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！

龙图腾网获悉南京航空航天大学申请的专利一种基于三维点云数据及神经网络的森林蓄积量计算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：CN120450998B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510944633.6，技术领域涉及：G06T5/70；该发明授权一种基于三维点云数据及神经网络的森林蓄积量计算方法是由何俊超;王博;李玉春;盛庆红;凌霄设计研发完成，并于2025-07-09向国家知识产权局提交的专利申请。

本一种基于三维点云数据及神经网络的森林蓄积量计算方法在说明书摘要公布了：本发明公开了一种基于三维点云数据及神经网络的森林蓄积量计算方法，包括对点云数据进行预处理，包括点云去噪、滤波和归一化，去除单木信息以外的周边地物环境、非地面点等冗余数据；采用基于形态学滤波的标记控制分水岭算法对树冠中心点进行标记，实现单木分割，并提取单木胸径、树高、冠幅等单木参数；建立神经网络蓄积量反演模型，模型以单木参数作为输入层，以森林蓄积量作为输出层，采用优化算法对训练过程进行优化；利用蓄积量反演模型对森林蓄积量进行估算，将样地清查数据中的胸径、树高、冠幅输入模型，输出森林蓄积量估算结果。

本发明授权一种基于三维点云数据及神经网络的森林蓄积量计算方法在权利要求书中公布了：1.一种基于三维点云数据及神经网络的森林蓄积量计算方法，其特征在于：包括如下步骤： 步骤1点云预处理，对获取的三维点云数据进行去噪、滤波和归一化操作，去除与单木信息无关的冗余数据； 步骤2单木分割与参数提取，采用基于形态学滤波的标记控制分水岭算法对树冠中心点进行标记，实现单木分割，并提取单木胸径、树高、冠幅参数； 步骤3蓄积量反演模型构建与训练，构建以单木胸径、树高、冠幅为输入层，森林蓄积量为输出层的BP神经网络模型，采用自适应优化算法优化所述BP神经网络模型的初始权值与阈值，提升模型收敛性与泛化能力； 步骤4蓄积量估算，利用蓄积量反演模型对森林蓄积量进行估算，将样地清查数据中的胸径、树高、冠幅输入模型，输出森林蓄积量估算结果； 其中，所述步骤3中自适应优化算法为改进的粒子群优化算法，其通过以下机制优化BP网络初始参数： 机制1：将BP神经网络的权值与阈值映射为粒子群优化中的粒子位置参数，以训练样本输出误差作为适应度函数； 机制2：通过实时计算粒子种群的适应度方差： 其中，N为粒子数量，favg是种群平均粒子适应度，动态调整搜索权重因子；i为粒子编号，d为粒子位置的维度编号； 机制3：基于粒子适应度值自适应调节惯性因子ω：若粒子适应度高，则减小ω以聚焦局部精修；若适应度低，则增大ω以增强全局搜索，具体公式为： ω＝ωmin+ωmax-ωminεδ+1-εωs 其中，ωmin和ωmax是惯性因子的最小值和最大值；ωs＝0.1为修正因子；δ为进化因子，t是当前迭代次数，T是最大迭代次数，s是一个大于1的整数；ε＝sinarctanX； 机制4：粒子速度更新公式为： 粒子位置更新公式为： 其中，α为约束因子；c1和c2为加速常数，且c1＝1.5，c2＝1.2；r1，r2为0～1之间的两个随机数，用xi表示第i个粒子的当前位置，pi表示第i个粒子的个体最优值，pg表示当前的种群最优值； 所述步骤3中自适应优化算法的训练流程为： 3.1初始化粒子群参数：粒子数量为50，初始位置和速度随机设置，惯性因子初始值由适应度方差计算获得； 3.2通过迭代更新粒子速度与位置，在权值空间中搜索最优初始参数组合，当适应度误差不再随迭代次数减小或达到设定阈值时，停止全局优化； 3.3将优化后的权值与阈值作为BP算法初始值，通过梯度下降算法进行局部精修训练，构建森林蓄积量反演模型。

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航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。