基于DBSCAN的地面激光雷达点云单木树干分割研究

单木信息提取是当下各类森林资源调查研究、森林经营等活动的关键步骤,其效率决定着各项森林资源调查与估测的效率.针对城市区域亚热带阔叶林,利用地面激光雷达能够通过其激光和测距扫描系统直接获得高密度扫描点的点云坐标,采用DBSCAN密度聚类算法从地面激光雷达点云中识别并分割出单棵树干,将点云数据按0.2m和0.5m两类间隔进行分层,分别对每一层点云应用DBSCAN聚类从而获取聚类中心,然后基于聚类中心进行单木树干分割,检测聚类中心和参考树干中心位置之间的距离,将此距离定义为距离误差,设置阈值为0.2 m,距离误差小于该阈值的聚类中心视为匹配成功.结果表明:各个分层点云的聚类结果精度呈正态分布,间隔为0.2m分层的聚类结果,总体精度可达85.84%;间隔为0.5 m的分层,总体精度可达80.49%;若仅用一个测站的数据进行密度聚类,其精度主要取决于该站通视情况.

基于3D点云分析的果园行间穿梭机器人路径规划方法

针对现有果园导航方法易受冠层密度、光照条件、种植不规整、地面不平整等条件影响,导致用于实现自主导航的树行方向估计方法与行尾识别方法稳定性低的问题,本文提出基于3D点云分析的果园行间穿梭路径规划方法,该路径规划方法包含树行识别定位方法、场景识别方法、路径规划方法,用于密植果园机器人行间自主穿梭的导航系统。首先,设计了基于点云语义分割网络的果树树干点云提取方法,实现了树行的识别与定位;其次,设计了基于卷积神经网络的位置场景识别方法,实现了行头等位置的场景识别;最后,设计了基于有限状态机的行间行进策略管理方法与基于RS曲线的行间路径规划方法,实现了果园多行连续行走。基于本文方法的树干点云分割平均交并比为88.3%,果树平均定位误差为2.04%(x方向)、1.54%(y方向),树行方向估计平均误差为1.11°,行尾识别正确率为96%,行内中线行走平均偏差为0.08 m。实验结果表明,本文所提出路径规划方法能够满足果园环境下树行定位与位置场景识别准确性要求,有效规划行间穿梭路径,为果园激光自主导航提供有效参考。

基于移动激光扫描的行道树树干提取

基于移动激光扫描技术的行道树资源调查是当前的研究热点及未来的发展趋势,树干提取是行道树定位与分割的核心步骤,已有方法由知识驱动,人工设计树干检测规则,难以跨越低层点云数据到高层地物目标的语义鸿沟。针对上述问题,基于移动2D LiDAR系统采集的城市街道点云数据,将行道树树干提取分为树干点云识别与树干点云分割2个步骤。首先,构建城市街道点云标注数据集,提取深度、高程、维度、密度、强度等14个局部点云特征,采用Boosting监督学习算法从标注数据集中自动学习树干点云与非树干点云的差异性,通过特征融合获取高精度树干点云检测器;然后,基于树干点云识别结果,采用帧投影方法分割标识出每一根树干。试验结果表明:基于监督学习的树干点云检测器有较好的分类性能,为树干分割提取提供了精准数据,对于0.10~0.40 m的球域半径,测试集查准率均高于93%,查全率均高于94%。此外,以Bayes错误率为评价指标衡量单个特征的鉴别力,得出鉴别力最强的3个特征为高程方差、强度范围及强度方差。

基于改进PointNet++模型的苗圃树木点云分类与分割

激光点云技术可用于苗圃树木生长状态监测与管理,为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性,提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先,调整PointNet++深度网络邻居点云的相对特征值,同时融合三维点云的低维和高维特征,充分利用各层级点云的特征。然后,将坐标注意力模块与注意力池化融合,进一步增强局部特征提取的能力,提高分类和分割的准确性。最后,针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明,提出的树种识别方法总体精度可达92.50%,平均类别精度为94.22%;提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++,能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

基于点云法向量的行道树主干分割方法

针对现有树干分割受到枝叶遮挡以及噪声影响导致精度不高的问题,提出了一种根据点云法向量的分层树干分割方法。首先对树干进行嵌套处理,在保留完整树干的同时去除下垂枝叶;其次对树干进行分层处理,并对每一层点云进行统计滤波;最后计算每层点云的法向量,根据其统计特征计算正确的分割高度。以银杏、水杉和柳树三种树木为研究对象进行实验,结果得到决定系数分别为0.974、0.934、0.922,均方根误差分别为0.070 m、0.075 m、0.132 m,说明所提方法具有较高的分割精度,能够为树木结构参数的准确提取提供技术支撑。