LiDAR单木分割辅助的无人机影像CNN+EL树种识别

为研究激光雷达单木分割辅助条件下无人机可见光图像树种识别应用潜力,提出联合卷积神经网络（CNN）和集成学习（EL）的树种识别方法。首先利用同期无人机激光雷达数据和可见光影像数据进行单木树冠探测并制作单木树冠影像数据集;其次引入ResNet50网络并结合引入有效通道注意力机制、替换膨胀卷积、调整卷积模块层数搭建出4个卷积神经网络,使用ImageNet大型数据集进行模型预训练,加载预训练参数进行模型初始化并利用制作的单木树冠影像数据集训练出5个不同的分类模型;最后通过相对多数投票法建立集成模型。实验结果表明,单木探测总体精度达到83.80%,集成学习的训练精度、验证精度、独立测试精度分别达到了99.15%、98.34%和90.15%,较ResNet50网络提高了4.23、3.04、9.09个百分点,独立测试精度较随机森林分类最优结果高32.31个百分点。激光雷达单木分割辅助条件下利用卷积神经网络和集成学习策略能够充分提取无人机图像特征用于树种识别。     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和Sf M三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用Sf M技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取k NN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

基于高分辨率遥感图像的荔枝林树冠信息提取方法研究

为有效提取荔枝林树冠信息,解决局部最大值法窗口选择和区域生长法在树冠相互连接时的过度生长问题,将水文分析和区域生长融合方法用于荔枝单木探测和树冠描绘。首先将均值滤波方法平滑后的全色图像进行反转完成图像预处理;然后对预处理后图像提取洼地和洼地贡献区域,接着剔除错提洼地,合并树冠分支洼地的贡献区域,从而提取树顶位置,完成单木探测;最后以单木探测结果为种子点,采用区域生长方法对树冠进行描绘,种子生长被限定在洼地贡献区域内,在阈值控制下进行生长,最终完成单木树冠描绘。采用遥感分类精度评价指标对提取结果进行评价,单木探测总体精度为87.75%,用户精度为80.69%,生产者精度为96.06%;单木树冠描绘总体精度为78.69%,用户精度为71.32%,生产者精度为87.76%。     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。     

基于机载激光雷达点云的飞行障碍物提取方法研究

无人机搭载激光雷达扫描仪以获取机载点云已成为农作物冠层结构信息提取的理想数据源，基于机载激光雷达点云提取树木、电力塔、电力线等飞行障碍物，为无人机安全飞行提供可靠数据。首先，使用TerraSolid软件对点云进行滤波，分离地面点，提取植被树木、电力塔、电力线等障碍物，根据地物分布进行点云分幅。利用PCL点云库中随机采样一致性及稳健的特征值法构建平面模型，实现分幅后的点云非地面点及飞行障碍物提取。最后，以人工滤波结果和分类结果为参考点云，分别建立基于TIN算法的滤波结果和PCL分割结果的精度验证混淆矩阵，从而对滤波及分割提取障碍物的结果进行精度评价。研究结果表明，TerraSolid软件处理分幅点云效率优于整幅点云数据，TerraSolid及PCL两者对于处理相同分幅点云结果较为相近，其中PCL操作快捷高效，可视性较差。在提取飞行障碍物的过程中，可结合二者优势。     

基于改进Delaunay算法的树冠三维重构单木因子提取

针对树冠结构复杂和点云数据量大的特点,为了提高测算单木因子中树冠表面积和体积的精度和效率,通过改进Delaunay三角网的算法机制,提出一种基于空间分割的分块优先级机制的三角网表面重建算法,用于重构树冠表面,形成一种高精度高效率的树冠表面积和体积因子提取方法.利用地面三维激光扫描系统获取树冠点云数据,分别通过传统人工方法、点云量测法、数字高程模型算法与提出的改进SD Delaunay算法,计算实验区域研究对象的树冠表面积与体积,并进行对比分析,结果表明提出的算法完全满足计算精度,同时该计算方法的耗时只有传统人工法的41％,数字高程模型法的62％,大大提高了运算效率.     

基于LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。     

基于改进爬峰法高分辨率遥感影像分割的树冠提取

对现有爬峰法利用高分辨率遥感影像分割进行树冠提取时存在的问题进行直方图压缩和基于类的二次合并两方面的改进,并将改进后的爬峰法在Matlab平台上模拟实现。以Quick Bird影像为基础数据源提取单木树冠,分析树冠面积提取精度,验证改进爬峰法对高分遥感影像树冠分割的可靠性。研究结果表明:实验样本精度均达到85%以上,与传统目视解译精度比较相差较少,满足应用需求。     

地基激光雷达提取单木冠层结构因子研究

在传统森林计测中,由于树木冠层的形态各异、结构复杂,往往难以精确获取结构因子。本文以地基激光雷达为工具,通过对单木扫描获取点云数据,基于球极平面投影和Lambert方位角等面积投影法计算冠层孔隙度,运用不规则面投影法和体元法提取树冠的体积和表面积,并对结果进行了对比分析。选取北京林业大学校园内6株立木为研究对象,结果表明,对于冠层孔隙度,球极平面投影的结果均小于Lambert方位角等面积投影,平均误差为0.03;对于体积和表面积,运用不规则面投影法和体元法得到树冠体积相对误差为5.32%~12.43%,平均相对误差为9.29%,提取的树冠表面积的相对误差为1.40%~5.21%,平均相对误差为3.33%。2种方法得到的结果差别不是很显著。因此利用地基激光雷达获取点云数据,通过对单木一次扫描提取冠层孔隙度、树冠体积和表面积,为计算树木的三维绿量、生物量、光合作用能力等提供了更可靠的数据支持。     

基于改进SURF算法无人机影像特征匹配的研究

由于无人机受相机广角和飞行高度的限制,单张影像无法拍摄整个农田形状,导致无法准确测量农田实际面积。为此,基于图像特征匹配技术,提出改进SURF算法,用于无人机影像拼接。该算法针对传统SURF算法初始特征点选取精度不足的问题提出改进方案,优化高斯模糊的过程,进而形成新的尺度空间生成方式。通过在实验基地试验得出:本研究提出的改进SURF算法比传统SURF算法特征点在卷积核尺寸为3×3时,70 m、120 m高空的匹配率分别提升4.7%和5.3%;在卷积核尺寸为5×5时,70 m、120 m高空的匹配率分别提升4.0%和4.3%。本研究将改进后的SURF算法用于后期图像拼接中,经试验对比发现:改进的SURF算法在图片拼接处衔接程度明显提升,得到匹配精度更优的拼接图像。     

基于三维激光点云数据的树冠体积估算研究

树冠体积是预估树木生物量的重要参数之一。为了实现对树木冠体体积无损高精度量测,随机抽取了6个树种、共计30棵树木的三维激光点云数据作为数据源,对树冠体积的求算方法进行研究。首先,对三维激光点云数据进行匹配、拼接、去噪及压缩等处理,提取冠体点云数据;其次,提取每一棵样木树冠的边缘特征点;最后,应用不规则三角网TIN的原理算法计算冠体体积。本文所提取的边缘特征点能够最大限度地维持树冠冠体的整体不变形,还能够继续去除部分冗余数据,缩短了不规则三角网TIN的构建时间,提高了计算效率;此外,树种包含有针叶树和阔叶树,在冠形上既有针叶树所特有的冠体体态特征,又有阔叶树的冠体体态特征,其研究结果具有一定的代表性。本文采用的方法与已有文献计算结果对比表明:均方根误差为0.832,平均绝对误差为0.49,平均相对误差为1.75%,可看出二者之间差异较小;同时在30个样木中随机抽取5个样木的人工测量结果与本研究相比较,取得的精度相对较好。采用本研究所得结果精度较高,能够满足生产需求。     

基于动态K阈值的苹果叶片点云聚类与生长参数提取

根据冠层点云的分布特征,提出一种基于动态K阈值的叶片点云聚类及生长参数提取方法。首先,采用地面三维激光扫描仪获取多站点云数据并完成配准、去噪和抽稀等预处理;然后,随机截取整株点云中的一枝作为研究对象,融合局部凹凸性算法(LCCP)并改进K-means算法,提出基于动态K阈值的叶片点云聚类方法;最后,采用主成分分析方法(PCA)计算叶片点云法平面方向向量,并根据叶片边界点与中心点的位置关系,计算叶宽、叶长等生长参数。试验结果表明,与传统的点云聚类方法相比,本文方法能够在不损失枝干点云的前提下,精确地分割单叶片,保证了聚类结果的完整性和彻底性;与传统的降维方法相比,本文基于真实三维空间信息提取叶片生长参数能够较大程度提高提取准确性,为进一步评价果树冠层光照分布及果园智能化管理提供技术支持。     

基于三维点云的群体樱桃树冠层光照分布预测模型

合理的果树冠层结构和栽培密度可提高其冠层内光截获量,对提升果实产量和质量有重要影响。本文以细纺锤形樱桃树为研究对象,构建了基于三维点云的群体樱桃树冠层光照分布预测模型。使用Azure Kinect DK相机获取群体樱桃树三维点云数据,通过点云数据预处理得到完整的群体樱桃树三维点云数据。在冠层尺度内,对樱桃树冠层点云数据进行分层,提取不同区域的点云颜色特征。提出基于Delaunay三角化凹包算法的点云投影面积计算方法,通过凹包边界点提取和向量积叉乘,计算不同区域的点云投影面积。以点云颜色特征和相对投影面积特征为输入,以实测相对光照强度为输出,建立群体樱桃树冠层光照分布预测模型。试验结果表明,该模型能够较为准确地预测樱桃树冠层内的光照分布,预测值与实际值决定系数平均值为0.885,均方根误差为0.0716。研究结果可为樱桃树合理的种植密度管理及樱桃树休眠期自动化剪枝等提供技术支持。     

丘陵山地果树冠层体积激光测量方法与试验

树冠体积是农药变量喷施、肥料精准施用和果产预估等果园精细管理的重要因素。为了克服丘陵山地果园地面不平整和果树种植不规整等因素对果树冠层体积激光测量方法的影响,搭建了果树冠层体积激光测量平台,基于AHRS和DGPS实现定位定姿,通过空间坐标转换直接求取果树冠层激光扫描点在大地坐标系下的三维数据;并采用切片技术提取冠层点云的面、线信息,以累加方式计算果树冠层体积。测得的大地坐标系下的丘陵山地荔枝树冠层激光点云能较真实地反映果树冠层的形状特征;以3棵人工修剪的圆柱形绿篱树为靶标,冠层体积激光测量与人工测量相对误差约为5%。试验结果表明,依据果树冠层点云测量冠层体积具有较高的准确性和可靠性。     

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon 120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明：使用测树因子树木识别方法,识别平均准确率为0.765,平均召回率为0.778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0.891,平均召回率为0.896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。     

基于三维点云的苹果树叶片三维重建研究

叶片是果树冠层的重要组成部分，对其进行三维重建研究不仅可以对叶片形态特征进行分析，还能为冠层光照分布计算以及果树整形修剪提供理论基础。三维激光扫描仪以非接触、高效、快速获取数据的优势被大量应用于三维空间信息采集工作中。本文提出一种基于三维点云的苹果树叶片结构形态三维重建方法。首先针对叶片的形态特点选择合适的三维激光扫描仪获取苹果叶片三维点云；基于包围盒法搜索K邻域，计算点云中点与其邻域点的平均距离，并设定距离阈值作为判定中心点是否为离散点的依据，进而确定离散点并去除；利用最小二乘原理实现点云局部曲面拟合以及法向量、曲率的计算，提取叶片边界点；对于非边界点部分，根据中心点法向量与其邻域法向量的关系，对点进行不同程度的精简；最后对处理后的叶片点云完成三维重建。结果表明，构建的叶片模型能够较好的保留叶片的三维形态特征，可以为果树冠层重建和光照分布计算提供基础。     

基于车载二维激光扫描的树冠体积在线测量

采用车载二维激光扫描仪获取树木单侧点云数据,坐标变换后通过设置感兴趣区域检测树木,利用垂直分布特性识别树干,得到树冠中心距离。考虑树冠连续/不连续2种情况进行树木分割,将树冠外缘距离与对应树干距离相减算出树冠厚度。将树冠体积离散化为长方体,利用树冠厚度、相邻测量点垂直方向距离、车辆速度、扫描周期等参数进行计算。采用FIFO缓冲区保存在线数据,新采集的一帧数据写入缓冲区末尾,同时从缓冲区开头读出处理好的数据帧输出,实现树冠体积的在线测量。实验结果证明,树冠连续/不连续场景下,方法均能准确检测分割树冠、识别树干,实现树冠体积的在线测量。