1.一种低损伤三七主根的互作感知式进挖方法，其特征在于：包括三七“根‑土‑茎”图像重构、图像信号转换及防碰撞边界构建；

所述三七“根‑土‑茎”图像重构包括获取茎叶部点云图像、建立根茎部检测图像以及图像融合，从而获得三七“根‑土‑茎”复合图像；

所述获取茎叶部点云图像具体为：采用两组双目立体视觉相机，分别从对侧进行三七茎叶部分的图像拍摄，获取两组深度图像；再采用改进的迭代最近点算法，对两组深度图像中的点云进行拼接，从而获得茎叶部点云图像；

所述改进的迭代最近点算法具体为：

步骤A1：对于两个待配准的点云，首先从中提取出一些特征点，作为匹配依据，特征点提取具体为：；

式中：P表示点云中所有点的集合； 或 表示某个点pi或pj的特征向量； 或表示pi或pj点的特征分数； 表示被选中的具有显著特征的点集合；

步骤A2：在进行点云配准时，从特征点集合中选取稠密的点对进行匹配；一般使用基于距离的邻域搜索方法来获取稠密的点对，即假定两组点云中对应点对之间距离的均值方差相等，通过以下方法获取每个点的邻域范围：；

式中： 表示点pi与qj之间的欧式距离；r表示邻域搜索范围；Ni表示与点pi相邻的点的集合；

步骤A3：在将稠密点对配准后、最小化这些点对之间的距离误差，使用加权平均误差衡量配准效果，具体如下：；

式中：n表示点对的数量； 分别表示待配准的两个点云中的对应点对；

表示 之间的欧式距离；wi表示权重系数、用于调整每个点对的贡献；

步骤A4：通过最小化加权平均误差，获得两组点云之间的刚性变换；通过采用一个4x4的矩阵表示两组点云的刚性变换，具体为：；

式中：R表示旋转矩阵，t表示平移向量，它们通过以下逐步迭代公式获得：；

；

式中： 表示欧式范数，求解过程中进行多次迭代，直至误差趋近于0；

所述建立根茎部检测图像具体为：依据电阻抗检测方法，在三七根茎部周围环插多个电阻抗传感器，采用改进的修正牛顿拉普森算法，将电阻抗传感器获取的电信号重建为图像信号，从而获得根茎部检测图像；

所述改进的修正牛顿拉普森算法具体为：

步骤B1：采用电阻抗成像技术将待测物体表面分为若干分离的区域，从每对电极接口处采集电压值、即电阻抗测量值；

步骤B2：对步骤B1中获取的数据进行滤波、去噪预处理；

步骤B3：利用薄膜法对步骤B2中预处理后的电阻抗数据进行重构；然后，通过求解欧姆定律将电阻抗表征为关于介质电导率、几何形状和电极位置的函数，通过欧姆法将其表示为关于介质电阻率的函数；再使用非线性优化算法迭代求解分布阻抗；

步骤B4：用改进的MNR算法进行图像重建，具体为：步骤B4‑1、对数据进行初始化，设定输入的测试数据为y、初始图像为x0、迭代次数为t、惩罚参数为e；

步骤B4‑2、使用Sobel算子构建导数算子Dx与Dy，用于计算图像的梯度信息；

步骤B4‑3、对于每个像素点，获取其权重矩阵W，其中，Wi,j表示在重建像素点(i,j)处的权重；根据局部加权策略，权重值由该像素点与周围像素点的距离和测量数据之间的距离确定；

步骤B4‑4、将图像xi分解成多个尺度 ，并计算每个尺度图像的梯度信息 ；

步骤B4‑5、对每个尺度图像进行梯度计算：

；

步骤B4‑6、通过对图像梯度信息进行加权，平衡平滑效果、保留边缘信息；

步骤B4‑7、通过最小化代价函数，更新图像xi：；

式中：Ik表示第k个尺度的测量数据；

步骤B4‑8、重复步骤B4‑4～步骤B4‑7，直至达到预先设定的迭代次数或满足收敛条件为止；

步骤B5：对步骤B4中的图像信号进行去除伪影、增强对比度后处理操作，即得根茎部检测图像；

所述图像融合具体为：以根茎部底部最小坐标所在的平面为土面，对茎叶部点云图像与根茎部检测图像进行融合，获得三七“根‑土‑茎”复合图像；

其中，茎叶部点云图像与根茎部检测图像融合的具体步骤为：步骤C1：将茎叶部点云图像与根茎部检测图像分别视为随机变量，通过将茎叶部点云图像与根茎部检测图像进行联合条件概率分布实现融合，具体为：；

式中：X表示茎叶部点云图像，Y表示根茎部检测图像； 表示在给定Y的情况下、X的概率分布； 表示在给定X的情况下、Y的概率分布；P(X)、P(Y)分别表示X、Y的先验概率分布；

步骤C2：利用贝叶斯滤波算法来估计茎叶部点云图像的后验概率分布，即：；

其中，P(X)、P(Y)分别通过提取茎叶部点云图像与根茎部检测图像的特征向量、利用特征向量获得； 通过比较茎叶部点云图像与根茎部检测图像的特征向量实现，即定义一个相似度函数来度量它们之间的相似度、从而获得 ；

通过将 和P(X)进行卷积获得 的后概率分布，进而获得三七“根‑土‑茎”复合图像；

所述图像信号转换具体为：首先，根据三七“根‑土‑茎”复合图像将三七主体拆解为组合体；然后，通过设置在挖掘装置上的应变片式传感器与各个组合体进行力学特性实验，获取各个组合体的传感信号；之后，采用改进的连续小波变换算法将一维的传感信号转换为组合体图像信号；再通过深度学习网络模型对挖掘装置作业对象识别与传感器感知信号进行对应训练，深度学习网络模型采用全连接神经网络或卷积神经网络实现对传感器感知信号的特征提取与分类识别；采用决策树、支持向量机传统的机器学习算法对挖掘装置作业对象的识别，获取分类表；

所述采用改进的连续小波变换算法将一维的传感信号转换为组合体图像信号具体为：步骤D1：将一维的传感信号进行CWT变换，得到小波系数矩阵：；

式中：a、b分别表示尺度参数与平移参数；f(t)表示原始信号； 表示小波基函数；

步骤D2：对小波系数矩阵中的每个元素进行转换，得到其对应的灰度值：式中：G(i,j)表示灰度图像中的像素值；W(i,j)表示小波系数矩阵中的元素；max(W)表示小波系数矩阵中的最大值；

通过CWT将一维传感信号中的每个元素映射为一个灰度值，进而形成灰度图像，实现传感信号与组合体图像信号之间的转换；

所述防碰撞边界构建具体为：对三七“根‑土‑茎”复合图像进行边缘检测，依据分类表保留主根边缘，并通过八连通领域像素检测方法合并主根边缘之间的像素，从而生成防碰撞边界。

2.根据权利要求1所述的一种低损伤三七主根的互作感知式进挖方法，其特征在于：所述对三七“根‑土‑茎”复合图像进行边缘检测具体为：步骤E1：使用高斯滤波器对三七“根‑土‑茎”复合图像进行滤波，减少噪声的影响；

步骤E2：使用Sobel算子计算梯度大小和方向；

步骤E3：根据步骤E2中获得的梯度方向，对三七“根‑土‑茎”复合图像进行非极大值抑制，即保留梯度方向上的局部最大值、抑制其它方向上的值；

步骤E4：根据步骤E2中获得的梯度大小，将三七“根‑土‑茎”复合图像像素分为边缘点和非边缘点；

具体为：预设两个阈值、即高阈值与低阈值，梯度大小大于高阈值的点为强边缘点、小于低阈值的点为非边缘点，在低阈值和高阈值之间的点为弱边缘点；

步骤E5：将弱边缘点与其他强边缘点连接，形成完整的边缘。

3.根据权利要求1所述的一种低损伤三七主根的互作感知式进挖方法，其特征在于：所述通过八连通领域像素检测方法合并主根边缘之间的像素，从而生成防碰撞边界具体为：步骤F1：根据边缘检测获得的主根边缘，利用手动标定或自动标定的方法，划定边界范围；

步骤F2：对于边界范围内的每个像素，以像素为中心取一个3x3的矩阵，并把矩阵中心的像素设为待检测像素；

步骤F3：对矩阵中的8个相邻像素进行颜色值比对，若存在相邻像素颜色值与待检测像素颜色值不同，则该像素为边界像素，进行合并操作；

步骤F4：对于边界像素，将它的像素值改成与其相邻像素值相同的值，从而达到合并的目的；即把该像素设置为与其最近的相邻像素的像素值，这个相邻像素可以是八个相邻像素中的任意一个；

步骤F5：经合并后，获得一个主根防碰的边界。