论文部分内容阅读
为了促进林业机械化装备的智能化发展，实现对复杂林下环境信息的准确获取与快速识别，并解决由于林下环境复杂而导致的装备行驶和作业过程中，作业中断、效率降低及驾驶员危险等问题。本文在激光测量技术的基础上，获取林下环境的多维激光点云数据。然后通过深度学习的相关技术构建用于识别多维激光点云数据的深度卷积网络模型，充分发挥神经网络的优势，将特征提取与分类任务一体化，自动完成目标特征学习，形成端到端的训练优化过程，从而实现林下环境采育目标及障碍物的有效快速识别。另外，针对装备作业过程中反复测量造材长度而产生的效率降低问题，开发了基于多段自适应PID控制的精准进料辊控制算法，为进一步提升林业机械化装备的作业效率以及智能化水平提供理论基础。本文的主要研究内容如下: 1.研究了林下环境激光点云数据的获取及预处理方法。主要通过Faro激光扫描仪扫描得到多维激光点云的原始数据，然后运用Geomagic studio软件对点云数据进行分割滤波处理;随后提取并采样简化目标样本，从而建立完善的林下环境点云目标数据库。 2.研究了适用于林下环境三维激光点云数据的深度卷积神经网络识别算法。在常规深度卷积网络的已有技术基础上，结合林下环境激光点云数据的特点以及识别的需求，搭建这种专有的点云深度卷积网络结构。随后对文中所提出的网络模型，在保证识别性能的前提下，进一步探索网络结构的轻量化，以满足林业机械装备的实际应用需求。 3.考虑到光学信息能够弥补林下环境中目标的非结构性给识别任务所带来的难度，为此，将三维点云与光学色彩信息融合，并研究这种多维彩色点云数据对网络识别性能的影响。从而建立更高性能的多维点云深度神经网络模型。 4.结合林木联合采育装备作业机头的控制过程，研究了基于增量式PID算法在自动精准进料控制上的应用，通过对比不同的实验参数对实际进料结果的影响，提出基于多段自适应PID的精准进料制算法。