基于YOLACT的行道树靶标点云分割方法

针对复杂城区环境下行道树靶标点云检测难度较大,导致基于激光雷达(LiDAR)的果园对靶施药技术难以推广的问题,提出基于YOLACT的行道树靶标点云分割方法,为行道树对靶施药提供基础数据。首先,应用移动激光扫描(MLS)技术采集街道一侧的三维点云数据;然后,提取深度、回波强度和回波次数信息,建立由二维LiDAR扫描线组成的三通道街道图像;最后,使用图像实例分割算法YOLACT建立行道树靶标分割模型,从街道图像中分割出每一棵行道树靶标。实验采集了一段300 m长街道两侧的点云数据,通过无损图像转换、切片、翻转扩充等处理得到1948张像素720×720的街道点云图像,按照6∶2∶2的比例划分出训练集、验证集和测试集,用来训练和测试行道树靶标分割模型。在386张测试图像上,令检测框与真值框的交并比阈值为0.5~0.9,以0.05为步长增加,得到的平均精确率为0.973,平均召回率为0.985,平均F1分数为0.979,平均每条LiDAR扫描线的处理时间是12.903 ms。实验结果表明,提出的方法能够快速准确分割出行道树靶标,为行道树对靶施药提供实时数据。

基于Mask R⁃CNN的行道树实例分割方法

针对行道树资源调查中的行道树图像分割问题,基于Mask R-CNN提出一种行道树实例分割算法。首先对图像数据进行采集和标注,建立行道树图像数据集,并对图像进行尺寸变换、数据扩充等预处理以缓解网络训练的过拟合问题;随后,运用迁移学习等思想将大型图片数据集COCO上的预训练网络参数迁移到行道树实例分割模型中作为初始化,并对模型进行训练直至收敛。实验中采集了香樟、悬铃木、广玉兰、柳、银杏、棕榈等多种行道树信息,经预处理后形成的行道树图像数据达到1482张,将图像顺序随机打乱并划分训练集、验证集和测试集;接着采用深度学习框架Tensorflow进行训练迭代40000次,最后用测试集的294张图像对模型进行测试,将检测结果与标注的真值进行比对,得出平均交并比约为80%,平均查准率和平均查全率均达到95%以上;在检测速度方面,检测一张图片平均耗时0.476 s,可满足行道树资源调查的需要。实验结果表明,该模型能够实现对不同行道树树种实例的有效精细分割。