[发明专利]一种应用激光技术的多维形态鉴别动植物有害生物方法

权利要求书

1.一种应用激光技术的多维形态鉴别动植物有害生物方法，其特征在于，该方法采用非接触式的激光扫描成像技术，由激光发射器向动植物有害生物样本表面投射激光，投射的激光经动植物有害生物样本表面形状和间隙调制后，形成漫反射光，通过感光传感器接收反射光后形成的激光，根据发射激光的时间与光接收传感器接收激光的时间的差值，计算出待测生物样本表面的测试点到发射器之间的相对距离，并利用三角关系即可计算出变化前后像点位置关系，简便快速对生物形态特征进行一次性测距形成初始生物形态多维轮廓电子点云数据；具体操作步骤如下：

第一步：开启激光扫描设备，然后预热，检查设备、网络、软件系统；保持硬件设备、网络、软件系统处于正常工作状态；

第二步：放置待测有害生物样本，扫描采集待测有害生物样本获得初始多维样品形态轮廓点云数据；

第三步：“去噪”重建待测有害生物样本精准多维有害生物形态轮廓点云数据；

待测样本初始多维有害生物形态轮廓点云数据会受到“噪音干扰”，需要“去噪”，对于动植物有害生物的“去噪”有卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法，而对于多维有害生物形态轮廓点云数据的“去噪”，采用了高斯滤波算法：

高斯函数写成可分离的形式，因此，采用可分离滤波器实现来加速；所谓的可分离滤波器，就是把多维的卷积化成多个一维卷积；具体到二维的高斯滤波，就是指先对行做一维卷积，再对列做一维卷积；这样就将计算复杂度从O(M*M*N*N)降到O(2*M*M*N)，M，N分别是图像和滤波器的窗口大小

其中*表示卷积操作；Gσ是标准差为σ的二维高斯核，定义为：

利用以上算法针对待测样本多维有害生物形态轮廓点云数据中无序或散乱点云数据的“噪声”点云数据进行“去噪”处理，输出的结果为没有噪点的精准多维有害生物形态轮廓点云数据；

第四步：拆分没有噪点的精准的多维有害生物形态轮廓点云数据；

对于动植物有害生物的分割有马尔可夫模型算法的分割算法、法线矢量及一致化算法，曲面片分割算法而对于多维有害生物形态轮廓点云数据的分割，采用了马尔可夫模型算法的分割算法：

基于马尔可夫模型算法的分割算法，拆分没有噪点的精准的多维有害生物形态轮廓点云数据，获得待测有害生物样本精准的多维有害生物脚部特征、多维有害生物腹部特征、多维有害生物头部特征、多维有害生物口器特征具有标志性的局部多维有害生物形态轮廓点云数据，分别提取Haris关键点，采用SHOT特征描述子描述关键点，计算所有分割后获得的局部多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的欧式距离并排序初步配对，采用RANSAC筛选得到多维有害生物脚部特征、多维有害生物腹部特征、多维有害生物头部特征、多维有害生物口器特征具有标志性的局部多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的匹配关键点对，通过多维有害生物形态轮廓电子点云数据与基于有害生物检索表预先训练好的有害生物数据库的相似性度量识别有害生物的种属，根据多维有害生物形态轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库的匹配点对采用四元数法计算出旋转矩阵，从而识别待测有害生物的类型；

基于马尔可夫模型算法分割算法，算法步骤如下：

1)将三维点云P降维投影到XOY平面得到二维平面图G：

G(u，v)＝max{z|x＝u，y＝v，(x，y，z)∈P}

2)找G中z值最低点Z mim＝min(G)，将三维点云中高度比Zmim低的点影到XOY到图G1：

G₁(u，v)＝max{z|x＝u，y＝v，z≤Z_min，(x，y，z)∈P}

3)对图G1进行霍夫变换提取最长的直线L：

L＝max{line|line∈Hough(G₁)}

L为有害生物各部位的边界线；

4)记录图G1中垂直于L方向上最长的点云距离记为width：

width＝max{line|line⊥L，line∈G₁}；

5)从高度为z值开始往上，每隔0.1m记录该层点云PC中垂线于直线L的最长距离w：

w＝max{line|line⊥L，line∈P_c}

6)若a*width＜w＜β·width，则跳到步骤5)，否则跳到步骤7)：

7)记录此时的高度Zs，以Zs为分割面，将多维有害生物形态轮廓点云数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4局部形态特征的多维轮廓点云数据：

T(x，y，z)＝{(x，y，z)|z＞Z_s，(x，y，z)∈P}，

B(x，y，z)＝{(x，y，z)|z≤Z_s，(x，y，z)∈P}

关于对多维有害生物形态轮廓电子点云数据分割特征后，分别提取多维有害生物形态轮廓点云有害生物数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4局部形态特征的多维轮廓点云数据的Hams关键点，关键点个数为K，采用SHOT特征描述子描述关键点，计算多维有害生物形态轮廓点云数据的距离并步配基于有害生物检索表预先训练好的数据库，采用RANSAC筛选得到最终的匹配点对数M，计算多维有害生物形态轮廓点云数据分割成多维有害生物脚部特征T1、多维有害生物腹部特征T2、多维有害生物头部特征T3、多维有害生物口器特征T4局部形态特征的多维轮廓点云数据与基于有害生物检索表预先训练好的有害生物数据库中的某种有害生物点云数据相似，但是第一次的识别所得到的结果不一定达到输出的要求，因此再进入卷积神经网络进行深度识别学习；

对待测样本精准多维有害生物形态轮廓点云数据先进行分割，然后切面，然后通过八叉树进行结构化点云数据，分类，然后联合，提取待测样本多维有害生物形态轮廓点云数据；

第五步：将待测有害生物样本多维有害生物形态轮廓点云数据，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，与基于有害生物检索表预先训练好的有害生物数据库进行比对、分类检索，进行比对结果验证，再进入卷积神经网络进行深度识别学习；基于有害生物检索表预先训练好的有害生物数据库与提取的特征进行比对，直到达到标准的识别准确度才输出结果。