[发明专利]一种基于生成对抗网络逆映射的多尺度温室植物点云补全方法

权利要求书

1.一种基于生成对抗网络逆映射的多尺度温室植物点云补全方法，其特征在于，所述方法包括以下步骤：

S1、针对温室作物利用三维扫描仪获取完整点云数据用于构建数据集；

S2、将完整点云数据进行不同程度的切割，并保存切割后的点云数据作为残缺点云数据；

S3、预处理数据，并构建训练数据集、测试数据集和验证数据集；

S4、构建基于生成对抗网络逆映射的多尺度温室植物点云补全预训练网络；

S5、将预处理后的点云数据作为基于生成对抗网络逆映射的多尺度温室植物点云补全预训练网络的输入，生成含有温室植物点云的语义信息与结构信息的生成器与鉴别器；

S6、构建基于生成对抗网络逆映射的多尺度温室植物点云补全网络；

S7、利用点云补全网络对残缺温室植物点云数据进行补全，并得到补全结果。

2.根据权利要求1所述的一种基于生成对抗网络逆映射的多尺度温室植物点云补全方法，其特征在于：所述S1，针对温室作物利用三维扫描仪获取完整点云数据用于构建数据集，具体包括：

基于手持三维扫描仪，通过对温室作物利用三维扫描仪重建三维结构，获取完整的温室作物三维结构图，将扫描获取的三维结构图转换为点云；

其中，对所述S2，将完整点云数据进行不同程度的切割，并保存切割后的点云数据作为残缺点云数据具体包括：

将三维扫描仪获取的完整点云进行不同程度的切割，对原始完整点云删除25％、50％、75％，令其构成M(N，3)、M1(N1，3)、M2(N2，3)的残缺点云数据集。其中N代表损失25％的残缺点云的个数，N1代表损失50％的残缺点云的个数，N2代表损失75％的残缺点云的个数；

其中，所述S3，预处理数据，并构建训练数据集、测试数据集和验证数据集，具体包括：

将所述残缺数据集与完整数据集中的数据进行预处理，将所有点云数据的原点都平移到以圆心为原点，并将所有数据的值限制在[-1，1]的范围内；将所述预处理后的残缺点云数据集M、M1、M2分别与预处理后的完整点云数据集构成三组训练数据集、测试数据集和验证数据集，并将数据集按照8:2的比例划分为训练集与测试集，其中验证集的数据与测试集的数据相同，将所有数据格式转换为h5格式文件。

3.根据权利要求1所述的一种基于生成对抗网络逆映射的多尺度温室植物点云补全方法，其特征在于：所述的S4构建基于生成对抗网络逆映射的多尺度温室植物点云补全预训练网络，具体包括：

利用图卷积的思想构建树形结构图卷积(TreeGAN)，TreeGAN包含生成器与鉴别器，生成器采用完整点云数据，作为输入，输出也为完整点云，对于鉴别器区分真正点云和生成点云并优化生成器产生更接近真实的点云。

4.根据权利要求1所述的一种基于生成对抗网络逆映射的多尺度温室植物点云补全方法，其特征在于：所述的S5将预处理后的点云数据作为基于生成对抗网络逆映射的多尺度温室植物点云补全预训练网络的输入，生成含有温室植物点云的语义信息与结构信息的生成器与鉴别器，具体包括：

将一组仅有温室植物的点云数据作为点云补全预训练网络的输入，使用预训练网络训练在隐空间中包含温室植物语义特征信息与结构特征信息的GAN(包括生成器与鉴别器)。