买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京农业大学

摘要：本发明公开了一种基于MRE‑PointNet和自编码器模型的绿萝叶片外形参数估测方法，通过KinectV2相机对绿萝从单一角度拍摄获取点云数据，采用直通滤波、分割、点云精简算法对数据做预处理，采用参数方程构建绿萝叶片几何模型，并计算几何模型的叶长、叶宽、叶面积。将几何模型离散的点云数据输入多分辨率点云深度学习网络得到预训练模型，我们通过以几何模型离散的点云数据作为输入经过编码‑解码运算得到自编码器的预训练模型，通过自编码器的预训练模型来对输入点云数据进行二次处理降噪，其次，用测得的绿萝叶片外形参数标签对预训练模型进行参数微调，从而完成对输入绿萝叶片点云数据的外形参数估测。

主权项：1.一种基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法，其特征在于它基于预测模型进行叶片外形参数的估测，所述预测模型的建立包括以下步骤：S1、获取绿萝叶片的点云数据以及绿萝叶片的真实数据；S2、点云数据预处理；S3、绿萝叶片几何模型的构建及几何模型的外部表型参数测量；S4、基于自编码模型的点云数据补全；自编码器模型包括编码器和解码器，其中：编码器：将输入的点云N×3编码成128的全局特征向量GFV，进行特征的有效提取；解码器：将编码之后的GFV恢复为与原来输入维度相同的点云数据；选择倒角距离作为自编码器网络训练的损失函数，倒角距离函数如下： 式中，P1和P2分别代表输入点云和解码器解码出来的点云中的点的数目，a、b分别代表点云P1和P2中的点，dCH值能够衡量解码之后的点云形状与输入点云形状之间的差异，数值越小，表示两个点云之间的相似程度越高，其中dCH的单位为cm2；选择几何模型点云数据作为训练集和验证集，得到用于叶片点云补全的自编码器预训练模型；S5、基于多分辨率编码点云深度学习网络MRE-PointNet预训练模型进行叶片外形参数的估测；多分辨率编码点云深度学习网络包括：-输入旋转模块，对输入点云N×3输入可训练的空间转换网络T-Net3×3，将输入点云经T-Net网络训练得到的空间转换矩阵进行坐标对齐，得到点云N×3；-多层感知机MLP，通过多层感知机MLP将点云升维至N×64，对升维之后的数据N×64输入可训练的空间转换网络T-Net64×64，对升维数据经T-Net网络训练得到的空间转换矩阵进行特征对齐得到数据N×64；再通过多层感知机MLP升维至1024维N×1024，做全局特征池化1024；以获得不同层次的深度特征；-多分辨率特征提取网络编码器MRE，用IFPS采样64、128、256个点，分别进行点云数据特征编码；-多层深度特征融合结构CMLPN×1216，将不同层次的深度特征进行融合；Concat＝[64,128,1024]通过多分辨率特征提取和多维度特征融合目的主要是为了更好的对局部特征的提取；选择几何模型点云数据作为训练集和验证集，得到用于几何模型叶片外形参数估测的MRE-PointNet预训练模型；S6、基于真实数据对MRE-PointNet预训练模型做模型迁移的参数微调，获得最终的预测模型。

全文数据：

权利要求：

百度查询： 南京农业大学 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法