公开(公告)号：CN111814874B

公开(公告)日：2024-04-02

申请号：CN202010650114.6

申请日：2020-07-08

Applicant: 东华大学

Inventor： 李大威 ,  时国良

IPC: G06V10/80 ,  G06V10/82 ,  G06V10/762 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开了一种用于点云深度学习的多尺度特征提取增强方法及模块，本发明首先在世界坐标系上寻找每个点在三个不同尺度上的邻近点。再分别通过多层感知机和最大池化提取该尺度下的最大特征，并将不同尺度下的最大特征拼接在一起作为该点的多尺度特征。然后将多尺度信息融合到多尺度局部特征空间并在该空间中再次寻找每个点的邻近点，将每个点的局部和全局信息进行融合。为了进一步约束和加强特征学习，引入了一个损失函数，让不同类别的点相互远离，相同类别的点相互聚集。本发明能够有效地增强多种深度学习网络对三维点云的特征特征提取性能及学习能力，从根本上提升网络的性能和分割分类精度。

公开(公告)号：CN111814874A

公开(公告)日：2020-10-23

申请号：CN202010650114.6

申请日：2020-07-08

Applicant: 东华大学

Inventor： 李大威 ,  时国良

IPC: G06K9/62 ,  G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种用于点云深度学习的多尺度特征提取增强方法及模块，本发明首先在世界坐标系上寻找每个点在三个不同尺度上的邻近点。再分别通过多层感知机和最大池化提取该尺度下的最大特征，并将不同尺度下的最大特征拼接在一起作为该点的多尺度特征。然后将多尺度信息融合到多尺度局部特征空间并在该空间中再次寻找每个点的邻近点，将每个点的局部和全局信息进行融合。为了进一步约束和加强特征学习，引入了一个损失函数，让不同类别的点相互远离，相同类别的点相互聚集。本发明能够有效地增强多种深度学习网络对三维点云的特征特征提取性能及学习能力，从根本上提升网络的性能和分割分类精度。

公开(公告)号：CN111667529A

公开(公告)日：2020-09-15

申请号：CN202010448216.X

申请日：2020-05-25

Applicant: 东华大学

Inventor： 李大威 ,  时国良

IPC: G06T7/62 ,  G06T7/10

Abstract: 本发明提供了一种植物点云叶片分割与表型特征测量方法。首先利用多视角立体视觉算法，对盆栽植物进行了精确的点云三维重建。其次使用基于区域和颜色的滤波器和法向量差算法去除了植物点云中的非叶片部分。然后借助曲率信息和多特征区域生长算法得以实现对具有叶片重叠现象的冠层上的单叶片分割。对于每个单独叶片，利用PCA估计了叶片的3D包围盒，叶倾角可计算为包围盒高度方向与作物坐标系的Z轴的夹角，叶长与叶宽即为包围盒的长与宽。本发明能实现对叶片重叠成簇的盆栽植物自动叶片分割，并且对提取叶面积、叶片长、宽、和叶倾角等表型信息有较高的精度与实时性，适用于高通量的叶片表型分析。