(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211316076.6 (22)申请日 2022.10.26 (71)申请人 南京林业大 学 地址 210037 江苏省南京市龙蟠路159号 (72)发明人 云挺　姜维　张怀清　曹林　 (74)专利代理 机构 南京科阔知识产权代理事务 所(普通合伙) 3240 0 专利代理师 王纯洁 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/521(2017.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于优化模糊深度网络的林木胸径材积精 准预测方法 (57)摘要 本发明公开了一种基于优化模糊深度网络 的林木胸径材积精准预测方法， 包括： 对林地点 云数据预处理并单木分割； 获取单株树木的林木 参数； 建立林木参数预测 网络， 林木参数预测 网 络包括模糊深度网络和鸽群优化模块， 训练林木 参数预测网络， 训练完成后输出预测值并输送给 鸽群优化模块， 鸽群优化模块更新模糊深度网络 的参数并完成最优参数搜寻， 模糊深度网络依据 最优参数完成自适应训练， 建立林木参数预测模 型； 本发明开展林木参数预测模型， 提出自适应 算法以增强林木参数预测模型对不同林木品种 的泛化能力， 嵌入注意力机制模块增强 网络的鲁 棒性， 融合鸽群优化算法实时调整模糊深度网络 的参数， 进一步提升了模型的预测精度与学习能 力。 权利要求书6页 说明书20页 附图7页 CN 115546179 A 2022.12.30 CN 115546179 A 1.基于优化模糊深度网络的林木胸径材积精准预测方法， 其特 征在于， 包括： 步骤1： 通过机载激光雷达获取 林地点云数据； 步骤2： 对点云数据进行去噪处理， 并采用点云地面点滤波方法对点云数据进行滤波， 对滤波后的点云数据进行 单木分割； 步骤3： 根据分割后的单株树木点云， 获取单株树木的林木参数， 包括东西冠幅、 南北冠 幅、 树高、 点云密度和冠积； 步骤4： 采用人工测绘方法获取对应树木的胸径和材积； 步骤5： 将多株树木的东西冠幅、 南北冠幅、 树高、 点云密度、 冠积、 胸径和材积作 为训练 样本数据集； 步骤6： 建立林木参数预测网络， 林木参数预测网络包括模糊深度网络和鸽群优化模 块， 采用训练样本数据集对林木参数预测网络进行训练， 其中林木参数预测网络的输入为 树木的东西冠幅、 南北冠幅、 树高、 点云密度和冠积， 输出为树木的胸径和材积， 模糊深度网 络训练完成后输出预测值并将预测值输送给鸽群优化模块， 鸽群优化模块更新模糊深度网 络的参数， 当鸽群优化模块完成模糊深度网络的最优参数搜寻后， 模糊深度网络依据最优 参数完成自适应训练， 建立 最终的林木参数 预测模型； 步骤7： 采集待测林地点云数据并按照步骤2和步骤3的方法获取待测林地中每株树木 的东西冠幅、 南北冠幅、 树高、 点云密度和冠积， 将树木的东西冠幅、 南北冠幅、 树高、 点云密 度和冠积输入至最终的林木参数 预测模型， 得到对应树木的胸径和材积的预测值。 2.根据权利要求1所述的基于优化模糊深度网络的林木胸径材积精准预测方法， 其特 征在于， 所述的步骤3中单株树木的林木参数的获取 方法为： 在单株树冠点云的东西方向选取最大距离为东西冠幅； 在单株树冠点云的南北方向选 取最大距离为南北冠幅； 单株树冠点云最高点与水平面的垂直距离为树高； 单株点云的总 数量除以树冠的投影面积为 点云密度； 计算单株树冠点云的凸包体积， 凸包体积即为冠积。 3.根据权利要求2所述的基于优化模糊深度网络的林木胸径材积精准预测方法， 其特 征在于， 所述的步骤4中树木的胸径和材积的获取 方法为： 在树木离地面1.3m处的树干 部位， 通过 卷尺获取树干的周长， 该周长为 树木的胸径； 选取树木的树干上部直径为 处作为形点,D是树木胸径， 测量形点到树梢的长度 为Ht， 测量胸径的横断面积为SD， 测量树木的树高为H， 则树木的材积为： 式中： r为干形指数； Svl为树木的材积。 4.根据权利要求1所述的基于优化模糊深度网络的林木胸径材积精准预测方法， 其特 征在于， 所述步骤6中的模糊深度网络从输入至输出依 次包括自适应模糊层、 模糊推理层、 基于注意力的权值更新层。权　利　要　求　书 1/6 页 2 CN 115546179 A 25.根据权利要求4所述的基于优化模糊深度网络的林木胸径材积精准预测方法， 其特 征在于， 所述的自适应模糊层的计算过程 为： 输入属性xu在自适应模糊层有k个模糊子集， u∈{1,2,3,4,5}， 其中x1、 x2、 x3、 x4、 x5是自 适应模糊层的输入属性， 依次分别为东西冠幅、 南北冠幅、 树高、 点云密度和冠积， 每个输入 属性均有k个模糊子集； 则自适应模糊层共有5 ×k个模糊子集； 训练样本 传入自适应模糊 层中输入属性xu所属的第j个模糊子集， 输出 隶属度 如公式(2)所示： 式中： xu在自适应模糊层的第 j个模糊子集的中心为 xu在自适应模糊层的第 j个模糊 子集的方差为 输入属性的模糊子集总数皆为k， 且k由鸽群优化模块更新， i ＝1,…,n， n为训练样本的个数， 即训练样本的树木总株数； 根据xu的n个训练样本求解 的局部密度 和距离 局 部密度 计算公式为： 式中： 是 的局部密度， du为xu的截断距离， u∈{1,2,3,4,5}， i＝1,2, …,n， m＝1, 2,…,n； 分别计算局部密度大于 的所有训练样本与 的欧式距离， 其中最小值作 为 的距离 如公式(4)所示： 式中： 是 的局部密度且 为 与 之间的欧氏距 离， u∈{1,2,3,4,5}； 若 的局部密度最大， 则 且m≠i； 计算 作为输入属性xu进行聚类初始中心的可能性 值 如公式(5)所示： 式中： max( ρu)为ρu中n个局部密度的最大值； min( ρu)为ρu中n个局部密度的最小值； max ( δu)为δu中n个距离的最大值； min( δu)为δu中n个距离的最小值； ρu为n个训练样本作为输入 属性xu的局部密度， 包括n个局部密度； δu为n个训练样本作为输入属性xu的距离， 包括n个距 离； 步骤(a)、 输入属性xu的n个训练样本中 按照 值大小进行降序排序， 取前k个样本点 作为xu的n个训练样本进行DPKM聚类的初始中心点； 步骤(b)、 计算输入属性xu的n个训练样 本与k个类别中心的欧氏距离， 按照最小距离 分配原则， 将训练样本 分配到最近中心所在的权　利　要　求　书 2/6 页 3 CN 115546179 A 3