CN115049946A - 一种基于点云变换的麦田生长状态判别方法与装置 - Google Patents

一种基于点云变换的麦田生长状态判别方法与装置 Download PDF

Info

Publication number
CN115049946A
CN115049946A CN202210658129.6A CN202210658129A CN115049946A CN 115049946 A CN115049946 A CN 115049946A CN 202210658129 A CN202210658129 A CN 202210658129A CN 115049946 A CN115049946 A CN 115049946A
Authority
CN
China
Prior art keywords
point cloud
wheat field
transformation
signal
characteristic signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210658129.6A
Other languages
English (en)
Other versions
CN115049946B (zh
Inventor
杨宝华
崔强
周帅军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202210658129.6A priority Critical patent/CN115049946B/zh
Publication of CN115049946A publication Critical patent/CN115049946A/zh
Application granted granted Critical
Publication of CN115049946B publication Critical patent/CN115049946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Abstract

本发明公开了一种基于点云变换的麦田生长状态判别方法与装置，该方法包括：1、获取麦田无人机图像数据，其中，麦田无人机图像数据用于获取麦田原始点云；2、基于麦田原始点云进行预处理，得到麦田归一化点云；3、基于麦田归一化点云进行连续不同高度的点云个数统计，得到麦田点云高度信号；4、基于变分模态分解以及格拉姆变换方法，对麦田点云高度信号进行图像化，得到点云变换图像；5、基于点云变换图像构建深度学习识别模型，并用于判别麦田生长状态。本发明能够有效提取麦田点云高度信息，从而能提高对麦田生长状态判别的精准性。

Description

一种基于点云变换的麦田生长状态判别方法与装置
技术领域
本发明涉及作物表性分析及图像处理领域，具体而言，涉及一种基于点云变换的麦田生长状态判别方法与装置。
背景技术
目前麦田生长状态判别包括基于人工测量、基于光学遥感以及基于点云数据。其中，传统人工测量麦田生长状态的方式工作量大、耗时长并且难以获取较大范围的麦田生长状态。另外，基于传统光学遥感的方式只能提供麦田冠层表面的光谱和纹理特征，对于提取麦田生长状态信息仍存在一定的局限性。相比之下，点云数据能够同时获取麦田的水平和垂直两个维度的信息，可以有效反映出麦田生长状态信息。但是点云为散乱数据，没有具体的拓扑结构，且计算量较大，难以进行直接处理。另外，一维点云信号所具有的信息相对单一，缺乏深层次的点云信息。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于点云变换的麦田生长状态判别方法与装置，以期能降低点云处理的难度与复杂度和挖掘更深层次的点云信息，从而能快速、精准对麦田生长状态进行判别。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于点云变换的麦田生长状态判别方法的特点在于，包括以下步骤：
步骤1、获取a个麦田小区的麦田无人机图像数据；
步骤2、根据所述麦田无人机图像数据获取各个麦田小区的麦田原始点云；
步骤3、对各个麦田小区的麦田原始点云进行预处理，得到每个麦田小区的麦田归一化点云；
步骤4、根据所述麦田归一化点云进行连续不同高度的点云个数统计，得到每个麦田小区的麦田点云高度信号；
步骤5、基于变分模态分解以及格拉姆变换方法，对所述麦田点云高度信号进行图像化处理，得到每个麦田小区的点云变换图像；
步骤6、利用深度学习模型对所述点云变换图像进行训练、验证和测试，得到麦田生长状态判别模型，并用于判别麦田生长状态。
本发明所述的基于点云变换的麦田生长状态判别方法的特点也在于，所述步骤3包括：
步骤3.1、对所述麦田原始点云进行去噪处理，并得到去噪后的麦田原始点云；
步骤3.2、利用滤波方法获取所述去燥后的麦田原始点云的地面点，从而得到麦田数字高程模型；
步骤3.3、将去噪后的麦田原始点云与所述麦田数字高程模型相减后，得到麦田归一化点云。
所述步骤4包括：
步骤4.1、对所述麦田归一化点云进行z值统计，得到麦田归一化点云中每个点的高度值；
步骤4.2、将所述麦田归一化点云中高度值区间进行划分，得到为b个连续高度区间；
步骤4.3、根据所述b个连续高度区间进行点云个数统计，得到麦田点云高度信号。
所述步骤5包括：
步骤5.1、将所述麦田点云高度信号进行归一化处理，得到一条归一化特征信号；
步骤5.2、对所述归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure BDA0003689227170000021
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
步骤5.3、将3k条分解特征信号按照以下情况进行处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure BDA0003689227170000022
直接获得3条变换特征信号
Figure BDA0003689227170000023
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(1)对3k条分解特征信号
Figure BDA0003689227170000024
进行处理，获得3条变换特征信号
Figure BDA0003689227170000025
Figure BDA0003689227170000026
当k≥3时，利用式(2)对3k条分解特征信号
Figure BDA0003689227170000027
进行处理，获得3条变换特征信号
Figure BDA0003689227170000028
Figure BDA0003689227170000029
步骤5.4、将3条变换特征信号
Figure BDA00036892271700000210
分别进行转置后，并相应与3条变换特征信号
Figure BDA00036892271700000211
相乘，从而得到3个格拉姆矩阵用于表示点云变换图像，其中，每个格拉姆矩阵分别对应点云变换图像中R、G、B三个通道中的一个通道。
本发明一种基于点云变换的麦田生长状态判别装置的特点在于，包括：点云获取单元，点云预处理单元，信号提取单元，信号变换单元，生长状态判别单元，其中，
所述点云获取单元，用于根据麦田的无人机图像，获取麦田的原始点云；
所述点云预处理单元，将所述麦田的点云输入点云预处理模块，获取麦田归一化点云；
所述信号提取单元，用于将所述麦田归一化点云进行连续不同高度的点云个数统计，获取麦田的点云高度信号；
所述信号变换单元，用于基于变分模态分解以及格拉姆变换方法，对所述麦田的点云高度信号进行图像化，得到麦田的点云变换图像；
所述生长状态判别单元，用于构建深度学习生长状态判别模型，对所述麦田的点云变换图像进行模型训练、验证和测试，获取麦田生长状态结果。
本发明所述的装置的特点也在于，所述信号变换单元包括以下步骤：
将所述待识别麦田的点云高度信号进行归一化处理，得到一条归一化特征信号；
对所述归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure BDA0003689227170000031
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
将所述3k条长度为n的分解特征信号进行以下分情况处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure BDA0003689227170000032
直接获得3条变换特征信号
Figure BDA0003689227170000033
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(3)对3k条分解特征信号
Figure BDA0003689227170000034
进行处理，获得3条变换特征信号
Figure BDA0003689227170000035
Figure BDA0003689227170000036
当k≥3时，利用式(4)对3k条分解特征信号
Figure BDA0003689227170000037
进行处理，获得3条变换特征信号
Figure BDA0003689227170000038
Figure BDA0003689227170000041
将所述3条变换特征信号分别进行转置，并与3条原变换特征信号相乘，得到3个格拉姆矩阵，分别对应R、G、B共三个通道，获得点云变换图像。
与现有技术相比，本发明的有益效果在于：
1、本发明通过麦田点云变换方法达到了降低点云处理的难度与复杂度和挖掘更深层次的信息的目的，进而解决了点云数据计算量较大，难以进行直接处理的问题，从而能快速、精准对麦田生长状态进行判别。
2、针对受麦田地形起伏的影响，获得的原始点云具有高程偏差问题，本发明通过对原始点云进行预处理，克服了原始点云具有高程偏差的问题，从而获得归一化点云数据，为麦田点云变换提供了数据基础，达到了提高麦田生长状态判别精度的效果。
3、本发明通过对麦田点云高度信号进行变分模态分解以及格拉姆变换，充分利用了变分模态分解信号的深层信息，并将其信息进行格拉姆变换，进而融合到点云变化图像中，克服了一维点云信号所具有的信息相对匮乏的问题，达到了提高麦田生长状态判别精度的效果。
4、本发明通过变分模态分解以及格拉姆变换方法，对麦田点云高度信号进行图像化处理，得到每个麦田小区的点云变换图像，同时，基于点云变换图像对深度学习识别模型进行训练，得到麦田生长状态判别模型，从而实现了麦田生长状态快速、准确判别。
附图说明
图1为本发明中的一种基于点云变换的麦田生长状态判别方法的流程图；
图2为本发明中的基于MobileNetV2的麦田生长状态判别效果图；
图3为本发明中的一种基于点云变换的麦田生长状态判别装置的示意图。
具体实施方式
本实施例中，参照图1，一种基于点云变换的麦田生长状态判别方法是按如下步骤进行：
步骤1，获取a个麦田小区的麦田无人机图像数据；
本实施例中，研究区中定义3.8m×7.8m的麦田小区为麦田样地，共判别260个麦田样地，另外，研究区共获取了98张无人机图像。
步骤2，根据麦田无人机图像数据获取各个麦田小区的麦田原始点云；
本实施例中，通过输入98张无人机图像相应的位置、姿态和特征点信息，还原出相应的图像特征点的空间位置信息，由此产生研究区的麦田原始点云，并结合每块样地的位置信息进行切割获得260个长×宽为3.8m×7.8m的麦田样地点云。
步骤3，对麦田原始点云进行预处理，得到麦田归一化点云；
步骤3.1，对麦田原始点云进行去噪处理，并得到去噪后的麦田原始点云；
步骤3.2，利用滤波方法获取去燥后的麦田原始点云的地面点，从而得到麦田数字高程模型；
步骤3.3，将去噪后的麦田原始点云与麦田数字高程模型相减后，得到麦田归一化点云。
在本实施例中，受麦田地形起伏的影响，获得的原始点云具有高程偏差问题，为此，有必要对获取的研究区域原始点云进行归一化处理，从而获得归一化点云数据，为麦田点云降维提供数据基础，旨在提高麦田倒伏程度判断的精度，其中，对原始点云进行归一化处理的步骤包括去噪处理、提取地面点、DEM生成以及归一化点云生成。
首先，求取全局点云距离分布，依次判断每个采样点与其邻域的距离是否满足阈值，如果一个采样点与其领域的距离大于阈值，该点将被视为噪声并被移除；
然后，基于过绿指数颜色阈值将图像中地面和非地面进行分离，且阈值设为0.0729，采用克里金插值法对提取的地面点进行插值拟合获得研究区的DEM；
最后，将去除噪声的研究区点云与研究区DEM进行高程相减，得到不含地形的点云数据为归一化点云数据。
步骤4，根据麦田归一化点云进行连续不同高度的点云个数统计，得到每个麦田小区的麦田点云高度信号；
步骤4.1、对麦田归一化点云进行z值统计，得到麦田归一化点云中每个点的高度值；
步骤4.2、将麦田归一化点云中高度值区间进行划分，得到为b个连续高度区间；
步骤4.3、根据b个连续高度区间进行点云个数统计，得到麦田点云高度信号。
在本实施例中，对260个归一化麦田样地点云分别进行连续不同高度的点云个数统计，其中，将高度区间设为300个区间，因此，获得了260个长度为300的点云高度信号。
步骤5，基于变分模态分解以及格拉姆变换方法，对麦田点云高度信号进行图像化处理，得到每个麦田小区的点云变换图像；
步骤5.1，将麦田点云高度信号进行归一化处理，得到一条归一化特征信号；
步骤5.2，对归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure BDA0003689227170000051
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
步骤5.3，将3k条分解特征信号按照以下情况进行处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure BDA0003689227170000052
直接获得3条变换特征信号
Figure BDA0003689227170000053
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(1)对3k条分解特征信号
Figure BDA0003689227170000061
进行处理，获得3条变换特征信号
Figure BDA0003689227170000062
Figure BDA0003689227170000063
当k≥3时，利用式(2)对3k条分解特征信号
Figure BDA0003689227170000064
进行处理，获得3条变换特征信号
Figure BDA0003689227170000065
Figure BDA0003689227170000066
步骤5.4，将3条变换特征信号分别进行转置后，并相应与3条变换特征信号相乘，从而得到3个格拉姆矩阵用于表示点云变换图像，其中，每个格拉姆矩阵分别对应点云变换图像中R、G、B三个通道中的一个通道。
在本实施例中，首先，对获得260个的麦田样地点云高度信号进行归一化处理，得到260条归一化特征信号；其次，对260条归一化特征信号分别进行变分模态分解，旨在提取分解深层信息，得到3k条长度为300的分解特征信号，其中，将k设为2，获得6条长度为300的分解特征信号；然后，将6条分解特征信号进行变换获得3条变换特征信号；最后，将3条变换特征信号分别进行转置后，并相应与3条变换特征信号相乘，从而得到3个格拉姆矩阵用于表示点云变换图像，共获得了260个点云变换图像，其中，每个格拉姆矩阵分别对应点云变换图像中R、G、B三个通道中的一个通道；该方法降低了点云处理的难度与复杂度，同时挖掘了更深层次的点云信息。
步骤6，利用深度学习模型对点云变换图像进行训练、验证和测试，得到麦田生长状态判别模型，并用于判别麦田生长状态；
本实施例中，将点云变换图像尺寸调整为224×224×3，并使用随机多角度旋转方式对对260个点云变换图像进行数据扩增，以划分比例为16:4:5分成训练集、验证集、测试集从而构建点云变换图像数据集；另外，以点云变换图像为实验数据，构建了基于MobileNetV2模型的麦田生长状态判别模型，用于判别麦田是否发生倒伏，图2为基于MobileNetV2麦田生长状态判别效果图。
参照图3，本实施例中，一种基于点云变换的麦田生长状态判别装置包括：点云获取单元，点云预处理单元，信号提取单元，信号变换单元和生长状态判别单元；
点云获取单元，用于根据麦田的无人机图像，获取麦田的原始点云；
点云预处理单元，用于将麦田的点云输入点云预处理模块，获取麦田归一化点云；
信号提取单元，用于将麦田归一化点云进行连续不同高度的点云个数统计，获取麦田的点云高度信号；
信号变换单元，用于基于变分模态分解以及格拉姆变换方法，对麦田的点云高度信号进行图像化，得到麦田的点云变换图像；
具体实施中，信号变换单元包括以下步骤：
将待识别麦田的点云高度信号进行归一化处理，得到一条归一化特征信号；
对归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure BDA0003689227170000071
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
将3k条长度为n的分解特征信号进行以下分情况处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure BDA0003689227170000072
直接获得3条变换特征信号
Figure BDA0003689227170000073
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(1)对3k条分解特征信号
Figure BDA0003689227170000074
进行处理，获得3条变换特征信号
Figure BDA0003689227170000075
当k≥3时，利用式(2)对3k条分解特征信号
Figure BDA0003689227170000076
进行处理，获得3条变换特征信号
Figure BDA0003689227170000077
将3条变换特征信号分别进行转置，并与3条原变换特征信号相乘，得到3个格拉姆矩阵，分别对应R、G、B共三个通道，获得点云变换图像。
生长状态判别单元，用于构建深度学习生长状态判别模型，对麦田的点云变换图像进行模型训练、验证和测试，获取麦田生长状态结果，从而达到了降低点云处理的难度与复杂度以及挖掘更深层次点云信息的目的，从而实现了麦田生长状态快速、准确判别的效果。

Claims (6)

1.一种基于点云变换的麦田生长状态判别方法，其特征在于，包括以下步骤：
步骤1、获取a个麦田小区的麦田无人机图像数据；
步骤2、根据所述麦田无人机图像数据获取各个麦田小区的麦田原始点云；
步骤3、对各个麦田小区的麦田原始点云进行预处理，得到每个麦田小区的麦田归一化点云；
步骤4、根据所述麦田归一化点云进行连续不同高度的点云个数统计，得到每个麦田小区的麦田点云高度信号；
步骤5、基于变分模态分解以及格拉姆变换方法，对所述麦田点云高度信号进行图像化处理，得到每个麦田小区的点云变换图像；
步骤6、利用深度学习模型对所述点云变换图像进行训练、验证和测试，得到麦田生长状态判别模型，并用于判别麦田生长状态。
2.根据权利要求1所述的基于点云变换的麦田生长状态判别方法，其特征在于，所述步骤3包括：
步骤3.1、对所述麦田原始点云进行去噪处理，并得到去噪后的麦田原始点云；
步骤3.2、利用滤波方法获取所述去燥后的麦田原始点云的地面点，从而得到麦田数字高程模型；
步骤3.3、将去噪后的麦田原始点云与所述麦田数字高程模型相减后，得到麦田归一化点云。
3.根据权利要求1所述的基于点云变换的麦田生长状态判别方法，其特征在于，所述步骤4包括：
步骤4.1、对所述麦田归一化点云进行z值统计，得到麦田归一化点云中每个点的高度值；
步骤4.2、将所述麦田归一化点云中高度值区间进行划分，得到为b个连续高度区间；
步骤4.3、根据所述b个连续高度区间进行点云个数统计，得到麦田点云高度信号。
4.根据权利要求1所述的基于点云变换的麦田生长状态判别方法，其特征在于，所述步骤5包括：
步骤5.1、将所述麦田点云高度信号进行归一化处理，得到一条归一化特征信号；
步骤5.2、对所述归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure FDA0003689227160000011
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
步骤5.3、将3k条分解特征信号按照以下情况进行处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure FDA0003689227160000012
直接获得3条变换特征信号
Figure FDA0003689227160000013
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(1)对3k条分解特征信号
Figure FDA0003689227160000021
进行处理，获得3条变换特征信号
Figure FDA0003689227160000022
Figure FDA0003689227160000023
当k≥3时，利用式(2)对3k条分解特征信号
Figure FDA0003689227160000024
进行处理，获得3条变换特征信号
Figure FDA0003689227160000025
Figure FDA0003689227160000026
步骤5.4、将3条变换特征信号
Figure FDA0003689227160000027
分别进行转置后，并相应与3条变换特征信号
Figure FDA0003689227160000028
相乘，从而得到3个格拉姆矩阵用于表示点云变换图像，其中，每个格拉姆矩阵分别对应点云变换图像中R、G、B三个通道中的一个通道。
5.一种基于点云变换的麦田生长状态判别装置，其特征在于，包括：点云获取单元，点云预处理单元，信号提取单元，信号变换单元，生长状态判别单元，其中，
所述点云获取单元，用于根据麦田的无人机图像，获取麦田的原始点云；
所述点云预处理单元，将所述麦田的点云输入点云预处理模块，获取麦田归一化点云；
所述信号提取单元，用于将所述麦田归一化点云进行连续不同高度的点云个数统计，获取麦田的点云高度信号；
所述信号变换单元，用于基于变分模态分解以及格拉姆变换方法，对所述麦田的点云高度信号进行图像化，得到麦田的点云变换图像；
所述生长状态判别单元，用于构建深度学习生长状态判别模型，对所述麦田的点云变换图像进行模型训练、验证和测试，获取麦田生长状态结果。
6.根据权利要求4所述的装置，其特征在于，所述信号变换单元包括以下步骤：
将所述待识别麦田的点云高度信号进行归一化处理，得到一条归一化特征信号；
对所述归一化特征信号进行变分模态分解，获得3k条长度为n的分解特征信号
Figure FDA0003689227160000031
CH1i-CH3ki表示3k条分解特征信号中的第i个信号值，k取正整数；
将所述3k条长度为n的分解特征信号进行以下分情况处理，得到3条变换特征信号；
当k＝1时，由3k条分解特征信号
Figure FDA0003689227160000032
直接获得3条变换特征信号
Figure FDA0003689227160000033
其中，I1i-I3i表示3条变换特征信号中的第i个信号值；
当k＝2时，利用式(3)对3k条分解特征信号
Figure FDA0003689227160000034
进行处理，获得3条变换特征信号
Figure FDA0003689227160000035
Figure FDA0003689227160000036
当k≥3时，利用式(4)对3k条分解特征信号
Figure FDA0003689227160000037
进行处理，获得3条变换特征信号
Figure FDA0003689227160000038
Figure FDA0003689227160000039
将所述3条变换特征信号分别进行转置，并与3条原变换特征信号相乘，得到3个格拉姆矩阵，分别对应R、G、B共三个通道，获得点云变换图像。
CN202210658129.6A 2022-06-10 2022-06-10 一种基于点云变换的麦田生长状态判别方法与装置 Active CN115049946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210658129.6A CN115049946B (zh) 2022-06-10 2022-06-10 一种基于点云变换的麦田生长状态判别方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210658129.6A CN115049946B (zh) 2022-06-10 2022-06-10 一种基于点云变换的麦田生长状态判别方法与装置

Publications (2)

Publication Number Publication Date
CN115049946A true CN115049946A (zh) 2022-09-13
CN115049946B CN115049946B (zh) 2023-09-26

Family

ID=83161928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658129.6A Active CN115049946B (zh) 2022-06-10 2022-06-10 一种基于点云变换的麦田生长状态判别方法与装置

Country Status (1)

Country Link
CN (1) CN115049946B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279980A (zh) * 2013-05-08 2013-09-04 西安理工大学 基于点云数据的树叶建模方法
CN109389671A (zh) * 2018-09-25 2019-02-26 南京大学 一种基于多阶段神经网络的单图像三维重建方法
US20190114798A1 (en) * 2017-10-17 2019-04-18 AI Incorporated Methods for finding the perimeter of a place using observed coordinates
CN111843505A (zh) * 2020-07-16 2020-10-30 武汉数字化设计与制造创新中心有限公司 现场机器人在位测量-铣磨修复一体化工艺方法与系统
US20210263500A1 (en) * 2013-10-16 2021-08-26 Protolabs, Inc. Methods and software for manufacturing a discrete object from an additively manufactured body of material including a precursor to a discrete object and a reference feature(s)
CN113538680A (zh) * 2021-06-10 2021-10-22 无锡中车时代智能装备有限公司 基于双目光度立体视觉的三维测量方法及设备
WO2021254019A1 (zh) * 2020-06-17 2021-12-23 北京京东乾石科技有限公司 协同构建点云地图的方法、设备和系统
CN114419412A (zh) * 2022-03-31 2022-04-29 江西财经大学 一种用于点云配准的多模态特征融合方法与系统
US20230075442A1 (en) * 2020-06-05 2023-03-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Point cloud compression method, encoder, decoder, and storage medium

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279980A (zh) * 2013-05-08 2013-09-04 西安理工大学 基于点云数据的树叶建模方法
US20210263500A1 (en) * 2013-10-16 2021-08-26 Protolabs, Inc. Methods and software for manufacturing a discrete object from an additively manufactured body of material including a precursor to a discrete object and a reference feature(s)
US20190114798A1 (en) * 2017-10-17 2019-04-18 AI Incorporated Methods for finding the perimeter of a place using observed coordinates
CN109389671A (zh) * 2018-09-25 2019-02-26 南京大学 一种基于多阶段神经网络的单图像三维重建方法
US20230075442A1 (en) * 2020-06-05 2023-03-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Point cloud compression method, encoder, decoder, and storage medium
WO2021254019A1 (zh) * 2020-06-17 2021-12-23 北京京东乾石科技有限公司 协同构建点云地图的方法、设备和系统
CN111843505A (zh) * 2020-07-16 2020-10-30 武汉数字化设计与制造创新中心有限公司 现场机器人在位测量-铣磨修复一体化工艺方法与系统
CN113538680A (zh) * 2021-06-10 2021-10-22 无锡中车时代智能装备有限公司 基于双目光度立体视觉的三维测量方法及设备
CN114419412A (zh) * 2022-03-31 2022-04-29 江西财经大学 一种用于点云配准的多模态特征融合方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"科学技术与工程第九卷分类索引", 科学技术与工程, no. 24 *
LE HUI,: "Superpoint Network for Point Cloud Oversegmentation", 《CVF OPEN ACCESS》 *
杨海清;唐怡豪;许倩倩;孙道洋;: "判别相关滤波融合深度信息的目标跟踪算法", 小型微型计算机系统, no. 04 *

Also Published As

Publication number Publication date
CN115049946B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN104408705A (zh) 一种高光谱图像的异常检测方法
CN110531054B (zh) 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法
CN102855485B (zh) 一种小麦抽穗的自动检测方法
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN108896021B (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
CN112669363B (zh) 城市绿地三维绿量测算方法
CN1996044B (zh) 基于高空间分辨率遥感影像的林冠空间统计学定量估计方法
CN112669333A (zh) 一种单木信息提取方法
CN113436153A (zh) 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN116881812A (zh) 基于多源遥感数据和随机森林法估测森林碳储量的方法
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN115049946A (zh) 一种基于点云变换的麦田生长状态判别方法与装置
CN117058522A (zh) 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法
CN117011759A (zh) 钻爆法隧道掌子面围岩多元地质信息解析方法及系统
CN111444824A (zh) 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法
CN114858782B (zh) 基于拉曼高光谱对抗判别模型的奶粉掺杂非定向检测方法
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
CN112577954B (zh) 城市绿地地上生物量估测方法
CN114494240A (zh) 基于多尺度协作深度学习的无砟轨道板裂缝测量方法
CN112800826A (zh) 一种基于遥感影像分类的城市变化监测方法及系统
CN112949607A (zh) 一种基于JM Relief F湿地植被特征优选与融合方法
CN111291815A (zh) 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法
CN115063677B (zh) 一种基于点云信息的麦田倒伏程度识别方法和装置
Huang et al. Forest structural parameter extraction using terrestrial LiDAR
CN114397230B (zh) 一种基于卫星遥感的近地面颗粒物组分检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant