全文总字数：5524字
1. 毕业设计（论文）主要内容：
本课题主要研究将完整的铁路场景点云中的特定目标对应的点云块进行快速、准确、鲁棒的分割的点云分割流程，通过研究点云分割算法，完成完整铁路场景点云中的工务目标（如钢轨、 轨枕、道床、扣件、公里牌等）、供电设备（电线杆、接触网等）、信号设备（信号机、 TEDS 轨旁电务设备）、防护设备（防护罩，声屏障）等对应的目标点云分割任务，为之后的基于点云目标分类的智能化铁路设施和资产管理系统提供输入数据，主要包括以下内容：
（1）激光雷达点云预处理和点云滤波方法；
2. 毕业设计（论文）主要任务及要求
|
| 任务 | 要求 |
| 1 | 撰写开题报告内容 | 查阅文献资料，撰写开题报告（不少于5000中文字符）。开题报告中，要求了解本毕业设计相关专业知识的发展历史、现状及趋势，以及本毕业设计领域技术发展历史中的重大突破的背景和影响，并理解本毕业设计领域点云分割算法的设计/开发背景和意义；格式规范，无错字、别字；（1）目的及意义（含国内外的研究现状分析 ）。针对该选题研究意义清楚具体，国内外的研究现状要分层次展开，详细说明国内、国外何时何人（或机构）对该内容作出什么贡献及存在不足,在此基础上提出研究（设计）的基本内容、目标、拟采用的技术方案及措施，该部分至少800汉字； （2）研究目标清楚，基本内容比较具体、明确，拟采用的技术方案及措施详细，必须采用“图形 文字”相结合的方式描述；该部分必须明确指向研究内容，实现研究目标，“基本内容和技术方案”至少400汉字，整个部分占开题报告篇幅不少于60%； （3）进度安排比较合理，重点研究内容时间分布较多； （4）参考文献不少于15篇，其中英文文献不少于3篇。 |
| 2 | 完成技术方案 | 掌握点云分割算法现行原理和基本研究方法；完善技术方案中的“框图 文字”，并细化框图中的模板原理、设计、实现；尽可能做到技术方案理论成熟、完备，详细可行 |
| 3 | 完成代码编写 | 能按照要求设计出满足要求的点云分割算法 |
| 4 | 完成仿真 | 在实际雷达点云数据上对本毕业设计要求的点云分割算法进行测试，并能够理解其局限性；若已有方法不满足实际应用场景的情况下，可以查阅资料并在已有算法的基础上进行改进，使其能适应于分割任务 |
| 5 | 撰写论文 | 撰写毕业设计论文或说明书。毕业设计论文中请体现本毕业设计涉及的工程实践和点云分割处理解决方案；完成完整铁路场景中任务目标点云分割任务；撰写毕业论文过程中不得有抄袭现象，理解基本职业道德、规范与履行责任的含义及其影响。 |
| 6 |
| 毕业论文应科学客观地反映论文撰写期间的全部工作和成果，期望能够自主完成毕业设计内容，同时积极参与课题研讨，提高专业表达能力，提高自身的发展能力。 |
| 7 |
| 翻译与本课题相关的英文资料（不少于3000中文字符）； |
| 8 |
| 通过本课题的训练，培养学生动手能力、分析问题及解决问题的能力； |
3. 毕业设计（论文）完成任务的计划与安排
| 周数 | 任务 |
| 1 | 撰写并完成开题报告，无错字、别字，格式规范。 |
| 2 | 修改、完善开题报告，进行开题答辩，主要对研究意义（1-3句话）、目标（1-3句话）、内容（1-3句话）、技术路线，重点就技术路线中点云分割流程和算法框图进行讲解 |
| 3 | 撰写毕业设计论文目录，需要获得指导老师认可 |
| 4 | 深化、细化技术方案内容，搜索并理解相应技术要求 |
| 5-7 | 完成点云分割算法的编写与调试 |
| 8-10 | 根据编写的代码，在实际雷达点云数据上进行测试，期间可以直接使用已有方法，若已有方法不满足实际应用场景，则提出改进思路和办法，在已有算法的基础上进行改进，使其能适应于分割任务。 |
| 11-14 | 根据论文目录撰写正文，内容层次清楚，格式规范，并修改、完善论文 |
| 15 |
|
| 16 |
|
4. 主要参考文献
[1] R.B. Rusu, S.Cousins, 3D is here: Point Cloud Library (PCL), 2011 IEEE InternationalConference on Robotics and Automation, Shanghai, 2011, pp. 1–4
[2] E. Grilli, F.Menna, A REVIEW OF POINT CLOUDS SEGMENTATION AND CLASSIFICATION ALGORITHMS, 3DVirtual Reconstruction and Visualization of Complex Architectures, 1–3March 2017, Nafplio, Greece
[3] J. Papon, A. Abramov, M. Schoeler and F. Worgotter, “Voxelcloud connectivity segmentation-supervoxels for point clouds,” in Proc. CVPR, 2013, pp. 2027-2034.
[4] Y. T. Su, J.Bethel and S. Hu, “Octree-based segmentation forterrestrial LiDAR point cloud data in industrial applications,” ISPRS J. Photogramm. Remote Sens., vol. 113, pp. 59-74, 2016.
[5] A. V. Vo, L.Truong-Hong, D. F. Laefer and M. Bertolotto, “Octree-basedregion growing for point cloud segmentation,” ISPRS J. Photogramm. Remote Sens., vol. 104, pp. 88-100, 2015.
[6] A. Sánchez-Rodrígueza,B. Riveirob, “Automated detection anddecomposition of railway tunnels from MobileLaser Scanning Datasets”,Automation in Construction J.2019
[7] A. Nguyen and B.Le, "3D point cloud segmentation: A survey," 2013 6th IEEE Conferenceon Robotics, Automation and Mechatronics (RAM), Manila, 2013, pp. 225-230
[8] Y. xu,L.hoegner,S. tuttas. VOXEL- AND GRAPH-BASED POINT CLOUD SEGMENTATION OF 3D SCENESUSINGPERCEPTUAL GROUPING LAWS[J]. ISPRS Annals of Photogrammetry, RemoteSensing and Spatial Information Sciences, 2017, 43-50
[9] BESL P J, JAIN RC. Segmentation through Variable-Order Surface Fitting[J]. IEEE Transactions onPattern Analysis Machine Intelligence, 1988, 10(2):167-192.
[10] WANG Y, SHI H. Asegmentation method for point cloud based on local sample and statisticinference[J]. Communications in Computer and Information Science, 2015,482:274-282.
[11] BIOSCA J M,LERMA J L. Unsupervised robust planar segmentation of terrestrial laser scannerpoint clouds based on fuzzy clustering methods[J]. ISPRS Journal ofPhotogrammetry Remote Sensing, 2008, 63(1):84-98.
[12] R. Q. Charles,H. Su, M. Kaichun and L. J. Guibas, "PointNet: Deep Learning on Point Setsfor 3D Classification and Segmentation," 2017 IEEE Conference on ComputerVision and Pattern Recognition (CVPR), Honolulu, HI, 2017, pp. 77-85.
[13] MostafaArastounia, Automated Recognition of Railroad Infrastructure in Rural Areasfrom LiDAR Data[J]. remote sensing ,2015.
[14] MostafaArastounia, An enhanced Algorithm for Concurrent Recognition of Rail Tracks andPower Cables from Terrestrial and Airborne LiDAR Point Clouds[J].Infrastructures ,2017.
[15] Xu, S.; Wang,R.; Zheng, H. Road curb extraction from mobile LiDAR point clouds[J]. IEEETrans. Geosci. Remote Sens.2017, 55, 996–1009.
[16] Mario Soilan,Review of Laser Scanning Technologies and Their Applications for Road andRailway Infrastructure Monitoring[J], Infrastructures ,2019.
[17] Rodríguez-Cuenca,B.; García-Cortés,S.; Ordó?ez, C. Morphological Operationsto Extract Urban Curbs in 3D MLS Point Clouds[J]. ISPRS. Geo-Inf. 2016, 5, 93.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
