基于力场的点云树木骨架提取方法

树木骨架是树木仿真及建模的基础,笔者根据树木的拓扑原理,直接利用地面激光雷达扫描获得的单木点云数据,提出了一种基于物理学中力场概念的点云数据树木骨架提取方法:首先对点云树木模型运用空间层次剖分的方法进行分层,根据点云的邻域关系建立基于树木特征点的简化表示,然后根据计算点的测地距离对树木特征点进行连接,再运用力场将位于树木表面的骨架连线压缩至树木内部,最后根据骨架夹角阈值对骨架进行顺滑得到最终的树木骨架。研究显示,将该方法分别应用在含笑树和樱花树的骨架提取中效果较好,相比同类算法效率较高。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰,点云密度不均匀,场景复杂多样以及物体之间存在遮挡现象等问题,使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题,提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数,利用核密度估计学习一个密度函数,对非均匀采样的点云数据进行卷积操作。同时,受深度学习在图像领域的启发,引入残差连接、空洞卷积等结构,训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

点云精简的一种方法

重构曲面之前,需要对三维数据点集做精简处理,即在保留特征点的前提下剔除尽可能多的冗余点,这样可以保证后续曲面重构工作的高效进行.本文以样点邻近点与强制中心点切平面的关系,来判断局部空间点的分布情况,从而提供了一种新的数据精简方法.     

基于特征融合的深度学习点云补全算法

由于激光雷达等三维扫描设备分辨率限制、目标间的相互遮挡以及目标表面材质透明等问题,采集到的三维点云数据往往是不完整的.近年来,以数据驱动为主的深度学习方法逐渐被用于解决点云补全问题,然而,现有的点云补全算法致力于补全出原始目标点云的整体拓扑结构而忽略了对于目标点云局部细节位置的恢复.针对这一问题,提出了一种基于特征融合...     

基于改进SRResNet深度学习网络的低照度图像超分辨率重建方法

为解决低照度条件下低分辨率图像的超分辨率重建问题,提出一种基于改进超分辨率残差网络(super-resolution residual networks, SRResNet)深度学习网络的低照度图像超分辨率重建方法。通过将读取的图像下采样、亮度降低等处理生成低照度低分辨率图像,并将该图像与高分辨率图像作为数据对输入学习模型,以便改进SRResNet的训练数据对的生成方式,优化训练过程,从而构建面向单帧低照度彩色图像的基于改进SRResNet训练的超分辨率重建方法。实验结果表明：与现有流行的图像超分辨率重建方法相比,该方法的峰值信噪比(peak signal to noise ratio, PSNR)、结构相似性(structural similarity, SSIM)指标整体为最优,低照度环境下的超分辨率重建图像更为清晰明亮、细节更丰富,该方法训练出的深度学习网络的重建效果更好。     

一种基于深度学习的两段式三维面片过分割方法

为解决三维点云面片分割方法参数多、面片数无法固定、泛化性能差的问题,根据二维深度超像素采样方法(superpixel sampling network, SSN)提出一种两段式深度三维面片过分割方法3DFON。方法前段为深度特征提取网络,后段为允许梯度传递的并行点级别迭代聚类算法。利用综合损失函数对进行网络训练。研究表明,该方法在Shapenet Parts数据集上展示了良好的分割效果与泛化能力,与SLIC(simple linear iterative clustering)算法及面片化算法相比,可免调节参数,且在可达成最大分割精度与欠分割误差这两项指标上具有优势。     

POWERLINE-ALS:一种用于输电线路场景深度学习语义分割的机载LiDAR点云数据集

为实现基于深度学习的输电线路点云精确语义分割,必须建立能够准确反映目标类别特征的点云数据集。但现有数据集无法满足输电线路场景点云语义分割的需要。因此,基于机载LiDAR获取的某地区500 kV超高压输电线路巡检点云数据构建了一套深度学习数据集——POWERLINE-ALS。该数据集包含地线、导线、杆塔、植被、建筑、低矮电力线等6个类别,输电线路长21 km。同时,利用PointNet++、PointCNN、KPConv、SPG、RandLA-Net等5种常用深度学习模型对数据集进行了训练和测试。模型实验结果表明,POWERLINE-ALS能够在目前主流的深度学习模型上应用,具有普适性,其最高测试精度和平均交并比分别达95.31%和82.25%,可以满足实际点云数据语义分割工作的精度要求。     

回转窑点云数据的曲面重建

针对形体较大、形状较规则的回转窑,很难用传统方法对其进行测量,可以采用三维激光扫描技术获取其点云数据,用逆向工程Geomagic软件对点云数据做建模处理,方便后续应用.针对某回转窑,阐述如何用Leica三维激光扫描仪获取其点云数据,然后用逆向工程软件Geomagic实现曲面重建和精度分析的具体过程.     

基于激光点云的树木三维几何建模系统的设计与实现

根据树木的几何拓扑原理,直接利用地面激光扫描仪扫描获得的活立木点云数据,提出了一种基于点云数据的树木三维高精度、真实感的快速重建技术,重点解决了树木骨架点的提取、枝条系统分级重建、模型交互式编辑等关键技术.应用结果表明,基于点云的树木三维几何建模系统能够克服传统树木建模精度低、效率低、形态逼真度差等不足,依据点云数据能快速高效地重建出忠实于现实树木形态结构的三维真实感模型.系统具有良好、灵活的交互性以及较强的实用性,可广泛应用于森林资源管理、精准农业、古树名木管理、园林规划设计等领域.     

基于激光点云的事故车辆曲面重建方法

交通事故分析再现离不开事故车辆曲面模型,变形的车身成了重建的障碍。利用三维激光扫描技术这一新方法快速、高效地获取事故现场激光点云并进行预处理;针对正面碰撞后车身前部保留1/3以上未变形区域的事故车辆,综合车身尺寸、车轮型号等提取用于绘制变形曲面特征点的尺寸基准,根据变形程度划分三个重建区域,按照特征点、特征曲线、曲面的顺序,从未变形区域开始,经由过渡区域至变形区域逐步重建车身前部曲面模型。通过实例重建模型与原车身的偏差分析显示,正偏差均值1.36 cm,负偏差均值-1.14 cm,都较小,同时曲面各处正或负偏差集中于偏差值较小的区间内。表明按本文方法直接利用变形车辆就可重建出具有足够精度的车身曲面模型。该模型经进一步处理后,可用于搭建多刚体—有限元耦合车辆模型。     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型.首先,收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理;其次,引入灰狼算法快速搜索到全局最优深度学习网络的相关参数,并根据最优参数对预处理后的网络流量历史数据进行...     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法

机械臂电机振动信号的采集效果较差,影响时频特性分析过程,导致故障诊断效果与精度较差,为此提出基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法。使用激光多普勒测振技术与小波阈值去噪算法,建立机械臂电机振动信号采集系统,获取并重构故障信号;提取电机振动信号的时域、频域等尺度特征,引入人工神经网络建立一个具备学习能力的故障诊断模型,将提取的机械臂电机故障时域、频域等尺度特征输入诊断模型中,输出分类诊断结果,即可完成机械臂电机故障时频尺度诊断。结果表明：利用该方法开展电机故障诊断时,检测结果与实际电机故障类型之间偏差较小,诊断效果好、精度高。