针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干...针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。展开更多
结构参数和生物量是衡量森林碳储量与碳循环的核心指标,而激光雷达(Light Detection and Ranging,LiDAR)是精确测量单木参数的关键技术。以上海市崇明岛某水杉林为研究对象,基于手持(HLS)、地基(TLS)和机载(ALS)3种平台获取的LiDAR点云...结构参数和生物量是衡量森林碳储量与碳循环的核心指标,而激光雷达(Light Detection and Ranging,LiDAR)是精确测量单木参数的关键技术。以上海市崇明岛某水杉林为研究对象,基于手持(HLS)、地基(TLS)和机载(ALS)3种平台获取的LiDAR点云数据,提出了一种整合点云强度和密度以及三维连通性聚类的单木茎叶分离技术,并结合树木定量结构模型(TreeQSM)和随机森林算法,系统比较了各平台及其联合数据在单木参数提取与生物量估算中的性能差异。结果表明:①整合单木粗分割和精分割、单木茎叶分离、TreeQSM以及随机森林机器学习,本研究方法可以精确地实现不同平台LiDAR单木结构参数提取和生物量反演;②不同平台在数据采集效率和点云质量上各有侧重,适用场景不同。TLS点云密度最高,枝干结构刻画最精细,但成本最高;ALS覆盖范围广,能高效完整获取树高与冠层信息(树高相对完整度均为100%);HLS则在树木胸径的快速测量上表现突出(胸径闭合度全部处于75%~100%等级);③多源数据融合可以实现优势互补,显著提升关键参数的提取精度,如融合地面平台数据可将ALS的胸径精度R^(2)从0.19提升至0.82以上;④在生物量预测方面,基于TreeQSM多维参数构建的随机森林模型表现出良好性能(所有模型R^(2)>0.7),联合数据集的精度普遍优于单源数据集,其中,HLS+TLS数据集的模型精度最高(R^(2)=0.94)。整体来看,基于TreeQSM的地面端高精度枝干参数是生物量估算的关键,在已有高精度地面数据时,ALS提供的冠层补充信息对生物量精度的边际增益有限,研究结果可为多平台LiDAR数据在林业调查中的优化组合与应用提供理论指导和技术参考。展开更多
文摘针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。
文摘结构参数和生物量是衡量森林碳储量与碳循环的核心指标,而激光雷达(Light Detection and Ranging,LiDAR)是精确测量单木参数的关键技术。以上海市崇明岛某水杉林为研究对象,基于手持(HLS)、地基(TLS)和机载(ALS)3种平台获取的LiDAR点云数据,提出了一种整合点云强度和密度以及三维连通性聚类的单木茎叶分离技术,并结合树木定量结构模型(TreeQSM)和随机森林算法,系统比较了各平台及其联合数据在单木参数提取与生物量估算中的性能差异。结果表明:①整合单木粗分割和精分割、单木茎叶分离、TreeQSM以及随机森林机器学习,本研究方法可以精确地实现不同平台LiDAR单木结构参数提取和生物量反演;②不同平台在数据采集效率和点云质量上各有侧重,适用场景不同。TLS点云密度最高,枝干结构刻画最精细,但成本最高;ALS覆盖范围广,能高效完整获取树高与冠层信息(树高相对完整度均为100%);HLS则在树木胸径的快速测量上表现突出(胸径闭合度全部处于75%~100%等级);③多源数据融合可以实现优势互补,显著提升关键参数的提取精度,如融合地面平台数据可将ALS的胸径精度R^(2)从0.19提升至0.82以上;④在生物量预测方面,基于TreeQSM多维参数构建的随机森林模型表现出良好性能(所有模型R^(2)>0.7),联合数据集的精度普遍优于单源数据集,其中,HLS+TLS数据集的模型精度最高(R^(2)=0.94)。整体来看,基于TreeQSM的地面端高精度枝干参数是生物量估算的关键,在已有高精度地面数据时,ALS提供的冠层补充信息对生物量精度的边际增益有限,研究结果可为多平台LiDAR数据在林业调查中的优化组合与应用提供理论指导和技术参考。
