買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉南京航空航天大學申請的專利一種基于三維點云數據及神經網絡的森林蓄積量計算方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120450998B 。

龍圖騰網通過國家知識產權局官網在2025-09-05發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510944633.6，技術領域涉及：G06T5/70；該發明授權一種基于三維點云數據及神經網絡的森林蓄積量計算方法是由何俊超;王博;李玉春;盛慶紅;凌霄設計研發完成，并于2025-07-09向國家知識產權局提交的專利申請。

本一種基于三維點云數據及神經網絡的森林蓄積量計算方法在說明書摘要公布了：本發明公開了一種基于三維點云數據及神經網絡的森林蓄積量計算方法，包括對點云數據進行預處理，包括點云去噪、濾波和歸一化，去除單木信息以外的周邊地物環境、非地面點等冗余數據；采用基于形態學濾波的標記控制分水嶺算法對樹冠中心點進行標記，實現單木分割，并提取單木胸徑、樹高、冠幅等單木參數；建立神經網絡蓄積量反演模型，模型以單木參數作為輸入層，以森林蓄積量作為輸出層，采用優化算法對訓練過程進行優化；利用蓄積量反演模型對森林蓄積量進行估算，將樣地清查數據中的胸徑、樹高、冠幅輸入模型，輸出森林蓄積量估算結果。

本發明授權一種基于三維點云數據及神經網絡的森林蓄積量計算方法在權利要求書中公布了：1.一種基于三維點云數據及神經網絡的森林蓄積量計算方法，其特征在于：包括如下步驟： 步驟1點云預處理，對獲取的三維點云數據進行去噪、濾波和歸一化操作，去除與單木信息無關的冗余數據； 步驟2單木分割與參數提取，采用基于形態學濾波的標記控制分水嶺算法對樹冠中心點進行標記，實現單木分割，并提取單木胸徑、樹高、冠幅參數； 步驟3蓄積量反演模型構建與訓練，構建以單木胸徑、樹高、冠幅為輸入層，森林蓄積量為輸出層的BP神經網絡模型，采用自適應優化算法優化所述BP神經網絡模型的初始權值與閾值，提升模型收斂性與泛化能力； 步驟4蓄積量估算，利用蓄積量反演模型對森林蓄積量進行估算，將樣地清查數據中的胸徑、樹高、冠幅輸入模型，輸出森林蓄積量估算結果； 其中，所述步驟3中自適應優化算法為改進的粒子群優化算法，其通過以下機制優化BP網絡初始參數： 機制1：將BP神經網絡的權值與閾值映射為粒子群優化中的粒子位置參數，以訓練樣本輸出誤差作為適應度函數； 機制2：通過實時計算粒子種群的適應度方差： 其中，N為粒子數量，favg是種群平均粒子適應度，動態調整搜索權重因子；i為粒子編號，d為粒子位置的維度編號； 機制3：基于粒子適應度值自適應調節慣性因子ω：若粒子適應度高，則減小ω以聚焦局部精修；若適應度低，則增大ω以增強全局搜索，具體公式為： ω＝ωmin+ωmax-ωminεδ+1-εωs 其中，ωmin和ωmax是慣性因子的最小值和最大值；ωs＝0.1為修正因子；δ為進化因子，t是當前迭代次數，T是最大迭代次數，s是一個大于1的整數；ε＝sinarctanX； 機制4：粒子速度更新公式為： 粒子位置更新公式為： 其中，α為約束因子；c1和c2為加速常數，且c1＝1.5，c2＝1.2；r1，r2為0～1之間的兩個隨機數，用xi表示第i個粒子的當前位置，pi表示第i個粒子的個體最優值，pg表示當前的種群最優值； 所述步驟3中自適應優化算法的訓練流程為： 3.1初始化粒子群參數：粒子數量為50，初始位置和速度隨機設置，慣性因子初始值由適應度方差計算獲得； 3.2通過迭代更新粒子速度與位置，在權值空間中搜索最優初始參數組合，當適應度誤差不再隨迭代次數減小或達到設定閾值時，停止全局優化； 3.3將優化后的權值與閾值作為BP算法初始值，通過梯度下降算法進行局部精修訓練，構建森林蓄積量反演模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京航空航天大學，其通訊地址為：210016 江蘇省南京市秦淮區御道街29號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。