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。     

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。     

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。     

基于多时相无人机影像的高郁闭度森林采伐生物量估算

为准确估算森林采伐生物量实现森林碳汇的精准计量，针对采用单一时相可见光无人机影像估算高郁闭度森林采伐生物量较困难的问题，基于伐区采伐前后多时相可见光无人机影像，研究森林采伐生物量高精度的估算方法。以福建省闽侯白沙国有林场一个针叶林采伐小班为试验区，采集分辨率优于10 cm的采伐前后多时相可见光无人机影像，采用动态窗口局部最大值法得到高精度的采伐株数与单木树高信息，再基于采伐后无人机影像，运用YOLO v5方法检测并提取伐桩直径信息，根据胸径-伐桩直径模型来估算采伐木胸径信息，再利用树高和胸径二元生物量公式估算采伐生物量，以实测数据进行验证。根据动态窗口局部最大值法获取株数与平均树高精度分别为96.35%、99.01%,运用YOLO v5方法对伐桩目标检测的总体精度为77.05%,根据伐桩直径估算的平均胸径精度为90.14%,最后得到森林采伐生物量精度为83.08%,结果表明这一新方法具备较大的应用潜力。采用采伐前后多时相无人机可见光遥感，可实现森林采伐生物量的有效估算，有助于降低人工调查成本，为政府及有关部门进行碳汇精准计量提供有效的技术支持。     

基于DOM及LiDAR的多尺度分割与面向对象林隙分类

为研究分割尺度对航空正射影像(DOM)与LiDAR数据协同面向对象林隙分割与分类的影响,以东北典型的天然次生林帽儿山实验林场东林施业区为试验区,对DOM与LiDAR数据进行多尺度分割与面向对象林隙分类。分割过程中,采用基于DOM分割、基于LiDAR数据分割、DOMLiDAR协同分割3种分割方案。每种分割方案采用10种尺度。在每种尺度应用两种数据提取的光谱和高度两种特征,采用支持向量机分类器(SVM)进行林隙分类。研究结果表明:3种分割与分类方案分类精度随尺度的增大整体呈现下降的趋势,与ED3(Modified)趋势相反。基于LiDAR数据在尺度参数10获得了最优分割结果。在所有尺度上(10~100),基于LiDAR数据分割与分类精度高于其他两种数据源的分类精度,相比单独使用DOM优势更加明显。基于LiDAR数据分割与分类方案在尺度参数10时获得了最高分类精度(Kappa系数为80%)。3种分割与分类方案最优尺度的分类精度显著高于其他尺度分类精度。分割尺度对面向对象林隙分类结果有重要影响。     

LiDAR传感器及技术在农业场景的应用进展综述

农业传感器是实现农业现代化发展的关键支撑技术,先进成熟的工业传感器向农业领域拓展应用有效补充了农业传感器的体量。LiDAR传感器由于其较强的抗干扰能力,在复杂多变的农业场景中应用越来越广泛、深入。首先,介绍LiDAR传感器的性能特点,工作原理与分类,市场应用与新技术;然后,基于国内外大量相关研究,系统介绍LiDAR传感器及技术在森林参数测量、果树靶标几何特征探测、作物几何表型特征检测、农业车辆自主导航定位以及农药雾滴飘移检测这5个农业场景的应用进展;同时,针对农业场景中探测对象的特殊性,讨论分析LiDAR传感器及技术在上述5类农业场景应用中的发展趋势;最后,展望LiDAR新技术在农业场景应用中的发展方向,即通过集成自动化采集系统装备与数据智能分析方法进一步提升LiDAR数据精准性、全面性、丰富性和实时性。     

封育对冀北山地人工针叶林林下植被恢复的影响

林下植被在促进养分物质循环、维持立地质量、涵养水源以及保持水土等方面有重要的作用。以木兰林管局较强封育、较弱封育和非封育等3种封育强度的人工油松林和人工落叶松林林下植被为研究对象,对其物种丰富度、群落结构特征和生物量的差异进行了分析。结果表明,较强封育区油松林下植被物种数是较弱封育区的1.27倍,是非封育区的2.03倍,平均高度分别为较弱封育区和非封育区的1.52倍和3.48倍;植被盖度值分别提高11.42%和52.21%。较强封育区油松林下植被生物量是较弱封育区的1.27倍,是非封育区的2.03倍,封育对林下植被地上部分生长的影响,间接的影响了地下部分生长。加强封育是提高林下植物种类与数量,提高人工林立地质量与生态效益的一种重要措施与途径。     

基于机载激光雷达技术的茂密林地单株木识别

提出一种利用LiDAR数据进行单株木识别的方法,首先利用广义高斯模型分解全波形LiDAR数据,得到高密度的点云和相应的波形参数,通过建立数字高层模型得到非地面点云,然后计算点云的空间特征得到林木点云,最后在3D空间中利用马尔可夫随机场重新标记得到单株木点云.实验表明,与传统方法相比,本文方法能有效提高单株木识别的准确性,特别是对茂密林地中低矮、细小林木识别效果明显,平均识别精度达到75％.     

森林智能测绘记算器设计与试验

森林调查主要包括单木胸径、单木树高、单木材积、林分平均胸径、林分平均高、林分密度、林分蓄积量等。以摄影测量学原理、图像处理技术原理、测树学原理为理论基础,设计了森林智能测绘记算器,由自主研发的PDA模块、EDM模块和云台组成,测量时获取倾角、方位角、距离及图像信息等参数,通过在Android Studio 2.1开发环境下集成并利用Java语言进行汇编的4个模块化程序,能够实现树高测量、胸径测量、三元材积解算、3D角规样地测量、基本测量等5项功能。通过试验验证,树高测量精度达97.13%,胸径测量精度达97.08%,材积测量精度达94.52%,林分平均高测量精度达98.09%,林分平均胸径测量精度达98.05%,林分密度测量精度达96.59%,林分蓄积量测量精度达95.72%,符合国家森林资源连续清查的精度要求,可以在林业调查中推广使用。     

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SLAM的无人机飞行参数设定方法研究#br#

为克服无人机林间飞行环境复杂、作业多样化、点云数据质量难以评价等导致的飞行参数不合理、点云数据质量差的问题,提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)的无人机林间环境飞行参数设定方法。首先使用三维激光雷达所采集的林间点云数据进行建图,然后通过建图轨迹与GNSS-RTK数据轨迹进行对比分析,评价点云数据的质量,最后根据其均方根误差对无人机的最佳飞行高度与速度参数进行设定。分析结果表明：飞行速度固定时,机载激光雷达飞行轨迹的均方根误差与飞行高度成正相关。飞行高度固定时,机载激光雷达飞行轨迹的均方根误差与飞行速度成正相关。在平均高度为6~7 m,长度为100 m的林间,无人机的最佳飞行高度为12 m,最佳飞行速度为2 m/s,均方根误差为1.262 m。该方法满足评价点云数据质量的需求,同时为无人机林间环境飞行参数的设定提供理论支撑。     

田间茶树冠层三维信息获取及其高度和轮廓表达方法

茶树的冠层信息是茶树田间管理的重要内容,也是茶叶机械化作业机具设计的重要依据。针对传统的作物冠层信息获取方法费时费力、主观性强且易造成损伤等问题,提出了一种茶树冠层高度和轮廓的获取与估计方法。首先,通过3D LiDAR从多个站点采集茶园的点云数据,对原始点云进行姿态矫正、ROI划分、配准、降噪以及高程归一化预处理,得到高程归一化的茶树点云。其次,通过反距离权重插值法、不规则三角网插值法在不同空间分辨率下生成茶树的冠层高度模型（Canopy height model, CHM）,其中,空间分辨率0.05m下不规则三角网插值生成的茶树CHM具有较好的插值精度,模型产生的凹坑也相对较少。最后,分别以90~100间的21个百分位数提取CHM的栅格值作为茶树冠层高度与实测值比较,结果表明,第98.5百分位数时估计值最为准确,与真值间的相关系数为0.88,平均绝对误差为3.17cm,均方根误差为4.16cm。此外,在高程归一化的茶树点云中提取20处冠层断面点云,分别采用椭圆模型、高斯模型和二次多项式模型拟合了冠层轮廓点云,其中,二次多项式模型能更好地反映茶树冠层轮廓特征,点云与拟合曲线间平均最小距离的均值为2.60cm,方差为0.21cm2。研究可为茶园现代化管理和茶叶机械化作业机具的设计提供理论支持。     

基于改进LOAM的森林样地调查系统设计与试验

森林中线、面特征较少等,导致LOAM算法去畸变及配准精度低、鲁棒性差,很难将该算法直接用于森林调查。为此以LOAM算法为基础设计了LiDAR SLAM森林样地调查系统,在SLAM系统工作流程中剔除了遮挡线特征,避免视点与立木切线点作为线特征参与运算;引入二次去畸变、二次配准等模块提高了去畸变、配准的鲁棒性及精度;该系统将激光雷达测量精度、位姿估计精度等先验信息引入去畸变及配准优化算法中,提高去畸变及配准精度。使用32线激光雷达扫描了4块32 m×32 m的森林样地,利用LiDAR SLAM森林样地调查系统完成样地建图,利用该点云提取的立木位置及胸径与参考数据对比,完成了新型SLAM样地调查系统在森林中建图精度的间接评估。结果显示：立木位置估计值在x、y轴方向的平均误差分别为-0.004 m和-0.011 m,x、y轴方向均方根误差分别为0.081 m和0.083 m;胸径估计值的偏差为0.25 cm(相对偏差为1.18%),均方根误差为1.03 cm(相对均方根误差为5.53%);经与LOAM估计结果相比,改进系统获取的立木位置及胸径精度均提高。结果表明,所设计的LiDAR SLAM森...     

基于变尺度格网索引与机器学习的行道树靶标点云识别

针对行道树连续喷雾施药方式严重污染环境,果园对靶施药技术难以推广至复杂城区环境等问题,应用车载2D LiDAR获取街道三维点云数据,研究行道树靶标识别方法。构建变尺度格网点云索引结构,实现邻域快速搜索及点云在线处理;提取高程、深度、密度、协方差矩阵等11个点云球域特征,分析特征分布特性,采用基于径向基核函数的支持向量机算法融合特征,学习树冠点云分类器;采用FIFO缓冲区保存点云帧序列,实现行道树靶标在线识别。实验结果表明,该方法能够实现行道树靶标精确识别,在测试集上的分类错误率小于0.8%,检出率大于99.4%,虚警率小于0.9%,鉴别力最强的4个特征从高到低依次是高程均值、深度均值、高程范围和高程方差。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于激光雷达的作物收获导航线实时提取方法研究

为提高联合收获机无人驾驶导航路径的精度,本文提出一种基于激光雷达的作物收获导航线实时提取方法。搭建点云数据采集系统,利用平面拟合法确定激光雷达安装高度和安装角度。利用三维激光雷达扫描收获机前方作物的点云数据,结合IMU惯性传感器反馈的姿态信息,实现作物点云数据从激光雷达坐标系到车体坐标系的变换。基于激光雷达扫描视场角、安装高度和安装角度获取感兴趣区域（ROI）的坐标,并对感兴趣区域进行直通滤波和统计滤波,去除灰尘、秸秆粉末等噪声的影响,以实现点云数据无效点和离群点的剔除。提出一种基于栅格八邻域高程差的作物收获导航线快速识别算法,以点云栅格化后在Z轴方向上的坐标值作为检测依据,定义某一栅格与其8个相邻栅格在Z轴坐标上的差值为高程差,遍历栅格并根据设定阈值进行比较判断,实现收获边界点的有效提取。采用最小二乘算法进行收获边界点的拟合,实现田间作业过程中作物收获导航线动态提取。田间试验表明,该方法具有较好的鲁棒性,能在作物稀缺、杂草较多等情况下保持较高的准确性,其中前进方向偏差角平均值为0.872°,割台横向偏差为0.104m,收获导航线准确率为93.5%,可为联合收获机工作提供辅助导航,提高无人驾驶的准确率。     

基于欧氏聚类的三维激光点云田间障碍物检测方法

为满足目前农业机械(简称农机)自动驾驶中农田障碍物检测的需求,提出了一种使用三维激光雷达检测田间障碍物的方法。该方法首先对采集的环境点云进行预处理,采用体素栅格下采样滤波,将稠密的点云在不损失特征信息的情况下进行减量;采用三维长方体对角点划定感兴趣区域以便快速计算;采用随机采样一致性(RANSAC)算法检测出农田地面点云,将地面点云与地面上障碍物点云进行分割。然后对地面上障碍物点云基于K维树(K-d tree)进行欧氏聚类,其中聚类的距离阈值为0.6 m。最后判断聚类的点数量和外接长方体体积,过滤掉点数和体积过大或过小的无效聚类从而得出障碍物。应用32线激光雷达在北京市小汤山国家精准农业示范基地采集田间环境点云,分别对田间机具、草堆、田埂、地头矮房、路边树木和田间行人进行检测,结果表明该方法对田间常见障碍物有较好的检测效果。考虑到人是田间行车安全的重要因素,在田间进行了行人横穿于雷达视野前方且与雷达距离分别为5、10、15、20、25、30 m时算法的检测效果试验,试验结果表明田间行人在30 m内平均检出率为96.11%。该方法可用于大田环境下障碍物的检测,为农机自主行走过程中的避障策...