所述幾何一致性約束為在三維圖像重建過(guò)程中，確保不同光譜通道的數(shù)據(jù)在空間結(jié)構(gòu)上保持一致，避免因幾何誤差導(dǎo)致的模型不準(zhǔn)確或畸變。[0027]圖3示出了本發(fā)明進(jìn)行幾何拓?fù)渲亟ǖ牧鞒虉D。[0028]根據(jù)本發(fā)明實(shí)施例，所述將補(bǔ)償后的多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)進(jìn)行S302,構(gòu)建三維點(diǎn)云生成網(wǎng)絡(luò)，將所述多光譜特征點(diǎn)集輸入三維點(diǎn)云生成網(wǎng)絡(luò)，實(shí)時(shí)獲取輸入過(guò)程中三維點(diǎn)云生成網(wǎng)絡(luò)對(duì)多光譜特征點(diǎn)集的數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲信息；S304,根據(jù)所述數(shù)據(jù)處理反應(yīng)速度信息和數(shù)據(jù)接收延遲信息，當(dāng)數(shù)據(jù)接收延遲大于數(shù)據(jù)處理反應(yīng)速度時(shí)，將多光譜特征點(diǎn)集輸入至緩存隊(duì)列中，并對(duì)三維點(diǎn)云生成網(wǎng)絡(luò)生成暫停工作指令，直至緩存隊(duì)列完整接收多光譜特征點(diǎn)集；S306,將完整接收的多光譜特征點(diǎn)集重新導(dǎo)入所述三維點(diǎn)云生成網(wǎng)絡(luò)中進(jìn)行幾何拓?fù)渲亟?；S308,當(dāng)數(shù)據(jù)接收延遲不大于數(shù)據(jù)處理反應(yīng)速度時(shí)，則根據(jù)三維點(diǎn)云生成網(wǎng)絡(luò)接收的多光譜特征點(diǎn)集進(jìn)行實(shí)時(shí)幾何拓?fù)渲亟?。[0029]需要說(shuō)明的是，在動(dòng)態(tài)高通量表型采集中，由于多光譜特征點(diǎn)集的數(shù)據(jù)傳輸速率與三維點(diǎn)云生成網(wǎng)絡(luò)的處理能力不匹配，常出現(xiàn)數(shù)據(jù)接收延遲高于網(wǎng)絡(luò)實(shí)時(shí)處理速度的情況。例如，當(dāng)多角度采集設(shè)備持續(xù)輸入補(bǔ)償后的特征點(diǎn)集時(shí)，若網(wǎng)絡(luò)因計(jì)算負(fù)載過(guò)高無(wú)法同步接收數(shù)據(jù)，部分特征點(diǎn)會(huì)在傳輸過(guò)程中被截?cái)嗷騺G失，點(diǎn)云生成網(wǎng)絡(luò)將基于不完整數(shù)據(jù)集進(jìn)行重建，使得交疊果實(shí)的接觸面幾何結(jié)構(gòu)出現(xiàn)異常扭曲。要求通過(guò)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)流與網(wǎng)絡(luò)處理狀態(tài)的動(dòng)態(tài)平衡，在延遲超限時(shí)啟用緩存隊(duì)列暫存數(shù)據(jù)并暫停網(wǎng)絡(luò)處理，確保特征點(diǎn)集的完整性與時(shí)序一致性；通過(guò)數(shù)據(jù)完整導(dǎo)入后的批量重建機(jī)制，消除因數(shù)據(jù)碎片化導(dǎo)致的幾何拓?fù)涫д?，顯著提升復(fù)雜交疊場(chǎng)景下三維表型模型的重建精度與系統(tǒng)穩(wěn)定性。所述三維點(diǎn)云生成網(wǎng)絡(luò)包含多光譜特征匹配模塊、跨通道坐標(biāo)映射模塊及幾何拓?fù)鋬?yōu)化模塊，所述多光譜特征匹配模塊通過(guò)計(jì)算不同光譜通道特征點(diǎn)間的空間相關(guān)性生成初始匹配矩陣，所述跨通道坐標(biāo)映射模塊根據(jù)所述初始匹配矩陣將各光譜通道的特征點(diǎn)映射至同一三維空間坐標(biāo)系中，所述幾何拓?fù)鋬?yōu)化模塊通過(guò)迭代優(yōu)化特征點(diǎn)間的空間連接關(guān)系生成初始三維幾何拓?fù)浣Y(jié)構(gòu)；將所述補(bǔ)償后的多光譜特征點(diǎn)集輸入所述三維點(diǎn)云生成網(wǎng)絡(luò)后，所述多光譜特征匹配模塊根據(jù)特征點(diǎn)間的反射率梯度與空間距離計(jì)算跨通道相似度，生成包含各通道特征點(diǎn)對(duì)應(yīng)關(guān)系的優(yōu)化匹配矩陣，所述跨通道坐標(biāo)映射模塊基于所述優(yōu)化匹配矩陣對(duì)特征點(diǎn)的三維坐標(biāo)進(jìn)行加權(quán)融合，得到統(tǒng)一空間坐標(biāo)下的融合特征點(diǎn)集；所述幾何拓?fù)鋬?yōu)化模塊根據(jù)所述融合特征點(diǎn)集的分布密度與曲率變化構(gòu)建幾何連接權(quán)重，通過(guò)動(dòng)態(tài)調(diào)整相鄰特征點(diǎn)間的連接權(quán)重生成連續(xù)的三維幾何拓?fù)浣Y(jié)構(gòu)。[0030]根據(jù)本發(fā)明實(shí)施例，所述根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)，具體為：根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)構(gòu)建桑椹果實(shí)的三維形態(tài)特征矩陣，基于深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述三維形態(tài)特征矩陣進(jìn)行卷積核特征提取，生成包含果實(shí)表面曲率分布與光譜反射率梯度的融合特征圖；將所述融合特征圖輸入預(yù)訓(xùn)練的形態(tài)參數(shù)回歸模型，通過(guò)全連接層映射所述融合特征圖與果實(shí)縱徑、橫徑的空間幾何關(guān)系，計(jì)算獲得桑椹果實(shí)縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值；根據(jù)所述縱徑預(yù)測(cè)值和橫徑預(yù)測(cè)值構(gòu)建果形指數(shù)計(jì)算函數(shù)，結(jié)合三維形態(tài)特征矩陣中果實(shí)對(duì)稱(chēng)面曲率積分進(jìn)行形態(tài)校正，輸出校正后的果形指數(shù)值；基于所述表型補(bǔ)償圖像數(shù)據(jù)中不同光譜通道的反射強(qiáng)度分布，采用光譜反射率加權(quán)法計(jì)算果實(shí)表面各像素點(diǎn)的色度坐標(biāo)，通過(guò)色度坐標(biāo)聚類(lèi)分析確定果實(shí)色澤主色域及其分布均勻度，根據(jù)所述果實(shí)色澤主色域及其分布均勻度確定果實(shí)色澤度；根據(jù)所述三維形態(tài)特征矩陣的空間體素密度分布，采用蒙特卡洛積分算法對(duì)果實(shí)體積進(jìn)行概率估計(jì)，確定桑椹果實(shí)的預(yù)計(jì)體積，根據(jù)所述預(yù)計(jì)體積預(yù)測(cè)果實(shí)單果重；果實(shí)單果重?cái)?shù)據(jù)按預(yù)設(shè)表型數(shù)據(jù)結(jié)構(gòu)進(jìn)行歸一化封裝，生成目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)集。[0031]需要說(shuō)明的是，基于融合特征圖提取的表面曲率與光譜梯度信息，結(jié)合形態(tài)參數(shù)回歸模型，能夠準(zhǔn)確映射果實(shí)縱徑、橫徑的空間幾何關(guān)系，克服傳統(tǒng)單視角測(cè)量中因姿態(tài)偏轉(zhuǎn)導(dǎo)致的尺寸誤差；通過(guò)對(duì)稱(chēng)面曲率積分校正果形指數(shù)，增強(qiáng)了對(duì)非規(guī)則果實(shí)形態(tài)的適應(yīng)性，避免人工測(cè)量中主觀判斷的偏差；利用光譜反射率加權(quán)與色度聚類(lèi)分析，精確捕捉果實(shí)表面色澤的空間分布特征，解決傳統(tǒng)顏色檢測(cè)方法對(duì)局部反光或陰影區(qū)域的誤判問(wèn)題；蒙特卡洛積分算法結(jié)合三維體素密度分布的概率估計(jì)，顯著提升果實(shí)體積計(jì)算的魯棒性，尤其適用于表面凹陷或凸起復(fù)雜的果實(shí)形態(tài)；最終通過(guò)多參數(shù)歸一化封裝，形成結(jié)構(gòu)化的表及生長(zhǎng)模型構(gòu)建提供多維度數(shù)據(jù)基礎(chǔ)。所述三維形態(tài)特征矩陣包括桑椹果實(shí)在三維空間中的表面曲率分布、多光譜反射率梯度、幾何拓?fù)浣Y(jié)構(gòu)坐標(biāo)、局部對(duì)稱(chēng)面曲率積分值、以及各光譜通道下的反射強(qiáng)度分布數(shù)據(jù)，用于量化果實(shí)形態(tài)、色澤及體積的多維度表型特征。所述果形指數(shù)計(jì)算函數(shù)為縱徑預(yù)測(cè)值(L)與橫徑預(yù)測(cè)值(D)的比值，校正后的果形指數(shù)值為積分乘以果形指數(shù)；所述單果重通過(guò)獲取果實(shí)密度乘以預(yù)計(jì)體積得到。[0032]圖4示出了本發(fā)明一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置的框圖。[0033]本發(fā)明第二方面還提供了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集裝置4,該裝置包括：存儲(chǔ)器41、處理器42,所述存儲(chǔ)器中包括基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序，所述基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法程序被所述處理獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)，根據(jù)所述多光譜圖像數(shù)據(jù)確定對(duì)桑椹果實(shí)形態(tài)表型的多光譜圖像采集參數(shù)；對(duì)所述多光譜圖像采集參數(shù)獲取的多光譜圖像數(shù)據(jù)進(jìn)行桑椹果實(shí)交疊情況判斷，根據(jù)交疊情況對(duì)交疊桑椹進(jìn)行表型重建，構(gòu)建表型補(bǔ)償圖像數(shù)據(jù)；根據(jù)所述表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)形態(tài)表型進(jìn)行識(shí)別并采集，得到目標(biāo)桑椹生長(zhǎng)區(qū)域的桑椹果實(shí)形態(tài)表型數(shù)據(jù)。[0034]本發(fā)明公開(kāi)了一種基于AI驅(qū)動(dòng)的高通量桑椹果實(shí)形態(tài)表型采集方法及裝置。該方法包括以下步驟：首先，獲取目標(biāo)桑椹生長(zhǎng)區(qū)域的初始多光譜圖像數(shù)據(jù)；根據(jù)所述多光譜圖像數(shù)據(jù)，確定用于桑椹果實(shí)形態(tài)表型采集的多光譜圖像采集參數(shù)；隨后，基于采集參數(shù)獲取新的多光譜圖像數(shù)據(jù)，并對(duì)桑椹果實(shí)的交疊情況進(jìn)行自動(dòng)判別；針對(duì)存在交疊的桑椹果實(shí)，通過(guò)AI算法進(jìn)行表型重建，生成表型補(bǔ)償圖像數(shù)據(jù)；最后，依據(jù)表型補(bǔ)償圖像數(shù)據(jù)對(duì)桑椹果實(shí)的形態(tài)表型特征進(jìn)行識(shí)別與采集，從而獲得目標(biāo)生長(zhǎng)區(qū)域內(nèi)完整準(zhǔn)確的桑椹果實(shí)形態(tài)表[0035]在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過(guò)其它的方式實(shí)現(xiàn)。以上所描述的設(shè)