CN111444927A - 一种应用激光技术的多维形态鉴别动植物有害生物方法 - Google Patents

Abstract

本发明提出了采用激光技术对生物形态进行测距生成初始的多维动植物有害生物形态轮廓点云数据，对初始的多维动植物有害生物形态轮廓点云数据“去噪”，重建精准的多维动植物有害生物形态轮廓点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据；与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属。本方法大大缩短了生物样本多维成型的时间，提高了加涅效率；提高了生物鉴别的准确率，而且具有记忆能力，使用次数越多鉴别速度越快、准确性越高。

Description

一种应用激光技术的多维形态鉴别动植物有害生物方法

技术领域

本发明属于人工智能的生物识别领域，具体涉及一种应用激光技术的多维形态鉴别动植物有害生物方法。

背景技术

物联网、区块链、云计算、大数据等信息技术的发展，为人工智能开辟了许多应用领域，也提出了越来越高的要求，生物特征识别是人工智能极为重要的组成部分，智能鉴别动植物有害生物(有害生物类、杂草类、软体动物类、蜘蛛类、真菌类、线虫类、原核生物类)是生物特征识别极为重要的应用领域。准确、快速、便利等问题都对动植物有害生物鉴别方法的智能化提出了很高要求。目前智能鉴别动植物有害生物方法还处于实验探索阶段，在现有实验探索的方法中，相对成熟的方法是达姆施塔特扫描图像鉴别方法，通过两个半圆形光源提供各个方向的照明，然后用一台板载数码相机来持续采集照片，通过双轴步进马达的旋转，以及机台的往复移动，相机从四面八方进行拍摄，400个不同的空间方向的25000张照片，结合到一起，就形成了一个3D模型。虽然该技术能达到扫描成像，具有数字化、远程性等特性，在动植物有害生物鉴别领域进行了尝试，但是由于达姆施塔特扫描图像鉴别方法存在单个生物样本需要400个不同空间方向拍摄25000张照片，整个过程需要精准定位、多次摆位、多次拍摄，历时数个小时完成，数据量非常大，导致达姆施塔特扫描生物鉴别在目前还只能处于实验阶段，难以进入应用。

发明内容

本发明提出了采用激光技术对生物形态进行测距生成初始的多维动植物有害生物形态轮廓点云数据，对初始的多维动植物有害生物形态轮廓点云数据“去噪”，重建精准的多维动植物有害生物形态轮廓点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据；与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属。

一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：

第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统等处于正常工作状态。

第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；待测有害生物样本根据有害生物的形态特征扫描需要，对待测有害生物样本进行扫描前处理，保证形态特征清晰、完整。

第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；对于动植物有害生物的“去噪”有卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法。

第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；对于动植物有害生物的分割有马尔可夫模型算法的分割算法、法线矢量及一致化算法。

第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索通过采取基于卷积神经网络算法、启发算法。待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成。

第六步：记忆提高鉴别速度、准确性；即通过每次对这次天牛样本的鉴定所获得的多维有害生物形态轮廓点云数据与输出的结果，会记录在有害生物数据库中，因此再次鉴别未知有害生物为天牛时，会在计算过程中省去部分卷积神经网络重复运算的过程，提高了鉴别的速度，除此以外有害生物数据库也能升级了标准的原始标准数据，提高了鉴别的准确率；因此，机器学习、训练具有记忆能力，用户的每次使用都会形成记忆，当下一次使用时就会快速与历史数据进行比对，使用次数越多、记忆越多，鉴别速度就会越快、准确性就会越高。

待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成；

PointNet通过对称方法来解决点云存在的无序性问题；PointNet++中使用的对称方法概括如下：

f({x₁，x₂，…x_n})≈g(h(x₁)，h(x₂)，…h(x_n))

式中,f是全局特征的提取函数,h是每一个点的特征提取函数,g是PointNet使用的对称函数max-pooling；

在对n个点进行卷积等操作后，生成n*1024维的特征矩阵，在PointNet中也就是1024个1024维的全局特征，通过使用最大池化法对每个维度求其最大值，这样就解决了点云的无序性问题；当特征维数足够大时，最大池化可以模拟任意对称函数。

本发明具有如下有益效果：

本方法不需要精准定位、多次摆位、多次拍摄大量的照片，只通过激光在动植物有害生物样本上非接触式的通过激光扫描一遍就可以获取大量的多维动植物有害生物形态轮廓点云数据，操作便利性强，大大缩短了生物样本多维成型的时间，提高了加涅效率；同时，本方法是根据检索表对动植物有害生物的局部形态特征点云数据(有害生物获得有害生物头部触角、口器，胸部翅、足，腹部性器等关键局部特征；杂草获得杂草籽的形状、大小、脐条、颖片、表面光滑与凸起等关键局部特征)针对性地进行对比、鉴别，纳米精度的扫描提供大量的生物形态电子点云数据，提高了生物鉴别的准确率，而且具有记忆能力，使用次数越多鉴别速度越快、准确性越高。极大地扩展了激光技术和人工智能在农业、执法、决策、科研、教育培训等动植物有害生物相关领域应用

附图说明

图1示意了本发明实现的流程。

图2示意了线激光技术扫描数据采集示意图。

图3示意了结构光技术扫描数据采集示意图。

图4示意了系统连接图。

图5示意了去噪后的效果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种应用激光技术的多维形态鉴别动植物有害生物方法。该方法采用非接触式的激光扫描成像技术，激光扫描成像技术是基于三角法的一项多维成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过CCD、CMOS等感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始多维动植物有害生物形态轮廓点云数据，通过机器学习、训练对初始多维动植物有害生物形态轮廓点云数据进行“去噪”，重建精准的多维动植物有害生物形态轮廓点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据(有害生物的头部特征、有害生物的口器特征、杂草籽的脐条、杂草籽的颖片)，与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属，并具有记忆能力，使用次数越多鉴别速度越快、准确性越高。

实施例1

本发明的技术方案是一种应用激光技术的多维形态鉴别动植物有害生物方法同时具备深度学习能力的方法。该方法采用非接触式的激光扫描成像技术，激光扫描成像技术是基于三角法的一项多维成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过CCD、CMOS等感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据，通过机器学习、训练对初始生物形态多维轮廓电子点云数据进行“去噪”，重建精准的生物形态多维轮廓电子点云数据，拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据(有害生物获得有害生物头部触角、口器，胸部翅、足，腹部性器等关键局部特征；杂草获得杂草籽的形状、大小、脐条、颖片、表面光滑与凸起等关键局部特征)，与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，确定动植物有害生物种属，并具有记忆能力，使用次数越多鉴别速度越快、准确性越高：用激光扫描设备对待测动植物有害生物样本进行扫描采集初始多维动植物有害生物形态轮廓点云数据，采用基于tensorflow和pointnet++自主研发的算法对采集的待测动植物有害生物样本初始多维动植物有害生物形态轮廓点云数据进行机器学习、训练，“去噪”重建精准的多维动植物有害生物形态轮廓点云数据，然后继续重复地拆分精准的多维动植物有害生物形态轮廓点云数据获得基于有害生物检索表获得对于动植物有害生物区分的局部形态特征点云数据(有害生物获得有害生物头部触角、口器，胸部翅、足，腹部性器等关键局部特征；杂草获得杂草籽的形状、大小、脐条、颖片、表面光滑与凸起等关键局部特征)，与预先训练好的有害生物检索表中对于对应的形态特征标准点云数据库进行比对、分类检索，鉴别出动植物有害生物种属。对于扫描、深度学习鉴别过的动植物有害生物，具有记忆能力，使用次数越多识别速度越快、准确率越高。

动植物有害生物可包括有害生物类、杂草类、螨类、软体动物类、真菌类、线虫类、原核生物类。具体步骤如下阿(为了便于介绍，以有害生物类中的天牛的鉴别方法为例)：

第一步：开启激光扫描有关设备预热，检查设备、网络、软件系统等。

将激光扫描设备、电脑进行开机预热，检查激光扫描设备、电脑、网络、软件系统等，保持硬件设备、网络、软件系统等处于正常工作状态。

第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维有害生物形态轮廓点云数据。

根据有害生物的形态特征扫描需要，对待测有害生物样本进行扫描前处理，保证形态特征清晰、完整。将处理好的待测有害生物样本放置在激光扫描设备扫描样本托盘内或支架上。

启动激光扫描设备进行扫描，利用激光扫描设备发射出激光射到待测有害生物样本表面，由于有害生物表面能反射光，因此当激光射到有害生物样本表面的时候会产生反射效应，再由光接收传感器接收到反射的激光数据，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测有害生物样本表面多个测试点到发射器之间的相对距离，利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据，形成初始多维有害生物形态轮廓点云数据。

第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据。

待测样本初始多维有害生物形态轮廓点云数据会受到“噪音干扰”，需要“去噪”，对于动植物有害生物的“去噪”有卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法，而对于多维有害生物形态轮廓点云数据的“去噪”，采用了高斯滤波算法：

高斯函数可以写成可分离的形式，因此，可以采用可分离滤波器实现来加速。所谓的可分离滤波器，就是可以把多维的卷积化成多个一维卷积。具体到二维的高斯滤波，就是指先对行做一维卷积，再对列做一维卷积。这样就可以将计算复杂度从O(M*M*N*N)降到O(2*M*M*N)，M，N分别是图像和滤波器的窗口大小

其中*表示卷积操作；Gσ是标准差为σ的二维高斯核,定义为:

利用以上算法针对待测样本多维有害生物形态轮廓点云数据中无序或散乱点云数据的“噪声”点云数据进行“去噪”处理，输出的结果为没有噪点的精准多维有害生物形态轮廓点云数据。

第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据。

对于动植物有害生物的分割有马尔可夫模型算法的分割算法、法线矢量及一致化算法，曲面片分割算法而对于多维有害生物形态轮廓点云数据的分割，采用了马尔可夫模型算法的分割算法：

基于马尔可夫模型算法的分割算法，拆分没有噪点的精准的多维有害生物形态轮廓点云数据，获得待测有害生物样本精准的多维有害生物脚部特征、多维有害生物腹部特征、多维有害生物头部特征、多维有害生物口器特征等具有标志性的局部多维有害生物形态轮廓点云数据，分别提取Haris关键点，采用SHOT特征描述子描述关键点，计算所有分割后获得的局部多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的欧式距离并排序初步配对，采用RANSAC筛选得到多维有害生物脚部特征、多维有害生物腹部特征、多维有害生物头部特征、多维有害生物口器特征等具有标志性的局部多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的匹配关键点对，通过多维有害生物形态轮廓电子点云数据与基于有害生物检索表预先训练好的有害生物数据库的相似性度量识别有害生物的种属，根据多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的匹配点对可以采用四元数法计算出旋转矩阵，从而可以识别待测有害生物的类型。

本文提出了基于马尔可夫模型算法分割算法，算法步骤如下：

1)将三维点云P降维投影到XOY平面得到二维平面图G：

G(u，v)＝max{z|x＝u，y＝v，(x，y，z)∈P}

2)找G中z值最低点Zmim＝min(G)，将三维点云中高度比Zmim低的点影到XOY到图G1：

G₁(u，υ)＝max{z|x＝u，y＝v，z≤Z_min，(x，y，z)∈P}

3)对图G1进行霍夫变换提取最长的直线L：

L＝max{line|line∈Hough(G₁)}

L为有害生物各部位的边界线；

4)记录图G1中垂直于L方向上最长的点云距离记为width：

width＝max{line|line⊥L，line∈G₁}；

5)从高度为z值开始往上，每隔0.1m记录该层点云PC中垂线于直线L的最长距离w：

w＝max{line|line⊥L，line∈P_c}

6)若a*width＜w＜β·width，则跳到步骤5)，否则跳到步骤7)：

7)记录此时的高度Zs，以Zs为分割面，将多维有害生物形态轮廓点云数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4等局部形态特征的多维轮廓点云数据：

T(x，y，z)＝{(x，y，z)|z＞Z_s，(x，y，z)∈P}，

B(x，y，z)＝{(x，y，z)|z≤Z_s，(x，y，z)∈P}

关于对多维有害生物形态轮廓电子点云数据分割特征后，分别提取多维有害生物形态轮廓点云有害生物数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4等局部形态特征的多维轮廓点云数据的Hams关键点，关键点个数为K，采用SHOT特征描述子描述关键点，计算多维有害生物形态轮廓点云数据的距离并步配基于有害生物检索表预先训练好的数据库，采用RANSAC筛选得到最终的匹配点对数M，计算多维有害生物形态轮廓点云数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4等局部形态特征的多维轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库中的某种有害生物点云数据相似，但是第一次的识别所得到的结果不一定达到输出的要求，因此再进入卷积神经网络进行深度识别学习。

对待测样本精准多维有害生物形态轮廓点云数据先进行分割，然后切面，然后通过八叉树进行结构化点云数据，分类，然后联合，提取待测样本多维有害生物形态轮廓点云数据。

第五步待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，然后采取基于卷积神经网络算法、启发算法，将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习。基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果，整个流程是基于tensorflow和pointnet++来完成。pointnet++用于点云识别和分割的神经网络。PointNet通过对称方法来解决点云存在的无序性问题。PointNet++中使用的对称方法概括如下：

f({x₁，x₂，…x_n})≈g(h(x₁)，h(x₂)，…h(x_n))

式中，f是全局特征的提取函数，h是每一个点的特征提取函数，g是PointNet使用的对称函数max-pooling。

在对n个点进行卷积等操作后，生成n*1024维的特征矩阵，在PointNet中也就是1024个1024维的全局特征，通过使用最大池化法对每个维度求其最大值，这样就解决了点云的无序性问题。当特征维数足够大时，最大池化可以模拟任意对称函数。

卷积神经网络，是对提取后的特征进行多次重复的学习，达到深度学习的目的。其能够在即使特征有位移或轻微变形的时候，也能完成准确鉴别，能达到鉴别的效果更优，提高鉴别的准确率。

启发算法对比对结果进行验证。然后输出结果，当鉴定的准确率达到一定的程度后，就会输出鉴别结果，如天牛97.8％。

第六步；记忆提高鉴别速度、准确性。即通过每次对这次天牛样本的鉴定所获得的多维有害生物形态轮廓点云数据与输出的结果，会记录在有害生物数据库中，因此再次鉴别未知有害生物为天牛时，会在计算过程中省去部分卷积神经网络重复运算的过程，提高了鉴别的速度，除此以外有害生物数据库也能升级了标准的原始标准数据，提高了鉴别的准确率。因此，机器学习、训练具有记忆能力，用户的每次使用都会形成记忆，当下一次使用时就会快速与历史数据进行比对，使用次数越多、记忆越多，鉴别速度就会越快、准确性就会越高。

该方法改变目前操作难度大、低效率的多次生物形态成像技术鉴别动植物有害生物的做法，提高了动植物有害生物鉴别准确率、操作便利性、鉴别工作效率和智能化能力，降低了鉴别动植物有害生物专业技术要求依赖和工作难度，减少了重复性工作，节约了综合成本，更符合市场需要，是一种具有广泛应用前景的鉴别动植物有害生物智能方法。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：

第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统等处于正常工作状态；

第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；

第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；

第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；

第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。

2.根据权利要求1所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，增加第六步：记忆提高鉴别速度、准确性；即通过每次对这次天牛样本的鉴定所获得的多维有害生物形态轮廓点云数据与输出的结果，会记录在有害生物数据库中，因此再次鉴别未知有害生物为天牛时，会在计算过程中省去部分卷积神经网络重复运算的过程，提高了鉴别的速度，除此以外有害生物数据库也能升级了标准的原始标准数据，提高了鉴别的准确率；因此，机器学习、训练具有记忆能力，用户的每次使用都会形成记忆，当下一次使用时就会快速与历史数据进行比对，使用次数越多、记忆越多，鉴别速度就会越快、准确性就会越高。

3.根据权利要求1或2所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述的第二步中待测有害生物样本根据有害生物的形态特征扫描需要，对待测有害生物样本进行扫描前处理，保证形态特征清晰、完整。

4.根据权利要求1或2所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述的第三步中对于动植物有害生物的“去噪”有卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法。

5.根据权利要求1或2所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述的第四步中对于动植物有害生物的分割有马尔可夫模型算法的分割算法、法线矢量及一致化算法。

6.根据权利要求1或2所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述第五步中待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索通过采取基于卷积神经网络算法、启发算法。

7.根据权利要求1所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述第五步中待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成。

8.根据权利要求7所述的一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，所述待测有害生物样本多维有害生物形态轮廓点云数据进行与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索整个流程是基于tensorflow和pointnet++来完成；

PointNet通过对称方法来解决点云存在的无序性问题；PointNet++中使用的对称方法概括如下：

f({x₁，x₂，…x_n})≈g(h(x₁)，h(x₂)，…h(x_n))

式中,f是全局特征的提取函数,h是每一个点的特征提取函数,g是PointNet使用的对称函数max-pooling；

在对n个点进行卷积等操作后，生成n*1024维的特征矩阵，在PointNet中也就是1024个1024维的全局特征，通过使用最大池化法对每个维度求其最大值，这样就解决了点云的无序性问题；当特征维数足够大时，最大池化可以模拟任意对称函数。

Images