摘要：本文以风景园林测量的技术视角,重构了古典园林“非透视效果”的理论,在此基础上设计了一套利用激光三维点云验证“非透视效果”的方法,并在余荫山房进行验证。发现余荫山房在营造时采用了透视的错位、透视的遮挡、透视的消隐等方法,创造出独特的空间感受,该研究提供了一种全新的理解和欣赏园林艺术的视角。

摘要：针对三维点云特征提取困难的问题,提出一种以门控网络(GateNet)为基础的PointNet++改进网络,通过抑制无关特征,强调重要特征,自适应校准网络内部特征,达到增强局部特征的目的。将门控网络、挤压激励、注意力机制等引入PointNet++点云分类分割网络,提高分类分割精度,在数据集ModelNet、ShapeNet和S3DIS上进行实验。实验结果表明,改进网络提高了总体分类精度(OA)和均交并比(mIoU),结果优于PointNet++网络,时间更快。

摘要：【目的】研究采后香蕉的表征褐变并评估其衰老程度对香蕉保鲜管理至关重要,本研究致力于解决传统人工测量香蕉表征褐变存在的劳动强度大、效率低下的问题。【方法】提出一种基于三维点云的采后香蕉表征褐变过程定量评估方法。首先利用三维扫描仪获取香蕉的三维点云模型,重构出香蕉的几何模型;然后使用欧式聚类对香蕉几何模型进行点云滤波降噪处理;再结合图像阈值分割法与散点轮廓算法(Alpha Shapes)求出香蕉的体积、表面积和黑斑面积;最后利用傅里叶函数对香蕉表面黑斑变化过程进行模拟,确定香蕉表征褐变过程的评估模型。设计本算法与溢水法测量实际香蕉体积、手绘测量面积的对比试验。【结果】拟合香蕉的生长函数,回归直线对观测值的拟合程度R2=0.9816>0.75,验证了算法的有效性。对比试验结果表明,本算法与实际测量值的平均相对误差小于1%,验证了该算法的准确性和可行性。【结论】本研究可为香蕉的保鲜管理提供数据及技术支撑。

摘要：针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE)的三维点云分类与分割方法(SAFE-PointNet++)。首先,设计了空间感知(spatial awareness,SA)模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE)模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。

摘要：针对机器人抓取问题进行了综合性教学实验设计,提出了基于物体点云信息的机器人跟踪抓取方法。通过阈值处理保留运动模糊光条中亮度较高的部分,改善了运动模糊情况下光条区域提取困难的问题;利用特征直方图对不同物体的点云进行特征描述,实现了由未知的点云信息查询得到实际的抓取位置的目标;采用基于位置控制的优化算法实时更新跟踪路径,完成抓取操作。通过该完整的实验设计能够帮助学生理解激光三角法、点云信息、位置逼近等基本理论和方法,培养学生理论联系实际的能力和对科学研究的兴趣。

摘要：盾构机在掘进过程中,由于盾构姿态控制不当等因素,管片拼装时常发生错台值、椭圆度失准等工程质量问题,这些施工质量问题往往会对隧道的稳定性及安全性造成影响,为保证盾构隧道的安全施工与健康服役,在施工过程中对盾构管片拼装质量进行动态评估尤为重要。针对传统盾构管片拼装检测效率低,精度有限及检测数据全面性差等问题,应用三维激光扫描技术采集盾构管片拼装成型后的点云数据,通过长短轴法和改进的按斜率分割法分别对盾构管片的椭圆度和错台值进行测算;同时提出环段数据拟合提取隧道中轴线及中心点的方法,实现盾构管片拼装质量高精度、高效率、自动化检测。结合实际盾构隧道工程案例分析,验证基于三维点云的盾构管片拼装质量偏差检测方法的可行性。

摘要：[目的/意义]为了提高体尺关键点定位准确率,猪三维点云体尺自动测量方法会采用点云分割,在各个分割后局部点云定位测量关键点,以减少点云之间相互干扰。然而点云分割网络通常需要消耗较大计算资源,且现有测量点定位效果仍有待提升空间。本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需关键点。在降低显存资源需求的同时提高测量关键点定位效果,提高体尺测量的效率和精度。[方法]针对猪三维表面点云进行体尺测量,提出了一种定位猪体尺关键点的模型Pig Back Transformer。模型分为两个模块,分别设计了两种改进的Transformer自注意力编码器,第一模块为全局关键点模块,首先设计了一种猪背部边缘点提取算法用于获取边缘点,再使用edge encoder编码器以边缘点集合作为输入,edge encoder的edge attention中加入了边缘点和质点的偏移距离信息;第二模块为关键点生成模块,使用了back attention机制的back encoder,其中加入了与质心和第一模块生成的全局关键点的偏移量,并将偏移量与点云注意力通过按位max pooling操作结合,最后通过生成猪的体尺测量关键点和背脊走向点。最后设计了使用关键点和背脊走向点作为输入的体尺算法。[结果和讨论]对比关键点和背脊走向点生成任务上Pig Back Transformer表现最佳,并对比体尺计算结果与人工测量结果,体长相对误差为0.63%,相对PointNet++、Point Transformer V2、Point Cloud Transforme、OctFormer PointTr等模型有较大提升。[结论] Pig Back Transformer能相对准确地生成猪体尺关键点,提高体尺测量数据准确度,并且通过点云特征定位体尺关键点节省了计算资源,为无接触牲畜体尺测量提供了新思路。

摘要：随着中国核能产业发展,大量在役涉核装置运行过程中出现的事故和隐患需要通过涉核机器人进行远程处置,部分事故处置需对出险装置进行精确拆解,基于三维重建视觉图像定位是其关键技术之一。针对核应急事故中待拆解目标的精确重建,开展三维点云配准方法研究,在配准算法总体流程基础上设计出三维点云配准算法,利用高斯滤波进行点云数据去噪,提出一种兼顾点云信息完整性和算法效率的K维迭代最近点(K-dimensional iterative closest points,KD-ICP)算法,利用点快速特征直方图(fast point feature histograms,FPFH)和主成分分析(principal component analysis,PCA)实现特征点提取并降低点云数据量,使用全等四点集(4-points congruent sets,4PCS)进行点云粗配准,采用KD-ICP算法实现点云精配准。在所搭建的拆解机器人试验平台上,针对管、板及涉核装置模拟体等测试对象,对所提出的配准算法进行试验分析与评价,与其他3种常规算法的对比试验表明,所提出的点云算法在相同的条件下均方根误差最小,运行时间最短,具有更高的点云配准效率及较好的鲁棒性,为复杂拆解目标的三维重建及精确定位奠定了基础。

摘要：针对点云分割网络无法在复杂的室内场景中实现高精度分割的问题,本文设计了一种基于深度学习的语义实例联合分割网络,同时完成三维点云数据的语义分割和实例分割任务,主要包含多任务学习主干网络、特征融合模块和语义实例特征联合模块等。特征融合模块通过跳跃连接融合多个网络层,分别融合2个任务各自不同级别的特征,加强网络对数据中包含的信息的整合,并选取大型室内场景数据集S3DIS和部件分割数据集ShapeNet进行对比实验。实验结果显示,网络在数据集S3DIS的语义分割的总体准确率为86.5%,在数据集ShapeNet的语义分割类别交并比为83.1%,在数据集S3DIS的实例分割的平均精度为60.8%。语义实例特征联合模块通过多任务级的特征联合增加语义和实例的判别特征,提高了点云的语义分割和实例分割的准确率。

摘要：针对基于深度学习的三维点云分类方法在元类识别中对子类解译不足的问题,提出一种面向点云的三维模型细分类框架,构建具备层间语义相关和层内上下文感知的端到端细粒度点云网络——FGP-Net.首先以相互连接的卷积算子构建密集连接块,层内利用球邻域查询构造局部区域以完成局部到整体的特征映射,并通过偏置注意力机制关注上下文差异,从而更好地捕捉细粒度属性;然后在层间利用多层特征融合策略探索各层特征间的相关性,通过反向传播学习相关语义信息以提升模型分类性能.在FG3D的3个子数据集Airplane,Chair和Car上的实验结果表明,FGP-Net的总体准确率分别达到95.77%,80.88%和77.94%;与先进的三维点云分类模型PointNet++,PointCNN,Point2Sequence,DGCNN等相比,FGP-Net的分类性能均具有一定的优越性.