【技术实现步骤摘要】
本申请涉及点云分割的领域，尤其是涉及一种基于几何交互和自适应图卷积的点云叶片分割方法及系统。
技术介绍
1、目前作物育种和生产的一个局限是对不同环境和管理方式下的植物性能评价。植物表型描述植物的形态，如叶面积等。在植物器官中，叶片是许多重要生理过程的场所，如光合作用、呼吸和蒸腾作用。因此，提取植物叶面积、颜色和形状等叶片特征参数对于植物育种和生产的改进至关重要。
2、随着深度学习的发展，植物点云器官分割成为一项可行的前沿研究。受到深度学习领域中图和其他非线性结构成功应用的影响，图卷积网络(gcn)近年来受到越来越多的关注。与二维图像中规则的像素不同，三维点云由一系列非欧几里德空间中无序的点组成。由于其不规则和稀疏的结构，典型的二维卷积无法直接应用于3d点云。为此，图卷积神经网络(gcn)为每个点构建一个局部区域，并将2d卷积推广到3d数据。动态图卷积神经网络(dgcnn)引入了一种新的边缘卷积，在每个网络层动态计算图结构，并汇集局部图中节点的特征和相应的边缘特征。但是，点之间的特征对应关系进行相同的卷积处理会导致特征学习的局限性，也无法很好地描述中心点与其邻域之间的几何结构信息。
技术实现思路
1、专利技术目的：针对上述现有方法存在的技术问题，本专利技术的目的在于提供一种基于几何交互和自适应图卷积的点云叶片分割方法及系统，可以捕捉到在不同几何空间中点云的几何关系和几何结构信息，从而提高点云分割的精确度。
2、技术方案：为实现上述专利技术目的，本专利技术采用如
3、一种基于几何交互和自适应图卷积的点云叶片分割方法，包括以下步骤：
4、获取单株植物点云数据并标注叶片和茎秆，得到训练数据集；
5、将点云数据输入到点云分割模型进行训练；所述点云分割模型首先进行邻域点的搜索，将邻域点与中心点连接构成局部图；然后将局部图中的点嵌入到欧几里得空间和双曲空间中，通过自适应图卷积网络提取点云在不同几何空间中的局部特征信息；最后使用门控机制将这两个局部特征进行融合；模型训练的损失函数为交叉熵损失加三元组损失；
6、采用训练好的模型对测试样本进行预测，得到单株植物叶片点云分割结果；
7、通过聚类算法对分割的叶片点云进行分离，得到单独的叶片。
8、作为优选，单株植物点云数据的获取过程包括：搭建点云采集平台，对单株植物进行拍照，得到360°拍摄不同角度的图像；将采集到的图像通过运动结构恢复方法生成点云数据。
9、作为优选，对点云数据的处理还包括：使用颜色滤波去除与植物无关的点；采用均匀下采样方法将点的数量控制在预设范围内，在降低数据复杂度的同时保留点云的主要特征和形状信息；将每个点进行坐标归一化处理。
10、作为优选，将输入点云记为x＝{xi|i＝1,2,……,n}∈rn×3，xi表示点云中的第i个点在欧几里得空间的三维坐标位置，n为点的数量；点xi对应的特征向量定义为f＝{fi|i＝1,2,……,n}，fi为第i个点的在欧几里得空间的三维坐标位置和法向量组合；采用kd-tree方法搜索距离点xi最近的k个邻域点xij，将邻域点xij与中心点xi连接构成局部图。
11、作为优选，点云的输入特征是在欧几里得空间表示，只需再将局部图嵌入到双曲空间中，使用如下公式转换点的特征向量；
12、
13、其中，v是点在欧几里得空间中的特征向量，c是空间的曲率，||·||是欧式范数。
14、作为优选，所述通过自适应图卷积网络提取点云在不同几何空间中的局部特征信息，包括：
15、通过共享多层感知机在局部图中的点xi，xij以及他们对应的特征fi，fij上动态地生成一个卷积核eij，然后与相应的点进行卷积运算；最后得到连接点(xi，xij)之间的边特征hij；
16、eij＝g([fi,fi-fij])
17、hij＝σ<eij,[xi,xi-xij]>
18、其中，g(·)表示共享多层感知器，[·,·]表示向量的连接操作，<·,·>表示两个向量的内积，σ表示一个非线性激活函数；
19、对邻域内所有边特征进行聚合来定义中心点xi的输出特征：
20、fi′＝max hij
21、其中，max表示最大池化函数。
22、作为优选，利用门控机制将在两种不同几何空间中得到的点云局部特征进行融合：
23、g＝σ(w[fi′,s′i])
24、k′i＝g⊙fi′+(1-g)⊙s′i
25、其中，⊙表示向量的数乘操作，w表示权重矩阵，σ表示激活函数，fi′表示欧几里得空间的局部特征，s′i表示双曲空间的局部特征。
26、作为优选，模型训练的损失函数为交叉熵的基础上加上三元组损失：
27、l＝lentropy+ltriplet
28、
29、
30、其中，n表示点的数量，c表示类别数量，yi,c表示第i个点是否属于类别c的标签，pi,c表示预测第i个点属于类别c的概率；fa表示第i个点的特征向量，f+表示与第i个点属于同一个类别的点特征向量，f-表示与第i个点属于不同类别的点特征向量，∈表示锚点与正样本之间的距离。
31、作为优选，所述方法还包括，对分离的单个叶片，通过球旋转算法和公式计算植株表型特征参数，具体过程包括：
32、通过测量包围植株点云的边界框的高度来获得植株高度h，用点云在z轴上的最大值zmax减去最小值zmin；
33、通过计算沿着x和y轴上分割叶片上最远点之间的距离来测量叶片长度和宽度；
34、通过球旋转算法重建了叶片的表面，其由大量的三角形构成，使用海伦公式计算三角形面积，通过统计得到叶片拟合曲面的总面积。
35、一种基于几何交互和自适应图卷积的点云叶片分割系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于几何交互和自适应图卷积的点云叶片分割方法。
36、基于相同的专利技术构思，本专利技术提供的一种基于几何交互和自适应图卷积的点云叶片分割系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于几何交互和自适应图卷积的点云叶片分割方法。
37、有益效果：本专利技术通过邻域搜索构造每个点的局部图，将局部图中的点分别嵌入到欧几里德空间和双曲空间后进行自适应图卷积操作，得到点云在欧几里得和双曲空间的潜在的几何结构信息。最后，利用门控机制自适应地整合这两个几何特征，得到点云的复杂几何空间结构。与现有技术相比，其显著优点为：1)本专利技术除了考虑点之间的几何关系，还引入局部点云在不同几何空间的几何结构。2)利用门控机制将点云在两个几何空间的特征进行融合，使分割模型更好地学习点云复杂的几何结构。3)本发本文档来自技高网...
【技术保护点】
1.一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，单株植物点云数据的获取过程包括：搭建点云采集平台，对单株植物进行拍照，得到360°拍摄不同角度的图像；将采集到的图像通过运动结构恢复方法生成点云数据。
3.根据权利要求2所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，还包括：使用颜色滤波去除与植物无关的点；采用均匀下采样方法将点的数量控制在预设范围内，在降低数据复杂度的同时保留点云的主要特征和形状信息；将每个点进行坐标归一化处理。
4.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，将输入点云记为X＝{xi|i＝1,2,……,N}∈RN×3，xi表示点云中的第i个点在欧几里得空间的三维坐标位置，N为点的数量；点xi对应的特征向量定义为F＝{fi|i＝1,2,……,N}，fi为第i个点的在欧几里得空间的三维坐标位置和法向量组合；采用kd-tree方法搜索距离点xi最近的k个邻域
5.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，点云的输入特征是在欧几里得空间表示，只需再将局部图嵌入到双曲空间中，使用如下公式转换点的特征向量；
6.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，所述通过自适应图卷积网络提取点云在不同几何空间中的局部特征信息，包括：
7.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，利用门控机制将在两种不同几何空间中得到的点云局部特征进行融合：
8.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，模型训练的损失函数为交叉熵的基础上加上三元组损失：
9.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，还包括，对分离的单个叶片，通过球旋转算法和公式计算植株表型特征参数，具体过程包括：
10.一种基于几何交互和自适应图卷积的点云叶片分割系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-9任一项所述的基于几何交互和自适应图卷积的点云叶片分割方法。
...【技术特征摘要】
1.一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，单株植物点云数据的获取过程包括：搭建点云采集平台，对单株植物进行拍照，得到360°拍摄不同角度的图像；将采集到的图像通过运动结构恢复方法生成点云数据。
3.根据权利要求2所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，还包括：使用颜色滤波去除与植物无关的点；采用均匀下采样方法将点的数量控制在预设范围内，在降低数据复杂度的同时保留点云的主要特征和形状信息；将每个点进行坐标归一化处理。
4.根据权利要求1所述的一种基于几何交互和自适应图卷积的点云叶片分割方法，其特征在于，将输入点云记为x＝{xi|i＝1,2,……,n}∈rn×3，xi表示点云中的第i个点在欧几里得空间的三维坐标位置，n为点的数量；点xi对应的特征向量定义为f＝{fi|i＝1,2,……,n}，fi为第i个点的在欧几里得空间的三维坐标位置和法向量组合；采用kd-tree方法搜索距离点xi最近的k个邻域点xij，将邻域点xij与中心点xi连接构成局部图。
5.根据权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。