为了使用四旋翼无人机搭载二维激光雷达进行空间环境探测与建模,设计了无人机LIDAR(Light Detection and Ranging)探测方案,提出了基于欧式聚类与Alpha-shape算法的点云数据建模方法。以室内环境建模为例,通过无人机LIDAR测得室内多位...为了使用四旋翼无人机搭载二维激光雷达进行空间环境探测与建模,设计了无人机LIDAR(Light Detection and Ranging)探测方案,提出了基于欧式聚类与Alpha-shape算法的点云数据建模方法。以室内环境建模为例,通过无人机LIDAR测得室内多位置、多高度的平面点云数据。根据室内环境点云数据分块聚集的特性,对数据进行统计滤波消噪,并采用欧式聚类算法对点云数据进行聚类,对每个聚类分别选取合适的参数α绘制其Alpha-shape图形。对于采样高度均匀、雷达扫描频率稳定的点云数据,考虑到无人机激光雷达的数据特点,以每个聚类中点的数量和其包络在x-y平面的投影面积为参数,结合测量经验提出了α的计算式。利用此方法可以实现使用二维激光雷达进行空间建模,相较于使用三维激光雷达成本更低,测量更灵活。展开更多
准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,...准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。展开更多
文摘为了使用四旋翼无人机搭载二维激光雷达进行空间环境探测与建模,设计了无人机LIDAR(Light Detection and Ranging)探测方案,提出了基于欧式聚类与Alpha-shape算法的点云数据建模方法。以室内环境建模为例,通过无人机LIDAR测得室内多位置、多高度的平面点云数据。根据室内环境点云数据分块聚集的特性,对数据进行统计滤波消噪,并采用欧式聚类算法对点云数据进行聚类,对每个聚类分别选取合适的参数α绘制其Alpha-shape图形。对于采样高度均匀、雷达扫描频率稳定的点云数据,考虑到无人机激光雷达的数据特点,以每个聚类中点的数量和其包络在x-y平面的投影面积为参数,结合测量经验提出了α的计算式。利用此方法可以实现使用二维激光雷达进行空间建模,相较于使用三维激光雷达成本更低,测量更灵活。
文摘准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。
