Conference PaperPDF Available

Sensor LiDAR (Light detection and ranging) para obtenção de modelos tridimensionais de culturas de porte arbóreo

Authors:

Abstract and Figures

RESUMO O conhecimento sobre a estrutura e geometria das copas em culturas de porte arbóreo é importante para a pesquisa e para as práticas agronômicas como o uso de fertilizantes e agroquímicos. Os sensores a laser de tecnologia LiDAR são capazes de fornecer dados para a reconstrução dos alvos em modelos tridimensionais. O presente trabalho apresenta uma metodologia para coletar dados com sensor LiDAR e gerar modelos tridimensionais em culturas de porte arbóreo. O sistema de coleta é composto por um sensor LiDAR, um receptor GNSS, um computador portátil e um veículo. Ao longo das leituras, o sensor emite um feixe de luz laser em diferentes direções e o sistema registra a posição dos pontos atingidos pelo laser. O conjunto de dados pode ser inserido em um sistema tridimensional formando uma nuvem de pontos. A visualização dos pontos oriundos de uma leitura realizada em um pomar citrícola evidenciou a capacidade de representação das plantas pela metodologia proposta. A conformação das fileiras e das plantas individualmente pode ser acessada a partir do modelo, permitindo o cálculo de parâmetros geométricos importantes para a condução do pomar. ABSTRACT In tree crops it is important to know about the structures and geometries of canopies for research and agricultural practices such as fertilizer and pesticides applications. LiDAR sensors are able to provide data for the reconstruction of objects in tridimensional models. The present study shows a method to collect data with a LiDAR sensor and generate tridimensional models of tree crops. The system consists of a LiDAR sensor, a GNSS receiver, a computer and a vehicle. The sensor emits a laser beam in different directions and the system registers the position of the points reached by the laser. This data set can be viewed in a tridimensional plot forming a point cloud. The point cloud from a citrus field
Content may be subject to copyright.
Sensor LiDAR (Light detection and ranging) para obtenção de modelos
tridimensionais de culturas de porte arbóreo
André Freitas Colaço1, Rodrigo Gonçalves Trevisan1, Mateus Tonini Eitelwein1, José Paulo
Molin1
1 Departamento de Engenharia de Biossistemas, Universidade de São Paulo, Piracicaba, São
Paulo, Brasil, andre.colaco@usp.br, jpmolin@usp.br
RESUMO
O conhecimento sobre a estrutura e geometria das copas em culturas de porte arbóreo é
importante para a pesquisa e para as práticas agronômicas como o uso de fertilizantes e
agroquímicos. Os sensores a laser de tecnologia LiDAR são capazes de fornecer dados para a
reconstrução dos alvos em modelos tridimensionais. O presente trabalho apresenta uma
metodologia para coletar dados com sensor LiDAR e gerar modelos tridimensionais em
culturas de porte arbóreo. O sistema de coleta é composto por um sensor LiDAR, um receptor
GNSS, um computador portátil e um veículo. Ao longo das leituras, o sensor emite um feixe
de luz laser em diferentes direções e o sistema registra a posição dos pontos atingidos pelo
laser. O conjunto de dados pode ser inserido em um sistema tridimensional formando uma
nuvem de pontos. A visualização dos pontos oriundos de uma leitura realizada em um pomar
citrícola evidenciou a capacidade de representação das plantas pela metodologia proposta. A
conformação das fileiras e das plantas individualmente pode ser acessada a partir do modelo,
permitindo o cálculo de parâmetros geométricos importantes para a condução do pomar.
PALAVRAS-CHAVE: Geometria de Plantas, Volume de Copa, Agricultura de Precisão.
ABSTRACT
In tree crops it is important to know about the structures and geometries of canopies for
research and agricultural practices such as fertilizer and pesticides applications. LiDAR
sensors are able to provide data for the reconstruction of objects in tridimensional models.
The present study shows a method to collect data with a LiDAR sensor and generate
tridimensional models of tree crops. The system consists of a LiDAR sensor, a GNSS
receiver, a computer and a vehicle. The sensor emits a laser beam in different directions and
the system registers the position of the points reached by the laser. This data set can be
viewed in a tridimensional plot forming a point cloud. The point cloud from a citrus field
scanned with this system shows how the model is able to represent the plants. Each tree line
and single trees can be assessed from the model allowing the calculation of important
geometry parameters of the crop.
KEYWORDS: Plant Geometry, Canopy Volume, Precision Agriculture
INTRODUÇÃO
Uma abordagem recente para aquisição de dados de culturas é o sensoriamento proximal por
meio dos mais diversos tipos de sensores, medindo direta ou (normalmente) indiretamente
diferentes parâmetros agronômicos. Tal tecnologia tem um apelo maior na agricultura de
precisão (AP) por permitir a coleta de uma grande quantidade de dados dentro de um mesmo
campo de produção. Dessa forma, o gestor de uma área conduzida sob os preceitos da AP é
capaz de direcionar e diferenciar tratamentos agronômicos em uma escala muito menor do
que aquela permitida na gestão convencional.
Uma das ferramentas disponíveis para a obtenção de informações remotas dos alvos
são os sensores de tecnologia LiDAR (Light Detection and Ranging). Tais sensores são
capazes de estimar a distância dos objetos ao seu redor em diversas direções (em duas ou três
dimensões). O equipamento emite um feixe de luz laser que atinge um obstáculo e retorna ao
sensor. A distância entre o sensor e o alvo é proporcional ao tempo entre a emissão e recepção
da luz pelo sensor. Essa tecnologia se disseminou para aplicações industriais e robóticas e
recentemente tem sido investigada para agricultura.
Diversos estudos têm empregado o uso desses sensores na obtenção de informações
acerca da geometria da parte aérea de diferentes culturas (DWORAK; SELBECK; EHLERT,
2011, ROSELL; SANZ, 2012) por meio do processamento dos dados brutos de direção
relativa e distância até os alvos. Em culturas de porte arbóreo, o conhecimento sobre o
tamanho, forma e parâmetros geométricos como volume e área superficial das copas é de
extrema importância. Tais informações são úteis tanto na pesquisa agronômica (STENZEL et
al., 2005, AULER; FIORI-TUTIDA; TAZIMA, 2008), pois são parâmetros relacionados ao
desenvolvimento da cultura, como em práticas de manejo, por exemplo, para o cálculo da
quantidade de insumo que a planta demanda.
Os métodos usuais para o levantamento de tais parâmetros são normalmente baseados
em medições manuais realizadas com trena ou régua. Por exemplo, o volume de copa de uma
planta cítrica pode ser dado como dois terços do volume de um cilindro envolvente à planta
(MENDEL, 1956), e para tanto basta a medição da altura e raio da copa. Além da
simplificação no próprio cálculo, tais medições são naturalmente imprecisas, dado a
irregularidade da copa e dificuldade da medição com instrumentos simples como réguas ou
trenas. Isso justifica a busca por métodos e ferramentas mais eficientes para a obtenção dos
parâmetros geométricos dessas culturas. Além disso, com o recente avanço das técnicas de AP
para as mais diversas culturas, inclusive para a fruticultura, é cada vez maior a necessidade de
sensores capazes de coletar informações relevantes à gestão agronômica em grande
quantidade e com máxima exatidão.
O objetivo deste trabalho é apresentar um método para coletar dados com sensor
LiDAR e obter um modelo tridimensional digital de culturas com porte arbóreo. Tal modelo
deve permitir a obtenção de parâmetros geométricos da cultura com exatidão e quantidade
suficientes para aplicações em AP como, por exemplo, o tratamento individual de plantas com
base no tamanho e conformação das copas.
MATERIAL E MÉTODOS
Equipamentos
A coleta de dados é realizada por meio de um sensor LiDAR, um receptor GNSS (Global
Navigation Satellite System) com correção RTK (Real Time Kinematic), um computador
portátil e um veículo de campo para deslocar os equipamentos. Os modelos dos equipamentos
utilizados no presente estudo foram, respectivamente, um sensor LMS 200, SICK, um
receptor GR3, Topcon, um computador Toughbook CF-19, Panasonic e um veículo Gator
XUV855D, John Deere, com um suporte metálico customizado para acoplar o sensor e
receptor GNSS (Figura 1).
O sensor utilizado coleta dados de distância em diferentes direções em um plano
bidimensional. O feixe laser é direcionado pela rotação de um espelho no interior do
instrumento permitindo a taxa máxima de aquisição de dados de 75 Hz. O sensor realiza
leituras em uma amplitude máxima de 180º e resolução angular máxima de 0,25º, com
alcance máximo de 80 m. No presente estudo adotou-se uma amplitude de 100º (de 40º a
140º) com resolução angular de 1º (totalizando 101 ângulos) (Figura 2), alcance máximo de 8
m com resolução das distâncias em milímetros. O erro de cada medição é de +- 5 mm.
Figura 1 LMS-200, SICK (a); sensor LiDAR e receptor GNSS acoplados em um veículo de campo (b).
Fonte: Elaborada pelos autores.
Figura 2 Visão superior do sensor; amplitude de 180º (a) e 140º (b).
Fonte: Manual LMS-200, SICK.
Aquisição dos dados
No arranjo proposto, o sensor é posicionado a 1,4 m de altura para realizar medições em um
plano vertical visando a lateral das plantas (Figura 3). Com o veículo em movimento,
múltiplas leituras são registradas, cada uma representando uma sessão transversal ao sentido
de deslocamento. Os dados obtidos em cada sessão são georreferenciados pelo receptor GNSS
que está instalado acima e alinhado com o sensor LiDAR. O total de medidas em sessões
transversais forma então um conjunto de dados tridimensional.
Figura 3 Arranjo do sensor visando a lateral da planta.
Fonte: Elaborada pelos autores.
Os dados do sensor e do receptor GNSS são enviados para o computador, que por meio
de um software realiza a interface e sincronização dos equipamentos e o registro dos dados. O
software foi desenvolvido em linguagem JAVA, no ambiente Processing (FRY; REAS,
2014). Os dados brutos da aquisição compõe um arquivo de texto com os valores de tempo,
coordenadas geográficas, altitude, e distância em cada ângulo de medição (Figura 4).
Figura 4 Exemplo de dados brutos obtidos pelas leituras do receptor GNSS e sensor LiDAR.
Fonte: Elaborada pelos autores.
Processamento dos dados e visualização 3D
O primeiro passo do processamento é transformar os dados brutos de ângulos e distâncias
(coordenadas polares) em coordenadas retangulares para que os pontos atingidos pelo laser
sejam plotados em um sistema cartesiano tridimensional (x, y, z), formando assim uma
A40 A41 A42 A43 A44 A45 A46 A47 A48 A49 A50 A51 A52 ...
150127173638589 -22.833660316 -49.127970846 640.22 1483 1506 1521 1540 1577 1601 1627 1666 1700 1725 1763 1802 1846 ...
150127173638676 -22.833660218 -49.127970296 640.22 1490 1518 1545 1545 1574 1572 1633 1666 1697 1732 1759 1810 1856 ...
150127173638711 -22.833660189 -49.127970139 640.22 1499 1500 1519 1558 1590 1619 1643 1655 1688 1744 1792 1826 1864 ...
150127173638799 -22.833660094 -49.127969738 640.22 1472 1520 1554 1569 1611 1637 1650 1687 1708 1754 1795 1831 1872 ...
150127173638856 -22.833659999 -49.127969337 640.22 1513 1536 1558 1575 1618 1635 1659 1682 1691 1773 1807 1845 1875 ...
150127173638938 -22.833659897 -49.127969035 640.22 1526 1543 1549 1605 1617 1631 1667 1710 1762 1787 1809 1856 1892 ...
150127173638995 -22.833659744 -49.127968582 640.23 1548 1564 1565 1601 1614 1652 1682 1722 1768 1780 1816 1864 1892 ...
150127173639052 -22.833659554 -49.127967707 640.24 1546 1585 1607 1620 1637 1623 1609 1709 1773 1797 1858 1839 1924 ...
150127173639132 -22.833659363 -49.127967052 640.25 1506 1570 1560 1634 1662 1636 1709 1742 1800 1840 1831 1823 1930 ...
150127173639185 -22.833659299 -49.127966833 640.26 1530 1550 1635 1638 1662 1686 1720 1759 1747 1840 1849 1858 1928 ...
150127173639271 -22.833659108 -49.127965840 640.28 1599 1618 1648 1674 1716 1736 1747 1812 1826 1850 1902 1870 1977 ...
150127173639328 -22.833658918 -49.127965118 640.29 1583 1557 1626 1646 1685 1689 1653 1814 1838 1815 1845 1959 1992 ...
150127173639385 -22.833658854 -49.127964878 640.29 1565 1595 1607 1656 1642 1720 1722 1774 1828 1874 1899 1917 1993 ...
150127173639467 -22.833658600 -49.127963742 640.32 1515 1588 1572 1677 1677 1667 1714 1701 1838 1838 1891 1927 1940 ...
150127173639528 -22.833658361 -49.127962901 640.33 1584 1635 1646 1669 1695 1716 1763 1808 1797 1850 1888 1911 1920 ...
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
Tempo
Latitude
Longitude
Alt (m)
(mm)
“nuvem de pontos” (Figura 5). Inicialmente o sensor representa a posição 0, 0 nos eixos x e y
(Figura 5, esquerda). Em seguida as coordenadas são recalculadas utilizando-se como
referência as coordenadas e altitude obtidas pelo receptor GNSS na posição em que está o
sensor LiDAR (Figura 5, direita). A coordenada de cada ponto da nuvem pode ser calculada
por meio de relações trigonométricas; denominamos aqui esse processo como
georreferenciamento da nuvem de pontos. O produto final da transformação é, portanto, uma
“nuvem de pontos” na qual cada ponto tem a sua coordenada real no sistema de referência de
coordenadas Universal Transversa de Mercator (UTM).
Figura 5 Plotagem dos pontos em um plano cartesiano tridimensional.
Fonte: Elaborada pelos autores.
Um algoritmo para tal processamento foi desenvolvido por meio do software R (R
CORE TEAM, 2015). O arquivo final é gerado no formato de texto contendo três colunas (x,
y, z) e múltiplas linhas, cada uma representando um ponto.
Os arquivos de coordenadas cartesianas dos pontos (x, y, z) são importados no
software Cloudcompare (GIRARDEAU-MONTAUT, 2014), onde a nuvem de pontos pode
ser visualizada e editada.
Leituras a campo
As leituras foram realizadas em um pomar de 25 ha com laranjeiras da variedade Valência
com seis anos de idade. O talhão apresenta formato quadrado com plantio em linhas retas
paralelas à borda. O espaçamento entre plantas foi de 2,7 m entre plantas e 6,8 m entre
fileiras. O sensor foi deslocado ao entre as fileiras do pomar a uma velocidade de
aproximadamente 2,7 m s-1 e a frequência de aquisição de 14 Hz, o que gera
aproximadamente 14 leituras por planta. As leituras de cada fileira de plantas foram realizadas
com duas passadas do veículo, uma de cada lado da fileira.
RESULTADOS E DISCUSSÃO
Na figura 6, pode ser visualizada uma nuvem de pontos referente a uma laranjeira. Esse
conjunto de dados é formado por 2.256 pontos, sendo que aproximadamente 50% dos mesmos
representam o solo. O deslocamento ocorreu ao longo do eixo x. Nas imagens inferiores da
figura nota-se a junção das leituras realizadas em duas passadas. A concordância entre os dois
lados da planta se dá devido ao georreferenciamento das leituras, que permite que duas
medições realizadas de pontos distintos possam ser plotadas no mesmo sistema de referência.
A partir dos pontos é possível aplicar cálculos geométricos para obtenção da altura, volume e
área superficial da copa, por exemplo.
Figura 6 Nuvem de pontos de uma laranjeira obtida por meio de leituras de sensor LiDAR. A coloração indica
variação ao longo do eixo z (altitude).
A figura 7 apresenta uma série de imagens de uma nuvem de pontos obtida em um
talhão de 25 ha de laranjeiras. Em cada fileira de plantas foram contabilizados
aproximadamente 400.000 pontos. Nota-se que tal densidade de pontos é capaz de reproduzir
o formato das fileiras ao longo do talhão. Nas imagens inferiores é possível visualizar as
plantas individualmente, o que permite a observação da variação no porte das plantas e
também da existência de falhas ao longo da área.
Tais informações podem servir de subsídio para avaliação da população de plantas e
desenvolvimento vegetativo. Considerando a variação existente no porte das plantas, em
aplicações voltadas à AP, é possível adotar-se doses variadas de insumos para cada planta.
Figura 7 Nuvem de pontos obtida por um sensor LiDAR em um pomar de laranjeiras de 25 ha. A coloração
indica variação ao longo do eixo z (altitude).
CONCLUSÕES
As informações obtidas pelo sensor LiDAR, a partir da metodologia proposta, permitem a
geração de modelos tridimensionais que representam a estrutura da parte área em plantas de
porte arbóreo. Tais modelos fornecem subsídio para o cálculo de parâmetros geométricos
importantes para a condução da cultura como volume de copa e área superficial da copa.
Essas informações podem ser utilizadas para aplicações em agricultura de precisão como a
aplicação de fertilizantes e agroquímicos em taxas variáveis com base na variação no porte
das plantas.
REFERÊNCIAS
AULER, P. A. M.; FIORI-TUTIDA, A. C. G.; TAZIMA, Z. H. Comportamento da laranjeira
“Valência” sobre seis porta-enxertos no noroeste do Paraná. Revista Brasileira de Fruticultura,
v. 30, n. 1, p. 229234, 2008.
DWORAK, V.; SELBECK, J.; EHLERT, D. Ranging sensors for vehicle-based measurement
of crop stand and orchard parameters: a review. Transactions Of The Asabe, v. 54, n. 4, p.
14971510, 2011.
FRY, B.; REAS, C. Processing Library for Visual Arts and Design, 2014.
GIRARDEAU-MONTAUT, D. CloudCompare: 3D Point Cloud and Mesh Processing
Software. 2014.
MENDEL, K. Rootstock-scion relationships in Shamouti trees on light soil. Ktavim, v.6,
p.35-60, 1956.
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. 2015.
ROSELL, J. R.; SANZ, R. A review of methods and applications of the geometric
characterization of tree crops in agricultural activities. Computers and Electronics in
Agriculture, v. 81, p. 124141, fev. 2012.
STENZEL, N. M. C. et al. Desenvolvimento vegetativo, produção e qualidade dos frutos da
laranjeira Folha Murcha sobre seis porta-enxertos no Norte do Paraná. Ciência Rural, v. 35,
n. 6, p. 12811286, 2005.
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Com o objetivo de identificar alternativas ao uso do limoeiro 'Cravo', avaliou-se a influência de porta-enxertos na produtividade e nas características físico-químicas dos frutos de laranjeira 'Valência' em experimento instalado em janeiro de 1994, sem irrigação, no município de Nova Esperança-PR. Adotou-se delineamento experimental em blocos ao acaso, com quatro repetições, três plantas úteis por parcela e seis porta-enxertos como tratamentos: limoeiro 'Cravo' (C. limonia), tangerineira 'Cleópatra' (C. reshni) e 'Sunki' (C. sunki), citrangeiro 'Troyer' (P. trifoliata x C. sinensis), tangeleiro 'Orlando' (C. tangerina x C. paradisi) e laranjeira 'Caipira' (C. sinensis). Avaliou-se a qualidade dos frutos em duas safras (2002 e 2005), o desenvolvimento vegetativo e a eficiência de produção em 1999 e 2003, e a produção (1996 a 2005). Em relação ao 'Cravo', a 'Sunki' induziu maior produção e volume de copa, e eficiência de produção e qualidade do fruto equivalentes; o 'Troyer' induziu eficiência de produção equivalente, frutos com rendimento industrial superior e peso médio inferior; a 'Cleópatra' induziu produção equivalente, eficiência de produção inferior e maior volume de copa. O estudo mostrou que os porta-enxertos 'Sunki', 'Cleópatra' e 'Troyer' se destacaram como opções para a diversificação do 'Cravo'.
Article
Full-text available
Esta pesquisa avaliou em Londrina, PR, plantas de laranjeira ?Folha Murcha' sobre os porta-enxertos: laranjeira ?Caipira' (Citrus sinensis (L.) Osb.), limoeiro ?Cravo' (Citrus limonia Osb.), tangerineira ?Sunki' (Citrus sunki Hort. ex Tan.), limoeiro ?Rugoso da Flórida (Citrus jambhiri Lush.), tangerineira ?Cleópatra' (Citrus reshni Hort. ex Tan.) e limoeiro ?Volcameriano' (Citrus volkameriana Ten. e Pasq.). O delineamento experimental utilizado foi o de blocos ao acaso, seis porta-enxertos como tratamentos, cinco repetições e duas plantas por parcela. A altura, diâmetro e volume da copa foram significativamente superiores em plantas enxertadas em laranjeira ?Caipira', quando comparadas com aquelas em limoeiro ?Volcameriano'. A menor diferença entre os diâmetros dos troncos abaixo/acima da enxertia ocorreu nas plantas em limoeiro ?Cravo' e tangerineira ?Sunki'. A produção acumulada foi superior nas plantas sobre limoeiro 'Cravo'e laranjeira ?Caipira', sem mostrar significância estatística entre si, porém significativamente diferentes daquelas sobre tangerineira ?Cleópatra' e limoeiro ?Volcameriano'. A eficiência da produção não foi influenciada pelos porta-enxertos estudados. O peso do fruto foi significativamente maior para as plantas em tangerineira ?Sunki', em comparação àqueles sobre limoeiros ?Cravo', limoeiro ?Rugoso da Flórida' e limoeiro ?Volcameriano. Os sólidos solúveis totais (SST) apresentaram teores elevados nos frutos de laranjeiras ?Folha Murcha' sobre limoeiro ?Volcameriano' e limoeiro 'Cravo', sem diferirem entre si. A acidez titulável total (ATT), o ratio (SST/ATT) e a cor do suco não foram influenciados pelos porta-enxertos testados. Os limões 'Cravo'e ?Volcameriano' proporcionaram valores de índice tecnológico significativamente maiores em relação aos porta-enxertos restantes. Os parâmetros de qualidade de suco avaliados estão dentro de padrões aceitáveis para variedades copa de laranja.
Article
This paper presents the foundations and applications in agriculture of the main systems used for the geometrical characterization of tree plantations, including systems based on ultrasound, digital photographic techniques, light sensors, high-resolution radar images, high-resolution X-ray computed tomography, stereo vision and LIDAR sensors. Amongst these, LIDAR laser scanners and stereo vision systems are probably the most promising and complementary techniques for achieving 3D pictures and maps of plants and canopies. The information about the geometric properties of plants provided by these techniques has innumerable applications in agriculture. Some important agricultural tasks that can benefit from these plant-geometry characterization techniques are the application of pesticides, irrigation, fertilization and crop training. In the field of pesticide application, knowledge of the geometrical characteristics of plantations will permit a better adjustment of the dose of the product applied, improving the environmental and economic impact. However, it is still necessary to resolve several technological and commercial questions. The former include improving detection systems, especially with regard to developing software for the post-processing steps and improving the speed of calculation and decision making. Amongst the latter, it is essential to produce low cost sensors and control systems in order to facilitate large-scale deployment. Obtaining a precise geometrical characterization of a crop at any point during its production cycle by means of a new generation of affordable and easy-to-use detection systems, such as LIDAR and stereo vision systems, will help to establish precise estimations of crop water needs as well as valuable information that can be used to quantify its nutritional requirements. If accurate, this can provide valuable information on which to base more sustainable irrigation and fertilizer dosages. These would be able to meet crop needs and could also be used as part of specific management systems, based on prescription maps, for the application of variable quantities of water and fertilizers. The availability of measurement tools that allow a precise geometric characterization of plantations will also facilitate and enhance research aimed at developing better crop training systems that ensure an optimal distribution of light within the treetops and higher fruit quality. It is therefore of vital importance to continue devoting major efforts to the development of increasingly accurate, robust and affordable systems capable of measuring the geometric characteristics of plantations, which support the development of the different areas of a sustainable and precision agriculture.
Article
In agricultural crop production, information important for optimizing production processes (precision farming) and reducing the environmental impact can be obtained from soils and plants with sensors. Ranging sensors are utilized in research activities that use remote-sensing techniques. In this work, three types of ranging sensors or measuring principles (light detection and ranging (LiDAR), radar, and ultrasonic) are evaluated for practical use with agricultural machinery to improve production processes. In the first part of this article, the fundamentals of the prescribed measuring principles are described. Based on the relevant literature, state-of-the-art sensor groups for measuring morphologic crop stand and orchard parameters are presented and discussed in the second section. In the third section, the sensors are assessed regarding their suitability for installation on agricultural machinery under field conditions; specifically, their functional parameters are evaluated (e.g., working distance, mounting height, inclination angle, resolution, and measurement frequency) along with experimental data obtained in scientific investigations. The positive test results in the application of the measuring principles presented in previous publications are reviewed and, based on a summary assessment, the LiDAR measuring principle is indicated as the preferred solution for vehicle-based measurement of crop stand and orchard parameters.
Processing Library for Visual Arts and Design
  • B Fry
  • C Reas
FRY, B.; REAS, C. Processing Library for Visual Arts and Design, 2014.
CloudCompare: 3D Point Cloud and Mesh Processing Software
  • D Girardeau-Montaut
GIRARDEAU-MONTAUT, D. CloudCompare: 3D Point Cloud and Mesh Processing Software. 2014.
Rootstock-scion relationships in Shamouti trees on light soil
  • K Mendel
MENDEL, K. Rootstock-scion relationships in Shamouti trees on light soil. Ktavim, v.6, p.35-60, 1956.