基于激光雷达的猕猴桃园变量喷雾控制系统设计与试验研究
这是一篇关于猕猴桃园,点云语义分割,深度学习,变量喷雾的论文, 主要内容为目前果园内病虫害防治主要依靠化学农药喷施,传统喷雾机大容量、全面积地喷施未考虑果树冠层靶标与枝叶稠密度的差异,造成果园空间内存在无效喷施和过量喷施等现象,导致农药大量浪费、流失,既影响果实品质还造成了果园环境污染。精准变量喷雾系统可以根据冠层探测信息的枝叶特征来决定施药量多少,从而减少农药用量,实现果品安全生产与保护环境的目的。本文基于激光雷达传感系统,使用深度学习的方法对猕猴桃冠层枝叶等信息进行语义分割,并针对分割出的冠层叶信息设计了变量喷雾控制系统,主要研究内容与结论如下:(1)基于点云语义分割的猕猴桃园冠层叶密度测量方法研究。开发了基于激光雷达的猕猴桃冠层测量系统,使用激光雷达扫描猕猴桃冠层建立点云数据集,利用Rand LA-Net神经网络模型并通过6折交叉验证的方法对猕猴桃冠层的树叶、树枝和T型架点云进行语义分割,模型的平均总体精度OA达到92%以上,平均交并比m Io U为81.4%,可以满足猕猴桃树冠各部分信息的分割要求。开发了叶属性测量软件完成对冠层叶片数与实测叶面积的计算,使用加权最小残差的最小二乘法对真实叶属性和叶点云表面积进行回归分析,实测叶面积与叶点云表面积的相关性较高,相关系数R为0.78,并得到相应关系式。使用Alpha-shape算法完成对猕猴桃树冠的三维重建并计算冠层体积。对猕猴桃树冠区域进行网格划分,通过计算小网格叶面积和体积的方法生成叶密度处方信息,为变量喷雾控制系统提供有效决策。(2)基于CFD技术的冠层雾滴沉积规律及施药决策模型构建。通过数值模拟的方法对已有的果园风送式喷雾机进行流体分析,得到了喷雾系统各喷头对猕猴桃树冠的雾滴沉积结果与喷施范围,并设计相关验证试验。雾滴沉积量试验值与仿真值的拟合程度较高,相关系数R2为0.92,均方根误差RMSE为0.042,证明了使用流体仿真的方法可以模拟真实的冠层沉积情况。基于猕猴桃树冠叶密度处方信息和仿真沉积数据,开发了基于决策系数的冠层施药沉积量模型。针对仿真结果中出现的喷头喷雾重合现象,调整了喷施策略,得到了各喷头处阀门开闭度的计算方法。(3)变量喷雾控制系统硬件与程序设计。在已有果园风送式喷雾机的基础上,确定了变量喷雾控制系统的相关硬件。确定了各硬件在喷雾机上的安装位置与供电方式。针对上位机算力不足的问题,使用内网穿透技术与TCP/IP的通讯方式实现语义分割服务器与上位机的通信,设计了喷雾策略程序与喷雾执行程序确保控制系统顺利运行。(4)基于激光雷达变量喷雾系统性能试验。针对所开发的变量喷雾控制系统,搭建了猕猴桃模拟冠层,使用清水作为喷雾溶液并根据各喷头喷施区域设置水敏纸的位置。采用常量与变量两种模式对两个枝叶分布不同的猕猴桃冠层进行喷雾试验。冠层沉积试验的结果表明,变量组与常量组喷雾造成的雾滴沉积均符合植保机械通用试验方法的要求。在变量喷雾中,雾滴沉积量与决策系数K的相关程度较好。相比常量模式,变量喷雾对两个树冠的省药率达到54.3%与34.8%,地面流失分别减少75.5%和38.6%。
基于跨模态学习的点云语义分割技术研究
这是一篇关于点云语义分割,跨模态学习,Transformer,体素,自监督学习的论文, 主要内容为点云、体素和深度图是表示三维空间结构信息的重要方式,通过模态融合可以充分利用它们各自的优势,实现更准确的三维场景分析。点云语义分割技术在自动驾驶、智能机器人等领域被广泛应用,是当前备受研究关注的热门方向之一。本文着眼于使用跨模态学习技术解决点云的语义分割中存在的挑战,主要的工作和创新包括:(1)针对点云提取关键特征困难和分割精度较低的问题,提出一种基于点云体素化和Transformer点云语义分割网络FVT-Net(Fast Voxel Transformer)。设计3DVoxel＿Hash＿Octree过滤空白体素,建立体素空间位置索引以及与内部点云子集的索引映射,降低多尺度邻域搜索和特征嵌入的复杂度。网络中的体素注意力模块和点云感知体素化采样模块实现了点和体素的跨模态学习。同时,该网络将体素空间位置索引作为体素注意力模块的位置嵌入,保留了体素的初始空间信息。FVT-Net可以有效地处理复杂场景中点云分类和分割问题。(2)针对点云数据集稀少造成的难以训练的问题,本文构建Model Net40的投影数据集并提出一种基于二维图像领域预训练模型CLIP(Contrastive Language-Image Pre-training)的跨模态对比学习网络3D-Clip。该网络设计体素透视投影模块将点云数据转换为图像数据,进而实现点云和图像、文本之间的知识迁移,可以在没有任何先验知识的情况下对点云数据进行零样本分类。为充分利用不同模态数据之间的互补性,设计FVTClip-Net,该网络集成了3D-Clip和主干网络FVT-Net,在点云分类性能上相比基线网络Point Net提升4.5%。(3)针对现有的点云语义分割技术依赖于人工标注的数据集的问题,设计了基于点-图像跨模态和对比学习的点云自监督学习网络FVTregular-Net。该网络使用Siamese neural network(孪生神经网络)架构,包括点云分支、图像分支和跨模态分支。为解决自监督学习中由于正负样本选择不当而出现的特征坍塌(feature collapse),在这三个分支输出的特征向量上建立正则化约束。FVTregular-Net在Shape Net及其渲染数据集上进行预训练,并保留点云分支的编码器处理下游任务,实现小样本点云数据的分类、分割。
基于深度学习的室内建筑结构点云语义分割研究
这是一篇关于室内建筑结构,点云语义分割,深度学习,注意力机制,深度神经网络的论文, 主要内容为室内建筑结构点云语义分割作为室内场景理解的核心方法已经成为近年来的研究热点。精准的点云语义分割是室内导航、三维重建、机器人巡检等领域的关键技术,具有重要的科学和应用价值。目前的点云语义分割网络过度关注局部特征的提取,而忽略了多尺度信息、全局信息和长程依赖关系的影响,本文围绕室内建筑结构点云语义分割中局部特征和多尺度信息的关系、局部特征和全局特征的关系、长程依赖关系进行了深入研究,提出一种端到端的室内建筑结构点云语义分割网络CGIBS-Net,包括以下三部分内容:(1)针对边缘点的特征编码通常包含多个类别的语义信息而导致对象轮廓分割不准确的问题,本文设计了一个局部感知分支(LPB)并将该分支加入到多尺度上下文融合模块中,该模块可以在多尺度环境下较好地学习和感知点云的局部结构,从而更加细粒度地感知点云的局部特征。(2)针对现有算法多关注点云局部编码结构的优化,而对全局信息关注不足的问题,本文提出了一种综合考虑局部和全局特征提取的双通道交叉分组自注意力机制(CGSA),CGSA能够同时处理点云的特征信息和位置方向信息,且所有信息都被有选择性地相互增强。(3)针对两个相同语义类别的物体在空间上相距很远而导致的预测不准确问题,本文在解码器中设计了一种自学习权重的空间-通道注意力机制融合(S-C)模块。S-C可以有效捕捉长程依赖关系,两个互补的注意力模块使得无论相似特征的距离有多远,它们都是彼此关联的。与Point Net++模型相比,本文模型在S3DIS数据集上采用6折交叉验证得到的总体精度o Acc提高了6.9%,平均类别精度m Acc提高了9.4%,平均类别交并比m Io U提高了7.8%;与CSANet模型相比,本文模型在S3DIS数据集上的o Acc、m Acc和m Io U三项指标分别提高了3.5%,2.4%和5.1%。
基于图像投影的室外大场景点云语义分割算法研究
这是一篇关于点云语义分割,图像投影,深度学习,图像语义分割,融合网络的论文, 主要内容为随着激光扫描技术的快速发展,在室外大场景下,能够获取的稠密三维点云数据也越来越多。近年来,三维点云数据在自动驾驶、智慧城市以及逆向工程等领域得到广泛的应用,而三维点云语义分割是相关研究中的关键步骤。因此,对室外大场景下的点云进行语义分割具有十分重要的意义。本文主要研究并改进了基于图像投影的室外大场景点云语义分割算法。本文提出了基于正交分解的彩色光照不变投影图像生成策略,改进了基于图像的语义分割算法并且提出了基于加权投票的反投影算法并采用条件随机场算法优化结果。首先,本文研究并改进了大规模点云的投影图像生成算法。在预处理阶段,本文首先对原始点云数据建立空间索引以及进行降采样处理。然后对采样均匀的三维点云数据进行表面重建,形成了空间三角曲面。然后,通过相机快照的方式从网格和点属性中生成了两种类型的视图,即RGB彩色图像和深度复合图像。针对RGB彩色图像受光照影响出现色彩失真的问题,提出了基于正交分解的彩色光照不变投影图像生成策略。实验表明该算法解决了图像受光照影响的问题。然后,本文研究并改进了基于图像的语义分割算法。本文基于U-NET进行了网络的设计与改进,主要包含编码器和解码器的设计、Dense Block模块的设计以及批规范化层的设计。其中,Dense Block模块通过逐通道级联的方式,将较浅层的卷积层提取的特征图与深层卷积提取的特征图相连,从而加强了网络的表征能力。最后是批规范化操作的设计,该方法可以加快网络的训练速度,便于使用更大的学习率。之后,为了更好的利用生成的彩色图像和深度复合图像中提供的信息,本文设计了三种融合网络。其中,基于改进版U-NET的融合网络和基于DeepLabV3+的融合网络通过本文设计的通道和空间注意力机制模块实现信息融合。通过通道和空间注意力机制模块学习特征通道间的关系以及空间位置关系,从而精炼特征。本文设计的多融合网络通过卷积操作将这两个网络提取的特征进行融合,使得语义分割结果得以提升。最后,深入研究了基于反投影的点云语义分割算法,并对反投影方法进行了改进。本文提出了加权投票的反投影算法,使得语义分割效果有所提升。本文使用改进后的反投影方法,将基于图像的语义分割结果映射到表面重建的点云场景中,然后使用条件随机场对预测结果进行了优化处理。最后使用最近邻的方式,将预测结果映射到三维空间中的原始点云上,从而实现了以投影方式处理点云语义分割的任务。实验表明本文所提出的基于图像投影的室外大场景点云语义分割算法在分割精度上有一定的提高。
面向室外大范围场景的实时点云语义分割
这是一篇关于点云语义分割,注意力机制,稀疏张量,场景理解的论文, 主要内容为点云语义分割是对点云中的每个点进行分类的过程,可为无人系统提供有关环境的三维语义信息,同时也是计算机视觉领域中的一个重要的基础性任务,可广泛应用于移动机器人、自动驾驶等无人系统。然而,现有的点云语义分割方法着重研究在标准数据集上如何提升预测精度,而忽略了实际无人系统应用中的计算效率问题,导致现有方法大多难以满足边缘计算平台低算力和低内存情况下实时应用要求。为了克服此问题,本文设计了基于稀疏张量的实时点云语义分割方法SS-Net和基于注意力机制的稀疏卷积神经网络模型ASR-Net,并通过一系列的对比实验验证了所提方法的有效性。具体工作内容如下:(1)设计了一种基于稀疏张量的卷积神经网络模型SS-Net,以解决有限计算资源下点云语义分割的实时性问题。为了减少下采样过程的信息损失,使用跨步卷积层(卷积步长=卷积核大小)来代替池化层进行下采样。引入稀疏张量来表示三维点云数据,利用点云数据空间分布的稀疏性,减少空间中不必要的计算,以提升计算效率,并对网络总体结构的计算量和参数量进行统计,通过实验对比分析验证所提方法的计算效率能够满足实时应用要求。(2)设计了ASR-Net网络模型,在SS-Net的基础上,通过引入注意力机制以进一步提高点云语义分割的精确度。在模型里设计了两个轻量级、即插即用的注意力模块,空间注意力模块和通道注意力模块,分别作用于神经网络的空间和通道维度,前者通过重新加权不同空间上的特征来学习局部-全局上下文,后者作用于通道维度特征向量的重要程度进行建模,实现不同尺度的特征融合。此外,对ASR-Net的并行实现进行分析,模块均基于稀疏张量实现,额外增加的参数量和计算量很小,可应用于点云语义分割实时应用要求。(3)在Semantic KITTI和Nu Scenes数据集上进行了一系列的定性定量对比试验,实验结果表明:ASR-Net可以在当前数据集上实现较好的分割结果,注意力模块能够显著提升模型的语义分割精度。此外,本文在边缘计算设备Nvidia Jetson Xaiver上构建了一个实时语义分割系统,实机测试的结果表明,本文提出的系统能够在该设备上以5FPS的速度对64线激光雷达传感器采集到的大范围室外点云场景数据进行预测,并能够根据点云数据和位姿估计构建全局语义地图。
基于多尺度特征与图卷积的城市点云语义分割方法研究
这是一篇关于点云语义分割,城市场景,多尺度特征,图卷积,注意力机制的论文, 主要内容为城市典型地物包括建筑物、道路、树木等,典型地物的准确提取对城市的发展规划管理与智慧城市建设等有重要的作用与意义。随着激光雷达与多视影像匹配等技术的快速发展,三维数据获取日趋便利,针对城市场景,快速、准确的实现三维精准提取以满足智慧城市等对高质量、精细化三维地理信息的紧迫需求成为亟待解决的问题。与室内等简单的三维场景不同,城市立体空间具有高度的复杂性、交错性与动态性,城市点云数据存在地物尺度差异大、结构复杂多样等问题,传统的基于人工设计特征的点云分割方法存在处理过程繁琐、过渡依赖特征选择以及难以准确描述高阶语义信息等问题。近年来,基于数据驱动的深度学习技术凭借其强大的特征学习能力已经在三维点云语义分割中取得一定的成果,本文基于高效的轻量化点云语义分割网络Rand LA-Net,从多尺度特征融合与局部特征增强两个角度改进模型,主要研究内容如下:(1)基于多尺度特征融合的城市点云语义分割。针对城市场景不同目标地物的尺度差异较大的问题,基于Rand LA-Net点云语义分割网络,提出基于多路径跳跃连接的多尺度特征融合的点云语义分割网络Rand LA-MSFF(Rand LA-Net based on Multi-Scale Features Fusion,Rand LA-MSFF),其在编码端与解码端基于多路径跳跃连接以融合点云的跨尺度特征,同时在解码端内部通过上采样融合多尺度特征;针对Rand LA-MSFF网络在编码端与解码端的多路径长跳跃连接容易产生语义隔阂的问题,在Rand LA-MSFF网络的基础上提出在编码端与解码端的采用短的密集连接的多尺度特征融合点云语义分割网络Rand LA-MSFF++。实验结果表明,所提的多尺度特征融合的点云语义分割网络都更好的利用空间细节信息和语义特征,达到更高的语义分割精度。以Rand LA-MSFF++网络为例,该网络的密集连接弥补了语义隔阂问题,并且特征逐层递进,渐进变化,更好的理解深层特征信息,其平均交并比m Io U分数分别在机载雷达点云NJSeg-3D和公开摄影测量点云Sensat Urban两个数据集上比主干网络Rand LA-Net提升了3.12%和4.6%。(2)嵌入图卷积的城市点云语义分割。针对多尺度点云语义分割网络对城市场景中结构复杂的地物仍存在误分的问题,提出嵌入图卷积更好的获得点云几何关系和高维特征空间的语义特征,提高局部特征提取能力;同时对于两类地物边缘处,提取到的特征存在相互干扰的问题,采用自注意力机制动态学习点云的空间位置特征与图卷积获取高维语义特征,即同时考虑局部邻域点的位置关系与语义信息,从而更好的实现地物边缘的地物识别;此外,为了进一步增大图卷积的感受野,提出感受野增强的图卷积以提高对城市场景目标地物的语义分割能力。实验结果表明,嵌入图卷积后的多尺度点云语义分割网络GCN-Rand LA-MSFF++对城市中结构复杂的建筑物、非主干的道路等以及地物边缘的识别得到改善,进一步降低了城市典型地物的漏检、错检等问题,GCN-Rand LA-MSFF++网络的平均交并比m Io U较主干网络Rand LA-Net在激光雷达点云NJSeg-3D和摄影测量点云Sensat Urban两个数据集上分别提升了3.86%和6.7%。本论文有图幅36幅,表16个,参考文献99篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://bishedaima.com/lunwen/54356.html
