买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京林业大学申请的专利基于深度学习方法的林木激光点云枝叶分离方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115880487B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111137023.3，技术领域涉及：G06V10/26；该发明授权基于深度学习方法的林木激光点云枝叶分离方法是由薛联凤;云挺;丁竹娴;曹林;白颢设计研发完成，并于2021-09-27向国家知识产权局提交的专利申请。

本基于深度学习方法的林木激光点云枝叶分离方法在说明书摘要公布了：本发明公开了基于深度学习方法的林木激光点云枝叶分离方法，包括获取林木激光点云数据；将去燥后的激光点云数据分为地上点和地面点；采用机器学习算法以及人工修正方式对地上点进行枝叶分离操作，对已进行枝叶分离操作的地上点进行体素化剖分；将已经进行枝叶分离操作和体素化剖分的点云数据作为训练样本数据集，并采用数据增广的方法对训练样本数据集进行扩增，采用扩增后的训练样本数据集对深度学习网络开展训练，得到训练好的深度学习网络模型；通过训练好的深度学习网络模型中，实现体素内的点云数据的枝叶分离。本发明通过构造的深度学习网络模型可更有效地提取林木点云的全局与局部特征信息，实现点云枝叶分离，准确率高，稳定性好。

本发明授权基于深度学习方法的林木激光点云枝叶分离方法在权利要求书中公布了：1.基于深度学习方法的林木激光点云枝叶分离方法，其特征在于：包括： 步骤1：获取林木激光点云数据； 步骤2：对采集的激光点云数据进行去燥处理，将去燥后的激光点云数据分为地上点和地面点； 步骤3：采用机器学习算法以及人工修正方式对地上点进行枝叶分离操作，对已进行枝叶分离操作的地上点进行体素化剖分； 步骤4：将已经进行枝叶分离操作和体素化剖分的点云数据作为训练样本数据集，并采用数据增广的方法对训练样本数据集进行扩增，得到新的训练样本数据集； 步骤5：构建深度学习网络，采用新的训练样本数据集对深度学习网络开展训练，得到训练好的深度学习网络模型； 步骤6：采集待测林地的激光点云数据，对采集的激光点云数据进行去燥处理，将去燥后的激光点云数据分为地上点和地面点；对地上点进行体素化剖分，将单个体素内的点云数据输入到训练好的深度学习网络模型中，以实现体素内的点云数据的枝叶分离； 所述深度学习网络包括特征编码层和特征解码层；所述特征编码层用于采用下采样方法提取点云特征信息，所述特征解码层用于采用上采样方法传递点云特征信息； 所述特征编码层包括采样模块、第一分组模块和第一PointConv模块；所述特征解码层包括特征插值模块、第二分组模块和第二PointConv模块； 所述特征编码层共四个，所述特征解码层共四个； 第j个特征编码层中采样模块的计算过程为： 输入大小为d+Cj×Nj的点云矩阵，通过最远点采样法从该点云矩阵中选取Nj+1个子采样点，得到大小为d+Cj+1×Nj+1的点云矩阵； 其中:d+Cj×Nj是指具有d维坐标和Cj维特征的Nj个点，d+Cj+1×Nj+1是指具有d维坐标和Cj+1高维特征的Nj+1个子采样点； 第j个特征编码层中第一分组模块的计算过程为： 输入采样模块输出的d×Nj+1的子采样点的坐标和最初输入的d+Cj×Nj的特征点集，采用最近邻规则分类法，在采样模块提取出的Nj+1个采样点中每个点的邻域内寻找最近的K个近邻点组成一个小组，得到d×K×Nj+1近邻点相对于每个采样中心点的坐标索引集合，并根据坐标索引得到d+Cj×K×Nj+1近邻点的特征集合，其中K是Nj+1个采样中心点中每个点的邻域内近邻点的个数； 第j个特征编码层中第一PointConv模块的输入是三部分数据；其中第一部分数据为：Nj+1个中心点附近K个近邻点的特征，大小为d+Cj×K×Nj+1；第二部分数据为：Nj+1个中心点附近K个近邻点相对于中心点的局部坐标，大小为d×K×Nj+1；第三部分数据为：Nj+1个中心点附近K个近邻点的密度，大小为1×K×Nj+1；第一PointConv模块输出大小为d+Cj+1×Nj+1的新的局部区域； 所述第j个特征编码层中第一PointConv模块的计算过程为： 步骤1、利用核密度估计方法计算中心点附近K个近邻点中每个输入点的核密度估计，再通过核密度估计计算K个近邻点的逆密度变换，再逆密度变换的结果输入多层感知机MLP2进行激活函数的非线性变换，得到大小为1×K的逆密度系数，对逆密度系数进行Cin次的复制平铺，输出大小为Cin×K的逆密度张量； 步骤2、将K个近邻点相对于中心点的局部坐标输入多层感知机MLP1，输出大小为Cin×Cout×K的权重张量W，其中Cin为输入特征数，Cout为输出特征数； 步骤3、把步骤1输出的大小为Cin×K的逆密度张量和K个近邻点的特征Fin进行点乘运算，输出大小为Cin×K的矩阵再对进行Cout次的复制平铺，输出大小为Cin×Cout×K的中间张量； 步骤4、把步骤2输出的大小为Cin×Cout×K的权重张量W和步骤3输出的大小为Cin×Cout×K的中间张量进行点乘运算，输出大小为Cin×Cout×K的矩阵 步骤5、对步骤4得到的矩阵中的第一维和最后一维进行求和运算，得到中心点的输出特征Fout； 其中中心点为Nj+1个中心点中的某一点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京林业大学，其通讯地址为：210037 江苏省南京市龙蟠路159号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。