基于深度学习的机载点云屋顶平面提取算法

为了准确提取不同类型建筑物屋顶点云的各个平面,采用度量学习的方式,将每个平面视为单独的实例,为每个平面上的点学习单独的高维深度特征。利用所提取的高维深度特征对平面点进行初步的聚类,通过简单的欧氏距离和特征空间距离进行综合度量将未聚类的点分配至各个平面;所提出的方法分别在合成数据集和公开的机载点云建筑物屋顶数据集RoofN3D上进行了训练和测试。结果表明,在合成数据集上,所提取的建筑物平面的准确率、召回率和F_(1)分数分别为0.990、0.998和0.994;在机载点云数据集RoofN3D上,所提取的建筑物平面的准确率、召回率和F_(1)分数分别为0.945、0.971和0.957。该方法不仅可以准确有效地提取出不同建筑物屋顶平面,且平面边缘非常准确,还可以准确区分建筑物屋顶平面内容和非平面内容,为建筑物3维建模提供重要帮助。

融合多尺度特征和注意力机制的油菜倒伏分类

倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet(nam-ghost network),用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM(normalization-based attention module),再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集(rape lodging dataset, RLD),该数据集由5 789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG和RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。