CN119399384A 基于三维重建无损表型参数提取的香菇产量估测方法 （吉林农业大学）

号基于三维重建无损表型参数提取的香菇产基于三维重建无损表型参数提取的香菇产量估测方法，属于农业信息化与智能化技术领进行预处理；基于改进的CP_PointNet++模型和PointNet++网络的MLP层加入CBAM模块，采用部分卷积PConv替换普通卷积；将香菇的表型参数2步骤3.1：利用改进的PointNet++网络对步骤2中预处理后的稠密点云数据进行分割，2.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，利用相机对香菇菌棒进行多视角交叉环绕拍摄，获取多张覆盖香菇所有角度的图像；3.根据权利要求2所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，4.根据权利要求3所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，利用三维重建COLMAP软件，对输入的感兴趣区采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置和姿5.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，3realreal6.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，7.根据权利要求1所述的一种基于三维重建无损表型参数提取的香菇产量估测方法，点云数据生成模块，用于获取若干张覆盖香菇所有角度点云数据预处理模块，用于对点云数据生成模分割模块，用于对点云数据预处理模块中预处理后的利用改进的PointNet++网络对预处理后表型参数提取模块，用于对香菇的表型参数进行提取，所述表型参香菇产量预测模块，用于将表型参数提取模块中的表型参数作456采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置7采用直通滤波移除已经旋正的点云下方的标志物与白板，得预处理后的菌棒点[0019]第二方面，本发明提供一种基于三维重建无损表型参数提取的香菇产量估测系点云数据预处理模块，用于对点云数据生成模块中的稠密点云数据进行预处理，利用改进的PointNet++网络对预处理后的稠密点云数据进行分割，分割出菌盖、菌柄和菌棒三类点云，所述改进的PointNet++网络包括：在PointNet++网络的MLP层加入基于三维重建无损表型参数提取的香菇产量估8本发明提出的基于SfM_MVS三维重建和改进CP_PointNet++模型的香菇表型参数9采用运动恢复结构SfM算法，通过匹配的特征点来估计每张图像对应的相机位置[0040]本实施方式中，相比激光扫描和深度相机等设备，采采用直通滤波移除已经旋正的点云下方的标志物与白板，得预处理后的菌棒点[0044]SfM算法通常选择第一张图像的相机拍摄位置坐标作为点云的坐标原点，对于多[0050]本实施方式是针对步骤4中提取的多表型参数的特性结合广义回归神经网络1.利用智能手机对香菇菌棒进行多视角交叉环绕拍摄，获取在语义分割领域展现了优秀的性能，适合在复杂环境下区分语义细微差别。在此采用同视角下的图像关键点进行配对，找到图像之间的对应关系。进一步采用运动恢复结构采用SfM_MVS方式重建出的稠密点云数据量过大，为了节约后续算法处理数据的[0058]因为SfM方式获取的点云信息没有真实的尺寸信息，需对重建的三维点云进行坐SfM算法通常选择第一张图像的相机拍摄位置坐标作为点云的坐标原点，对于多采用基于PointNet++(Qietal.,2017)改进的CP_PointNet++模型进行点云分构，特征通过skiplinkconcatenation连接到后面的模块。FeaturePropagation是由Interpolate和unitPointNet组成。Interpolate获取SA模块下采样过程中忽视部分的特[0066]菌柄具有空间分离性，在数据采集时遮挡导致三维重建汇总生成的点云密度不选择平均绝对百分比误差(MAPE)、均方根误差(RMSE)、归一化的均方根误差指标。PointNet++分割精度较低（OA=89.86%，mIoU=75.14%而在模型中加入卷积显著降低了训练时占用的内存（3.5Gvs.2.5G且较PointNet++网络略微提高了模PointNet++具有最好的分割能力（OA=96.92%，mIoU=87.62%训练时较低的内存占用