激光点云技术可用于苗圃树木生长状态监测与管理，为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性，提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先，调整PointNet++深度网络邻居点云的相对特征值，同时融合三维点云的低维和高维特征，充分利用各层级点云的特征。然后，将坐标注意力模块与注意力池化融合，进一步增强局部特征提取的能力，提高分类和分割的准确性。最后，针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明，提出的树种识别方法总体精度可达92.50%，平均类别精度为94.22%；提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++，能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失，进而导致点云分割精度下降的问题，通过改进PointNet++的特征提取及特征聚合模块，提出一种基于特征偏差值和注意力机制的点云分割模型。首先，利用球形采样获取不同的局部邻域，并采用K最近邻（KNN）算法筛选邻域点，计算不同邻域的特征偏差值，获取点云的深层语义信息，增强模型对不同局部邻域的识别能力；其次，利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块，在聚合特征阶段学习不同特征的权重，从而提高模型对不同结构信息的筛选能力，增强模型的分割性能；最后，为了进一步优化模型架构，在全连接层中加入残差模块，共享权重，避免参数冗余，提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证，实验结果表明，所提模型总体精度达到86.69%，较PointNet++提高了5.49个百分点，同时平均F1得分达到了73.97%，较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明，与PointNet++、RandLA-Net和ConvPoint等主流模型相比，所提模型结果较PointNet++也有提升，即相较于PointNet++的分割结果，改进后的模型能够充分提取点云的语义特征，有效提高模型分割精度。

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题，提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域，计算出点云的浅层特征；然后将点云的浅层特征输入深度学习网络中，通过图卷积提取点云局部特征，并将该特征与PointNet提取的点特征、全局特征组合得到特征向量；最后，将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证，实验结果表明，所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。

针对深度神经网络PointNet未引入局部特征以及分割精度有待提高的问题,在PointNet的基础上提出一种结合改进K近邻(KNN)算法的局部特征提取方法,将引入局部特征提取方法的神经网络命名为KNN-PointNet。首先将局部区域划分为k个圆形邻域,根据局部区域中样本数据分布密度的差异来确定权值以计算待测点的分类情况;其次将局部邻域特征结合单点全局特征作为输入进行特征提取,通过调节网络深度来提取局部特征以增强局部邻域中点与点的相互关联;最后将改进的KNN算法应用于KNN-PointNet点云分割网络进行实验对比。实验结果表明,相比于当前一些先进的分割网络,采用改进KNN算法的分割网络KNN-PointNet具有更高的分割精度。

在车轮廓形动态检测过程中,线激光传感器只能安装在轨道旁作业,线激光测量平面与车轮表面交线无法通过车轮轮心,导致采集到的大量车轮廓形数据存在仿射畸变,难以用传统迭代最近邻(ICP)算法进行准确匹配,测量精确性与鲁棒性难以保证。提出了一种基于感兴趣域的加权尺度迭代最近邻 (ROI-RSICP) 算法,对存在仿射畸变的磨耗车轮廓形实现了精确测量。首先,根据车轮廓形磨耗特征和大量磨耗车轮数据,采用PointNet深度学习网络,将采集的车轮廓形点集分成磨耗感兴趣区域(ROI)和非磨耗区域;然后,通过对磨耗ROI和非磨耗区域赋予不同权重值,提出了ROI-RSICP方法,并实现了仿射畸变磨耗车轮廓形与标准廓形的精确配准;最后,通过Hausdorff距离算法实现了车轮磨耗可视化处理。实验对比了ICP算法、Scaling ICP算法、ROI-RSICP算法以及第四种检查器的测量结果,验证了所提算法对仿射畸变磨耗车轮廓形动态检测的可行性。

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

针对传统二维深度学习方法无法实现三维点云分类问题,提出一种融合光谱信息的机载LiDAR点云三维深度学习分类方法。该方法首先融合机载LiDAR点云和多光谱航空影像进行点云光谱信息扩充,进而在点云格网化和数据增强处理的基础上,采用多层感知机提取出不同尺度下的点特征和全局特征,最后基于三维深度学习算法实现机载LiDAR点云的准确分类。利用国际摄影测量与遥感协会提供的数据集进行所提方法验证,结果表明,融合光谱信息后,机载LiDAR点云分类精度提高了13.39个百分点;与已有方法的对比结果也进一步表明,所提方法可以在减少特征向量提取的情况下,取得较好的分类结果。

针对复杂场景下激光雷达测量(LiDAR)点云数据的地物分类问题,提出了一种基于多尺度特征和PointNet的深度神经网络模型,该方法改进了PointNet提取局部特征的能力,实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征,将不同尺度点的局部特征通过全连接层组成一个多维特征,并与PointNet提取的全局特征相结合,返回每个点类的分数以完成点云分类标签。利用Semantic 三维数据集和ISPRS提供的Vaihingen数据集,验证了所提深度神经网络模型。研究结果表明,与其他用于点云分类的神经网络相比,所提算法达到了更高的分类精度。