该文提出一种基于SLAM定位的多位置和姿态点云的拼接与分割方法，可提供信息量大且准确的点云样本数据。首先，利用RTAB-MAP框架构建SLAM算法，由KinectV2传感器采集获得带有位姿信息的多角度RGBD图像样本，并转化为三维点云场景数据；其次，改进ICP算法并基于SVD算法设计多位姿点云的拼接算法；再次，根据原始点云的RGB信息与凹凸性特征，设计三维点云分割算法，以此形成一系列点云目标；最后，开展点云拼接和点云分割实验，实验结果验证了该文所提算法的正确性和有效性。

"信号与信息处理创新实践"课程是一门创新创业综合实践课程,针对课程的技术要求,该文设计了基于语义分割的图像拼接实验案例。为了提高缝合线对图像中前景物体的分辨能力,研究了基于语义分割的最佳缝合线算法。利用CRF-RNN语义分割进行图像的前景信息提取,并将提取的信息加入YUV颜色空间的能量矩阵中,从而使搜索的缝合线绕开前景物体。仿真结果表明:该算法对图像中的前景物体有较强的辨别能力,得到的拼接结果避免了压缩和割裂的问题,更加符合人眼视觉感知。该案例的设计,能够培养学生应用专业知识的基本原理,分析电子信息领域中复杂工程问题,获得有效结论的能力。

对森林病虫害航空遥感监测中的图像拼接问题进行了研究。通过建立图像对应模型 ,按照特征点匹配的方法 ,并使用场景平面模型 ,构造了一个图像拼接系统。拼接的过程中针对图像拼接系统中特征点的提取 ,对应控制点的选择和对应点的搜索等问题 ,提出了模型参数的迭代求解方法。数据处理结果表明 ,使用该方法 ,能很好地改进了模型参数的精度 ,从而提高图像拼接效果

[目的]奶牛的臀宽是奶牛生长繁殖的重要评判标准，但目前臀宽测量依旧以人工测量为主，费时费力、容易受主观因素影响。本文为了实现奶牛臀宽的自动提取，提出一种基于点云精准分割的奶牛臀宽自动测量方法。[方法]搭建奶牛后俯视深度图像采集系统，对原始数据进行处理，利用DBSCAN方法剔除奶牛周围的背景。其次，基于PointNet++神经网络，将奶牛坐骨结节进行分割并获取臀部区域。最后检测奶牛臀部区域的轮廓线，利用坐骨结节与尾巴之间的凹陷来判定坐骨结节的位置，最终计算出奶牛的臀宽。[结果]试验结果表明，点云分割模型AP50可达94.2%，体尺测量的最大绝对误差为-5.53 cm，平均相对误差为5.84%。而奶牛在尾巴自然下垂状态时绝对误差在-2.02～2.22 cm范围内，平均相对误差为3.79%。[结论]本文方法在奶牛尾巴自然下垂时效果最好，能够较好地实现奶牛臀宽自动检测。

[目的] 目标分割是通过为果园喷雾机提供树木的表征信息，使喷雾机能够实现精准喷雾的一项基本视觉任务。在分割过程中，对苗圃中的树冠、树干等不同部位进行分割，可以帮助喷雾机对喷雾部分的对靶，实现在果园或苗圃景观中无需人工干预的自动导航以及精准喷药等操作。与图片相比，点云能够更好地表征树木的三维结构并且受照明条件影响小，因此针对点云树木设计分割算法更适合应用在果园、苗圃等室外环境中工作的农业机械上。[方法] 本文介绍了一种分割精度准确、参数量小的点云分割网络，TSNet，它可以很容易地被部署在果园喷雾机上。该网络主要具有以下特点：1）该网络基于DGCNN改进，可以更好地实现点云分割任务；2)网络引入了连续递归门控卷积模块 （g~(n)Conv），可以提高树木分割的准确率；3）为了避免全局信息损失并增加信息传递效率，我们设计了权重通道用于特征传递。[结果] TSNet分割树木的mIoU达到了90.08%，模型大小为0.72 M，优于常用的点云分割算法，PointNet、PointNet++、DGCNN、CurveNet、PointMLP和D-PointNet++。[结论] 所提方法能够为苗圃树木检测识别和农业机器人作业提供更准确地感知信息。

无人机林地航拍图像具有的分辨率高、数据量大、边缘丰富的特点,造成了特征点配准中误匹配率的增加,因此本文提出了一种新的无人机林地航拍图像序列拼接方法。分形中的间隙度可用于描述图像区域纹理的粗糙程度,本文首先利用间隙度特征选取图像中局部图像块作为候选区域查找特征点,减少了待配准的特征点数量,提高了特征点配准正确率;其次,采用全局拼接技术变换图像,减少传统拼接中矩阵连乘产生的误差的积累和传播。实验中选取了不同拍摄高度的两组图像序列,将本方法与传统的全局SURF特征方法和降采样图像拼接方法进行了对比,结果显示本方

以瓯江彩鲤(Cyprinus carpio var.color)为研究对象,探讨了目前两种常用的转录组拼接方法在鲤的不同品种/品系转录组研究上的适用性。结果表明,在转录组拼接和注释方面,基于序列比对优先策略(Cufflinks软件)拼接的转录组序列平均长度为1 545 bp,注释77 601个转录本;基于从头拼接策略(Trinity软件)拼接的转录组序列平均长度为979 bp,注释转录本数为69 406个。在基因结构和选择性剪切预测方面,Cufflinks软件所拼接的转录组,每个基因平均含有3个转录本数目

专利价值评估对打击非正常申请、净化市场环境具有重要的现实意义。本文以特征拼接、标签迁移及深度学习组合为中心构建专利价值评估方法，并基于2010—2020年广东省专利申请探究评估方法实际表现，引入多组对比模型进行实验分析。研究结果表明：(1)拼接著录事项信息，可构建出技术特征显现更强的专利研究对象，避免因指标类研究对象未足够体现专利技术本质而引发评估准确率不高的现象；(2)以专利法律视角量化出更具专利价值代表性的价值标签体系，在延展专利标签体系研究深度的同时，解决因引用率、下载访问量等传统标签与专利实际价值不匹配而造成的价值评估错误问题；(3)以高精细度词向量为构建原理，组建以BERT (bidirectional encoder representations from transformers)及LSTM (long short-term memory)为核心的专利价值评估模型，有效解决传统模型特征因提取能力不足而产生评估准确率偏低的弊端。本文从研究对象有效性、标签体系性及模型构建评估率三个方面提出优化改进策略，为专利价值评估提供了新工具，具有较强的实际应用价值。

复杂的科技服务需求对单一的专业科技服务提出了巨大挑战，需要研究可行的综合科技服务方案予以应对。通过初始服务流程识别和客户需求到服务流程转化，得到与客户需求相关的服务流程。基于功能相关性评价，对服务流程进行模糊聚类分析，通过计算最大适应度值确定最优科技服务流程拼接方案。贡献在于，提出一种综合科技服务流程动态拼接方法，并以技术转移类综合科技服务为例进行说明。

复杂的科技服务需求对单一的专业科技服务提出了巨大挑战,需要研究可行的综合科技服务方案予以应对。通过初始服务流程识别和客户需求到服务流程转化,得到与客户需求相关的服务流程。基于功能相关性评价,对服务流程进行模糊聚类分析,通过计算最大适应度值确定最优科技服务流程拼接方案。本文贡献在于,提出一种综合科技服务流程动态拼接方法,并以技术转移类综合科技服务为例进行说明。

【目的】探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段。【方法】通过无人机激光雷达获得样地树木点云数据,然后分别采用改进的K均值聚类算法和基于相对间距的阈值分割算法对水曲柳和樟子松样地进行单木点云数据分割。其中,水曲柳样地点云数据处理采用改进的K均值聚类算法,通过树干点云位置推算初始聚类中心,减少因树冠重叠导致的错误分割;樟子松样地点云数据处理则采用基于相对间距的阈值分割算法,通过设定多条阈值规则并利用动态最大值滤波器对树顶进行精确探测,提高算法的分割精度。最后,基于样地和单木点云完整度两个方面对点云数据分割效果进行评价。【结果】1)从样地尺度来看,水曲柳和樟子松样地单木识别率分别为0.91和0.87,相应的调和值(F)分别为0.91和0.88,结果显示单木分割的整体效果较好。水曲柳样地召回率(r)为0.87,精确率(p)为0.95,算法分割过程中产生的错误分割较少。樟子松样地算法分割的单木也多为正确分割(r=0.82、p=0.94),其分割误差主要来自于单木欠分割,过分割现象相对较少。2)从单木点云分割的完整程度来看,水曲柳样地的单木平均正确分割率为75.6%,点云平均欠分割率为24.3%,平均过分割率为18.5%,单木点云的最大错误分割率为31.8%,不同单木之间分割精度有较大差异;樟子松样地的单木分割精度较稳定,平均正确分割率达84.1%,平均欠分割和过分割率分别为16.3%和9.0%,表明单木点云不存在大量错误分割的情况。【结论】基于树木形态结构特征改进了两种优化单木点云数据分割算法,两种算法下分割的森林样地单木精度在不同评价尺度中表现均较好,对林中树木出现的树冠重叠、遮挡、偏移等现象均有一定的辨别能力,实现了森林样地树木点云数据的单木精确分割。

[目的]以草莓为代表的浆果果实收获方式仍然以人力为主，随着近年来农业生产人员老龄化及人工费用的激增，机器（人）全自动采摘已是必然趋势，目前的难点在于机器视觉的识别与定位，相比2D视觉，3D视觉不仅具有更丰富的语义信息，而且在空间定位上有着明显的优势。本文旨在利用3D视觉技术实现草莓的准确识别和定位，为机器人自动采摘提供技术支持。针对田间背景噪声干扰、草莓果实体积小且伴随遮挡的难点，本文采用点云滤波技术进行点云降噪，利用3D视觉技术实现了草莓与复杂背景的语义分割。[方法] 使用IntelRealsenseD435i深度相机采集了不同光照、不同季节和遮挡条件下的草莓点云数据，构建了一个包含三个类别的数据集，分别为无遮挡、低遮挡、高遮挡。首先结合多阈值统计滤波和ROI提取技术对点云数据进行预处理，过滤噪声；以PointNet++为基础模型，对点云数据直接提取特征，并在PointNet++的基础上提出了一种针对复杂背景下小尺度目标的语义分割模型SS-PointNet++，利用点云的多种特征信息作为网络的输入特征，构建采样层、分组层，并通过PointNet提取局部特征，使用最远点采样法对点云取样并最大程度的覆盖到整个点集，针对小尺度目标设计了三种不同半径的球查询(BallQuery)来获取局部特征，改进了SA层和FP 层的结构，使其能够适应低密度点云。[结果]对未经预处理的点云进行分割时，有 0.74%的概率出现离群点的误判问题，而对预处理后的单张点云图像进行语义分割的用时平均减少了 3.47 s。点云图像测试结果表明，SS-PointNet++模型的平均准确率达到了 86.95%，比优化前提升了 19.54百分点，平均交并比为 0.740。在光照充足且无遮挡的草莓上，该模型的语义分割准确率高达 95.36%，而在暗光环境下，该模型的平均准确率也能达到 81.34% 。[结论] SS-Pointnet++模型提升了小尺度目标点云的语义分割效果，对不同光照条件具有较强的鲁棒性，为基于 3D 点云的小物体和遮挡物体的分割提供了一种有效的方法；本文提出的草莓遮挡类型的划分，对后续草莓遮挡问题提供了数据分析支持，对其他基于3D点云的小尺度物体的目标检测和遮挡问题也起到借鉴作用。

针对传统羊体尺测量中测量耗时、应激大的问题,采用主成分分析、随机采样一致性算法和改进的区域生长法,基于三维点云对羊体尺参数测量进行研究。结果表明:1)使用主成分分析和随机采样一致性算法能计算羊体点云的法向量和曲率;2)改进的区域生长法能准确地分割出羊体区域,并且避免了外点的干扰;3)在羊体点云数据上选取体尺测点,计算羊体长、体高、臀高、胸深体尺参数,并与实测值比较,4种体尺参数的最大相对误差为2.36%,测量精度较高。试验证明改进的区域生长法能准确地对羊体点云进行分割,依据选取的体尺测点,能够实现羊体尺参数的无接触测量。

为了提高地基激光雷达(Terrestrial Laser Scanning,TLS)点云数据的单木分割精度及分割效率,以落叶期的蒙古栎人工林为研究对象,以TLS为基础数据,在三维点云数据体元化的基础上提出一种基于体元逐层聚类的单木分割算法,通过分析体元在竖直方向的z值序列准确获取单木的位置,然后利用模糊C均值算法以单木位置为初始聚类中心从最底层体元开始进行逐层聚类,最终实现样地水平蒙古栎单木分割。研究结果表明,通过分析体元在竖直方向的z值序列能准确获取单木的位置,本研究提出的单木分割算法能够实现样地水平单

针对林下环境几何特征的复杂性，以及基于边检测、表面增长和聚类分割方法存在的效率低、分割不足及过度分割等问题，提出了一种基于特征融合的点云分割方法。采用地面激光扫描仪ＦＡＲＯ在北京林业大学选择样本区域进行扫描，对扫描得到的数据进行采样点剔除及滤波，得到由１ １６６ ３０２个点组成的林下环境点云数据，主要包括林木、地面、石块、人４类目标。综合利用点云法向量信息和激光反射强度信息可实现点云分割。其中，点云激光反射强度可直接从扫描得到的点云数据中获取；法向量可根据点云数据的三维坐标信息，通过对点云数据建立ｋｄ－ｔＲｅｅ数据结构，执行ｋ－邻域搜索，并基于ＰｌＡｎｅＰＣＡ算法计算得到。将点云法向量和激光反．．．