基于局部点云的苹果外形指标估测方法

为了获取果实生长期的外形参数指标,监控果实发育状况,提出了一种基于局部点云的苹果外形指标估测方法。该方法可以通过局部点云数据估测苹果的体积、高度、直径等外形指标参数。利用椭球曲面方程构建苹果几何模型,并计算苹果几何模型的高度、直径、体积。使用Kinect V2相机从任意角度获取点云数据,采用直通滤波法去除点云数据的背景,用包围盒算法精简点云得到苹果局部点云数据后,采用粒子群算法将苹果局部点云数据与苹果模型进行空间匹配,并用遗传算法求解苹果最优匹配模型的参数,利用苹果最优匹配模型参数估测与其匹配的真实苹果的外形指标。实验采集了250个苹果顶部、侧面和底部的局部点云数据,使用本文方法分别估测了250个苹果在3个角度下的外形指标,并对估测值与真实值进行线性回归分析,各个指标的线性回归拟合度R^2均高于0. 7。其中,侧面拍摄时拟合效果最好,R2最高为0. 948。在各个角度下苹果体积估测的平均误差不大于16. 16 mL,高度估测的平均误差不大于2. 92 mm,直径估测的平均误差不大于2. 35 mm,估测结果的平均误差较小,在允许误差范围内。实验结果表明,基于局部点云的苹果外形指标估测方法具有较强的实用性。

考虑局部点云密度的建筑立面自适应分割方法

三维散乱点云数据具有不均匀性,局部点云密度的不断变化会对点云分割提取等处理造成影响,针对这一问题,提出考虑局部点云密度的建筑立面自适应分割方法,在介绍局部点云密度的基础上,设计了自适应分割的流程和算法,通过实验验证了考虑局部点云密度的方法能够较好的对建筑立面进行分割。

基于局部和全局采样点云数据简化算法研究

3D激光扫描方法获取的点云数据存在大量冗余数据,为便于重建模型,对点云数据简化技术的关键是在简化数据的同时,最大限度地保留点云数据的原有特征,对点云数据简化技术进行了研究,提出了一种基于局部和全局点云特征相融合的简化算法,通过基于点云的网格分割的非均匀网格法来提取局部点云特征,并且通过基于空间体素化方法对点云进行全局采样,然后将二者特征融合,获取最佳的简化特征效果。实验表明,该算法能够适应各种类型曲面数据的简化要求,其点云简化最大误差为0.02812,点云简化平均误差为0.000472,并与非均匀网格算法和空间体素法做比较,其简化效率高,简化误差小。由此可见,该方法简化点云不但具有较高的简化效率,同时又很好地保留了原始数据的细节特征。

一种高效的二进制点云局部特征描述算法

针对现有点云局部特征描述算法时效性和紧凑型不能满足实际应用需求的问题,提出一种二进制多层切片距离特征描述算法(B-MSD)。首先在特征点处建立了一种稳健的局部参考坐标系;然后设计了两种多层切片和子区域划分方式并计算平均距离,以提取点云局部三维形状特征;最后通过量化的方法将各子区域计算的平均距离转化为二进制码串,串联所有码串生成最终的二进制描述子。在多个公开点云数据集上与几个经典描述子进行仿真对比,结果表明,在鉴别力更强的基础上,上述算法的紧凑性、计算效率和匹配速度方面综合表现更好。3D目标检测和点云配准应用实验也验证了上述算法的有效性。

基于动态图卷积网络的局部重叠点云配准方法研究

在点云配准工作中,大偏转角和部分重叠的不同视角点云会导致在特定区域没有匹配点对,在位姿匹配中陷入局部最优解,无法求解出最优匹配变换。因此,本文首先通过动态图卷积神经网络构造图卷积结构,强化局部空间拓扑信息提取。然后,利用重叠预测模块对重叠区域进行概率计算,减少非重叠区域带来的影响。最后,在位姿估计模块中利用自注意力机制和姿态编码器增强了全局特征提取和位姿估计的鲁棒性。实验结果表示,在Model Net40数据集上,本文算法在旋转矩阵(R)和平移向量(t)的均方根误差与平均绝对误差指标上值分别为6.457、0.045和3.126、0.034,配准精度优于ICP(Iterative Closest Point,迭代最近邻算法)等方法。同时根据Stanford 3D数据集上的泛化实验可视化结果可知,本文所提算法可作为ICP的初始位置输入,收敛到全局最优。

基于多描述子投票的飞机蒙皮局部扫描点云定位

为了提高数字化飞机蒙皮检测技术的效率,针对其中局部蒙皮和数字模型的对齐问题,提出了基于多描述子投票的飞机蒙皮局部扫描点云定位算法,采用基于测地距离的蒙皮面片选取方法,综合利用多种三维点云描述子的识别能力差异来确定数字模型上的定位区域,同时提出了投票点加权定位法来提高定位位置精度。根据对比实验结果和工程实例上的实际应用,得出结论如下:所提算法相比于基于单一描述子的定位方法定位准确率平均提高约37.5%;所提算法在实际工程中具有可行性。

散乱点云局部点集最小包围盒快速求解算法

提出一种散乱点云局部点集最小包围盒快速求解算法,该算法采用主元分析方法对局部点集进行降维处理,将所降维度方向作为参考轴向,围绕该轴向旋转局部点集坐标系,并求解局部点集在各坐标系下的轴向包围盒,选择体积最小的作为该局部点集的最小包围盒,实例表明该算法在满足最小包围盒求解精度要求的同时,可显著提高算法的运行效率。

点云数据三角网格生成算法及应用

在引入局部Delaunay边和局部Delaunay三角形的基础上,给出一种平面及空间散乱数据点集的三角网格生成的快速算法,实验表明本算法具有运行速度快、计算准确、存储简单等优点.

复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。

番茄非接触式单果质量估测方法

针对目前非离株番茄果实的非接触式单果质量快速估测困难等问题,提出了一种基于局部点云和卷积神经网络的番茄单果质量估测方法。以浙粉702番茄为试验对象,首先通过深度相机采集50个番茄单果的336块原始点云,并增强至1 344块点云用于构建数据集。通过多种点云分割方法比较,选取三维连续卷积神经网络用于番茄单果分割。于分割后的数据提取点云沿x轴轴向尺寸d_(x)、沿y轴轴向尺寸d_(y)、沿z轴轴向尺寸d_(z)和沿z轴投影最小外接圆直径d共4个空间特征信息,并将其馈送到3层回归网络中,用于训练、确定优化器和学习率达到最优状况下的单果质量估测模型。最后,选取268块增强点云对构建的数学模型进行测试,并进行模型准确性和稳定性评估分析。结果表明,与番茄单果实际质量相比,平均偏差3.7~4.8 g,平均相对误差约3.04%,优于传统图像处理方法。该研究可为其他农畜产品的非接触式单果质量估测提供技术参考。

自动钻铆装配误差自动检测与补偿

为解决运载火箭铆接舱体由于自身的装配误差及构件形变误差大,而导致离线编程生成的自动钻铆加工程序中孔位信息无法直接使用,及现有红宝石接触式多点测量效率慢,减低自动钻铆整体效率,无法适应快节奏生产需求问题,按照舱体应用实际工况和测量效率的需求,对装配误差和工件误差的测量提出激光局部点云快速扫描的方法。首先,采用线激光对桁条、端框和中框等舱体构件进行局部关键点特征扫描后得到局部点云信息。其次,利用关键点局部点云信息对非关键点的点云信息采用边际延伸和靶标点拟合的处理方法,实现舱体的装配综合误差的快速测量及数据提取,而后基于点云匹配结果,计算实际钻孔位置与理论钻孔位置偏差,将测量数据补偿到自动钻铆加工孔位程序中。最后,通过实验验证了该处理方法的正确性与可行性,并应用与舱体铆接加工中。实验结果表明,采用激光局部点云测量测量效率较接触式红宝石测量提高近3倍,补偿精度提高40%左右,能够满足运载火箭舱体自动钻铆孔位效率和精度要求。

一种空间圆柱面拟合计算方法

针对工业测量和检测中常常遇到的小角度圆柱面局部范围点云数据的拟合问题,提出一种通过三点共线确定圆柱轴线方向的圆柱初值查找算法,可实现初值的自动查找。通过将初值查找算法得出的初值赋予拟合算法,可以得到包括圆柱面局部点云数据情形在内的多种情形下的圆柱面拟合结果。实验结果验证了该算法的可行性和正确性。

高郁闭度人工林无人机激光雷达单木分割方法优化

【目的】针对高郁闭度林分条件下基于LiDAR点云数据单木分割林木提取困难、总体精度较低等问题,提出一种基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法,为开展无人机LiDAR技术森林资源调查提供技术参考,为提高单木分割总体精度提供新策略。【方法】利用无人机激光雷达数据,采用分水岭算法、基于点云的局部最大值聚类算法和基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法对高郁闭度思茅松人工林进行单木分割,并分析分水岭算法中4种CHM空间分辨率和3种DSM插值方法对单木分割效果的影响,与无人机高分辨率影像单木树冠目视解译结果进行比较,以探测率r、准确率p和F得分为指标对单木分割精度进行验证和评价。【结果】在幼龄林中,冠层起伏率较大,分水岭算法对单层林的分割效果优于基于点云的局部最大值聚类算法;在中龄林和近熟林中,冠层起伏率较小,分水岭算法易将思茅松树枝识别为树冠,基于点云的局部最大值聚类算法的分割效果优于分水岭算法;基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法充分考虑不同龄组的林分结构差异,精度最高(F=0.75),优于分水岭算法(F=0.71)和基于点云的局部最大值聚类算法(F=0.68);在分水岭算法中,当分辨率为0.5 m×0.5 m时采用反距离权重法(IDW)插值得到的CHM单木分割精度最高(r=0.70,p=0.94,F=0.81)。【结论】林分结构存在差异,单一单木分割方法效果欠佳,通过提取样地冠层起伏率确定分水岭算法和基于点云的局部最大值聚类算法单木分割适用的林分条件,可拓宽单一单木分割方法在不同林分条件下的优势,提升单木分割精度。

3-D Reconstruction and Visualization of Laser-Scanned Trees by Weighted Locally Optimal Projection and Accurate Modeling Method

This paper presents a method to reconstruct 3-D models of trees from terrestrial laser scan(TLS)point clouds.This method uses the weighted locally optimal projection(WLOP)and the AdTree method to reconstruct detailed 3-D tree models.To improve its representation accuracy,the WLOP algorithm is introduced to consolidate the point cloud.Its reconstruction accuracy is tested using a dataset of ten trees,and the one-sided Hausdorff distances between the input point clouds and the resulting 3-D models are measured.The experimental results show that the optimal projection modeling method has an average one-sided Hausdorff distance(mean)lower by 30.74%and 6.43%compared with AdTree and AdQSM methods,respectively.Furthermore,it has an average one-sided Hausdorff distance(RMS)lower by 29.95%and 12.28%compared with AdTree and AdQSM methods.Results show that the 3-D model generated fits closely to the input point cloud data and ensures a high geometrical accuracy.