针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失，进而导致点云分割精度下降的问题，通过改进PointNet++的特征提取及特征聚合模块，提出一种基于特征偏差值和注意力机制的点云分割模型。首先，利用球形采样获取不同的局部邻域，并采用K最近邻（KNN）算法筛选邻域点，计算不同邻域的特征偏差值，获取点云的深层语义信息，增强模型对不同局部邻域的识别能力；其次，利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块，在聚合特征阶段学习不同特征的权重，从而提高模型对不同结构信息的筛选能力，增强模型的分割性能；最后，为了进一步优化模型架构，在全连接层中加入残差模块，共享权重，避免参数冗余，提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证，实验结果表明，所提模型总体精度达到86.69%，较PointNet++提高了5.49个百分点，同时平均F1得分达到了73.97%，较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明，与PointNet++、RandLA-Net和ConvPoint等主流模型相比，所提模型结果较PointNet++也有提升，即相较于PointNet++的分割结果，改进后的模型能够充分提取点云的语义特征，有效提高模型分割精度。

电力电缆敷设不规范是导致绝缘故障的主要原因,影响电缆的安全运行。当前电缆敷设质量检测多采用人工接触式测量,主观性强、精度低,容易对敷设区域造成二次损伤。文章提出一种基于点云的隧道电缆敷设质量参数自动检测方法。首先在电缆敷设施工位置获取隧道电缆点云数据;之后基于隧道的结构特征分割出电缆点云;最后,基于颜色和形态特征从电缆点云中分割出敷设区域并自动测量敷设质量参数。所提出的电缆和敷设区域点云分割算法的平均精确度、召回率、F1分数均大于0.92,自动测量的4个敷设质量参数平均绝对误差均小于0.35 mm。试验表明,该方法可以准确定位电缆敷设区域,并对敷设质量参数进行自动精准测量。

随着工业现代化进程的加快，三维激光点云技术开始出现在工业目标检测中，对激光点云的目标分割提取也成了工业检测中的关键。常用的三维点云分割方法，如区域生长分割、RANSAC（随机抽样一致）分割、K-means（K均值聚类）等无法做到高水平的目标分割与提取。利用MEMS（micro electromechanical system）3D相机对4组目标进行点云数据采集，利用网状RANSAC分割算法，将目标三维点云进行封装，栅格化分割成网状模块，对每个网状模块中的点云进行平面粗分割，整合模块，用欧式聚类对分割后的目标进行细分割，得到最终的目标提取结果并成功完成计数统计。试验结果表明，所提出的网状RANSAC分割算法的分割完整度为91.0%，平均耗时8.25 s，均优于其余三种传统算法，并且成功完成计数。

为解决自动装车车辆检测和码垛规划问题, 设计基于三维激光成像的车辆特征识别和码垛规划系统。设计实现了激光三维扫描系统, 提出点云检校方法, 获取高精度三维点云; 设计基于点云的开放式货车车厢全特征识别算法, 经点云分割、特征识别和参数化, 获取车辆完整的特征参数检测; 基于检测结果设计了码垛规划器, 可直接用于装车机使用; 基于Linux嵌入式系统实现了系统控制、数据采集和处理。完成了超过1 000辆车辆的现场检测和码垛规划测试。系统检测精度优于5 cm, 单车检测和规划时间不大于40 s, 满足全自动装车机车辆检测和码垛规划要求。

点云是3维图像的一种特殊数据形式, 正逐渐成为3维图像信息处理的研究热点; 点云分割是点云数据处理的重要步骤, 对算法的结果有直接影响; 基于3维图像几何特征的点云分割算法结构简洁、运算结果稳定性强, 且易于调整, 在实际应用中占有主要地位。对最近几年涌现出来的基于几何特征的点云分割方法进行了梳理, 根据每种方法的理论基础和应用特点将算法归纳为基于边缘检测、表面特征和模型拟合的点云分割方法, 分析了各类算法的特点和存在的主要问题, 并进行了算法性能比较, 分析了影响点云分割算法效率的主要因素, 最后对未来的发展趋势进行了展望。

点云滤波是机载LiDAR点云后处理应用的必要环节。现有的大多数点云滤波方法往往在地形平坦的区域滤波效果比较好，而在地形起伏较大区域滤波效果较差。为进一步提升点云滤波方法的精度及对复杂环境的适应能力，提出一种基于多约束连通图分割的滤波方法。通过设定垂直性、高差、距离三个约束条件构建点云连通图，实现点云分割，并基于地面覆盖率和格网化高程实现地面种子点集获取与筛选。最后，基于点到邻近地面种子点集拟合平面的距离实现地面点集优化。采用国际摄影测量与遥感学会（ISPRS）网站发布的15组专门用于检验滤波效果的点云数据进行实验。实验结果表明，所提方法针对不同的地形环境均可以获得良好的滤波结果。在与其他四种滤波方法的对比中，所提方法能够取得最小的平均总误差（5.44%）。此外，所提方法的平均一类误差和平均二类误差都相对较小，表明所提方法在去除地物点的同时能够有效保护地形细节。

为了避免利用2D图像提取特征点并进行三维重建的烦琐，同时满足芯片引脚3D测量指标的高精度要求，采用点云处理技术，提出一种基于法向量差异的点云水平校准方法，将该方法与最小外包围盒算法相结合来剔除芯片内部引脚点云。对剩余点云进行聚类分割后，利用采样一致性算法对芯片各外部引脚、上下表面进行平面方程参数拟合并求解各引脚区域的中点。通过以上获取的数据计算芯片高度、引脚栈高以及引脚翘起度。最后，通过试验验证了所述芯片测量方案的有效性。

针对现有的深度学习机载激光雷达(LiDAR)点云分割方法忽略高级全局单点和低级局部几何特征之间的关系导致点云分割精度不高的问题,提出了一种增强语义信息与多通道特征融合的点云场景分割算法。首先对点云信息进行补充,提取点云的归一化高程、强度值、光谱信息构造多通道点云特征,并利用网格化重采样方法建立多尺度邻域点云增强数据集,通过构建双注意力融合层实现通道维度上的特征加权标定和空间维度上的特征聚焦,加深卷积网络结构深层信息传递,挖掘点云的局部区域细粒度特征。采用国际摄影测量与遥感协会提供的数据集对所提算法进行验证,对比分析了所提算法、协会网站已公布的分类结果、主流的深度学习方法的精度值分类总体精度(OA)、综合评价指标(F1)、交并比。实验结果表明,所提算法能够达到更高的分割精度,在Vaihingen数据集上的平均交并比达到52.5%。