CN116385801A - 一种基于多光谱深度学习与点云技术的树木分类方法 - Google Patents
一种基于多光谱深度学习与点云技术的树木分类方法 Download PDFInfo
- Publication number
- CN116385801A CN116385801A CN202310439330.XA CN202310439330A CN116385801A CN 116385801 A CN116385801 A CN 116385801A CN 202310439330 A CN202310439330 A CN 202310439330A CN 116385801 A CN116385801 A CN 116385801A
- Authority
- CN
- China
- Prior art keywords
- tree
- point cloud
- information
- cloud data
- multispectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 241000894007 species Species 0.000 description 30
- 230000005540 biological transmission Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241001632427 Radiola Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 235000002493 Salix babylonica Nutrition 0.000 description 1
- 241000734985 Salix x sepulcralis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于多光谱深度学习与点云技术的树木分类方法、系统、计算机设备和存储介质，其中，其方法包括：获取第一树木点云数据；基于所述单木点云数据，确定树木信息；通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。通过本发明，解决了电力场景树木识别精度低的问题，进而达到了提高树木识别精度和识别效率的效果。
Description
技术领域
本发明实施例涉及电力场景树木识别领域，具体而言，涉及一种基于多光谱深度学习与点云技术的树木分类方法、装置、存储介质及电子装置。
背景技术
现有技术中，常见的树木识别方法包括单木分割和树木识别两部分，其中，常用的单木分割方法包括分水岭方法，区域增长法，以及其他基于二维图像分割的算法。尽管这些方法对于树顶明确且树冠轮廓清晰的高层单木具有很好的分割效果，但使用的二维栅格数据损失了几乎全部的林下信息，对于许多低矮单木缺乏识别能力。
与二维方法相比，更好地利用完整LiDAR点云数据的三维分割方法在单木分割问题中受到越来越普遍的关注。
聚类方法是一种常用的三维方法，其主要包括K-means聚类、层次聚类和局部最大值聚类等。比较了几种改进的K-means聚类和层次聚类方法，发现在K-means算法中使用局部最大值作为初始种子点并缩小点云高度取得了更好的结果，同时层次聚类方法没有得到令人满意的结果。这类算法对于大树和单一简单林分可以产生合理的分割效果，但是算法对于多层复杂林分的应用存在局限性。
而传统的树木分类方法需先采用雷达设备扫描该区域全部树木，获取相关图像，然后对图像预处理和分割，从中提取相关树种特征，再实现特征匹配。通过提取相关样本图像，并进行一系列处理，从中提取样本特征，并存储到树种特征数据库中，再次进行特征匹配。通过匹配结果可确定树种，由此输出树种识别及结果。但是仅使用激光雷达扫描进行树木分类，由于点云只有位置和颜色信息，在电力通道树木密集的地方，无法准确获取树木形态信息，因此难以对不同树种进行区分。
发明内容
本发明实施例提供了一种基于多光谱深度学习与点云技术的树木分类方法、装置、存储介质及电子装置，以至少解决相关技术中树木识别精度低的问题。
根据本发明的一个实施例，提供了一种基于多光谱深度学习与点云技术的树木分类方法，包括：
获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息；
通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
在一个示例性实施例中，所述对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据包括：
根据预设的邻域搜索算法，确定第一点云的邻近点，其中，所述第一点云包括所述第一点云数据中包括的任意一个种子云点；
计算所述第一点云与所述邻近点的距离，确定第一种子云点，其中，所述第一种子云点包括所述第一点云中距离对应的所述邻近点最近的种子云点；
基于预设的生长准则，对所述第一种子云点进行生长处理，以得到所述第一种子云点的树木点云集合；
将相邻的所述第一种子云点的树木点云集合进行合并处理，以得到所述单木点云数据。
在一个示例性实施例中，在所述通过预设的深度学习网络模型对树冠信息、树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果之前，所述方法包括：
获取待识别的树种信息；
基于所述树种信息，通过预设模型，对采集的目标区域的多光谱数据进行分类处理，以得到所述多光谱树种分类信息，其中，所述目标区域包括所述初始点云数据对应的区域，所述预设模型是通过对训练数据对初始模型进行标注训练后得到的。
在一个示例性实施例中，所述基于所述单木点云数据，确定树木信息包括：
基于所述单木点云数据，确定第一轴坐标最值以及第二轴坐标最值；
根据所述第一轴坐标最值，确定第一坐标差值，并根据所述第二轴坐标最值，确定第二坐标差值，其中，所述第一轴坐标最值包括所述单木点云数据对应的第一种子云点的第一轴方向的坐标最值，所述第二轴坐标最值包括所述单木点云数据对应的第一种子云点的第二轴方向的坐标最值；
对所述第一坐标差值做第一平均处理，以得到第一轴平均值，并对所述第二坐标差值进行第二平均处理，以得到第二轴平均值；
根据所述第一轴平均值以及所述第二轴平均值，确定所述树木的树冠直径，其中，所述树冠信息包括所述树冠直径。
在一个示例性实施例中，所述基于所述单木点云数据，确定树木信息包括：
对所述单木点云数据进行第一平面投影以确定所述单木点云数据在所述第一平面的云点数量及云点密度，其中，所述第一平面是由第一方向轴以及第二方向轴组成的；
基于所述云点数量以及所述云点密度，确定所述树冠面积，其中，所述树冠信息包括所述树冠面积。
在一个示例性实施例中，所述基于所述单木点云数据，确定树木信息包括：
基于所述单木点云数据，确定第三轴坐标最值；
计算所述第三坐标最值的差值，以确定高度信息，其中，所述树干信息包括所述高度信息。
在一个示例性实施例中，所述获取第一树木点云数据包括：
获取初始点云数据；
基于预设的数据库，通过第二模型对所述初始点云数据进行噪声过滤处理，以得到所述第一树木点云数据。
根据本发明的一个实施例，提供了一种基于多光谱深度学习与点云技术的树木分类装置，包括：
第一点云模块，用于获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
单木点云模块，用于对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
树木信息确定模块，用于基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息；
树木识别模块，用于通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，由于通过点云数据结合多光谱数据对树木信息进行处理，实现了树木精确识别，从而提高了树木识别精度，因此，可以解决树木识别精度低的问题，达到提高树木识别精度的效果。
附图说明
图1是本发明实施例的一种基于多光谱深度学习与点云技术的树木分类方法的流程图；
图2是本发明具体实施例的原理示意图；
图3是根据本发明实施例的一种基于多光谱深度学习与点云技术的树木分类方法装置的结构框图；
图4是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1
请参阅图1，为本申请实施例提供的一种基于多光谱深度学习与点云技术的树木分类方法的一个流程示意图，所述一种基于多光谱深度学习与点云技术的树木分类方法，包括：
步骤S101，获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
在本实施例中，对初始点云数据进行预处理是为了过滤噪音，从而提高树木识别精度。
其中，初始点云数据可以是通过无人机搭载激光采集设备对目标区域进行激光点云扫描得到的，目标区域可以是输电线路周围的行政区域或自然区域；预处理包括（但不限于）噪音过滤、杂物（如电力杆塔、输电线、行人等与树木无关的建筑物或事物）人工移除等处理方式，噪音过滤可以是通过噪音过滤算法模型来实现，也可以通过其他方式来实现。
步骤S102，对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
在本实施例中，对第一树木点云数据进行生长分割聚类处理是为了确定树木的生长形态，从而方便后续对树木进行分类。
其中，单木点云数据包括（但不限于）单棵树木的点云数据，在此情况下，点云数据中的其他环境数据（如背景花草等）均不纳入识别分类。
步骤S103，基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息。
在本实施例中，在一般情况下，不同种类的树木的树冠和树干的生长数据是存在生长范围的，其树冠和树干之间一般存在一定比例关系，因而此时通过判断树冠与树干之间的关系即可一定程度上识别树木的种类。
步骤S104，通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
在本实施例中，在确定点云的树冠和树干信息之后，再结合多光谱树种分类信息对相对应的树冠和树干再进行进一步识别，从而提高树木的识别精度。
其中，多光谱树种分类信息可以（但不限于）是通过无人机搭载多光谱扫描设备，沿点云扫描路径对同一片输电线路所在的区域进行扫描得到的；配准过程包括将树冠信息和树干信息对应的空间X轴和Y轴的点云数据与对应的多光谱树种分类信息进行匹配，以判断树木的树干点云数据范围和树冠点云数据范围是否落入到多光谱树种的数据范围之中，如果能匹配到，则确定该树木为具体的某一树种，否则判断为非树木，从而需要做进一步的判断。
通过上述实施例，由于结合了多光谱数据处理和点云数据处理，能够避免只用点云数据处理造成的树木识别精度低的问题，从而提高树木识别精度。
需要说明的是，相较于现有技术，本申请创造性的采用点云技术与多光谱识别技术相结合的方式来对输电线路所在区域进行树木识别，极大的提高了识别精度和效率，有利于进行输电线路的维护。
在一个可选的实施例中，所述对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据包括：
步骤S1021，根据预设的邻域搜索算法，确定第一点云的邻近点，其中，所述第一点云包括所述第一点云数据中包括的任意一个种子云点；
在本实施例中，种子云点的选取可以是基于分层高程阈值的方法，先分析点云数据中的高程信息，此时可以确定对应地面的云点以及对应树木的云点，从而方便在输电线路树木点云中提取出最高点，随后再随机选择一定数量的起始云点作为种子云点，这些种子点将作为树木分割的起始点，有助于后续的聚类和分割过程；而确定最近的邻近点是为了将与前述最高点一起共同属于同一棵树木的点云从大量的点云数据中分割出来，从而方便后续对树木种类进行识别判断，降低识别难度。
其中，邻域搜索算法可以（但不限于）是K近邻算法、ALNS（自适应大邻域搜索算法，Adaptive Large Neighborhood Search）算法等。
步骤S1022，计算所述第一点云与所述邻近点的距离，确定第一种子云点，其中，所述第一种子云点包括所述第一点云中距离对应的所述邻近点最近的种子云点；
在本实施例中，确定第一种子云点是为了将同一棵树的云点聚类到一起，从而能够根据聚类后的点云的特征精确的判断树木的种类。
步骤S1023，基于预设的生长准则，对所述第一种子云点进行生长处理，以得到所述第一种子云点的树木点云集合；
在本实施例中，生长规则是用于确定第一点云中的其他云点所归属的树木点云集合，以方便将同一棵树木的云点进行聚类；生长规则可以是根据第一种子云点与邻近点之间的点间距离、颜色、角度等特征来确定，而对第一种子云点进行生长处理包括基于第一种子云点将同一棵树的云点聚类到一起的过程，在这一过程中，第一种子点云的数量不断增加，并可以根据最终的点云特性确定树木的形态，进而判断树木的种类。
步骤S1024，将相邻的所述第一种子云点的树木点云集合进行合并处理，以得到所述单木点云数据。
在本实施例中，在区域生长过程中，将相邻的点云集合进行合并，以形成完整度较高的单木点云数据，并在生长完成后，将生长完成的点云簇添加到点云簇列表中。随后再继续处理下一个未被分割的种子点，直至所有种子点都被处理完毕。最终，得到的点云簇列表便是包含局部的的点云数据以及完成生长的点云数据的单木点云数据。
在一个可选的实施例中，在所述通过预设的深度学习网络模型对树冠信息、树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果之前，所述方法包括：
步骤S10401，获取待识别的树种信息；
步骤S10402，基于所述树种信息，通过预设模型，对采集的目标区域的多光谱数据进行分类处理，以得到所述多光谱树种分类信息，其中，所述目标区域包括所述初始点云数据对应的区域，所述预设模型是通过对训练数据对初始模型进行标注训练后得到的。
在本实施例中，通过预设模型对多光谱数据进行分类处理能够减少人工处理的难度，并提高数据分类效率。
其中，对初始模型进行训练的过程包括根据待识别的树种信息，利用labelme软件（还可以是其他软件）对同段线路采集的训练用多光谱数据进行标注，其中同段线路包括采集点云数据对应的输电线路以及无人机采集点云数据所运动的路径，此时，标注过程只标出目标类别的树木位置，对于其他类型的植被，则一律标注为环境背景，由此构建出了初始多光谱分类数据集，再将初始多光谱分类数据集输送至初始模型进行深度学习训练，从而得到训练好的所述预设模型；最后再用训练好的预设模型对待识别的多光谱数据进行识别分类，以得到所述多光谱数据分类信息。
需要说明的是，目标区域还包括待识别的树木所在的区域。
在一个可选的实施例中，所述基于所述单木点云数据，确定树木信息包括：
步骤S1031，基于所述单木点云数据，确定第一轴坐标最值以及第二轴坐标最值；
步骤S1032，根据所述第一轴坐标最值，确定第一坐标差值，并根据所述第二轴坐标最值，确定第二坐标差值，其中，所述第一轴坐标最值包括所述单木点云数据对应的第一种子云点的第一轴方向的坐标最值，所述第二轴坐标最值包括所述单木点云数据对应的第一种子云点的第二轴方向的坐标最值；
步骤S1033，对所述第一坐标差值做第一平均处理，以得到第一轴平均值，并对所述第二坐标差值进行第二平均处理，以得到第二轴平均值；
步骤S1034，根据所述第一轴平均值以及所述第二轴平均值，确定所述树木的树冠直径，其中，所述树冠信息包括所述树冠直径。
在本实施例中，第一轴坐标可以是空间X轴，第二轴坐标可以是空间Y轴，此时确定第一轴坐标最值和第二轴坐标最值可以分别确定树木在X轴和Y轴的最大生长范围，而对第一轴坐标差值和第二轴坐标差值进行平均化是为了减少识别过程的误差，从而提高识别精度。
需要说明的是，取最值是针对于单个树木，而取平均值则是针对采集到的目标区域内的所有树木的点云数据。
具体的，可以是对每一棵树木的点云簇分别计算其X轴和Y轴的最大值和小值，由此确定他们X轴的最值之间的差值和Y轴的最值之间的差值，再根据差值取平均值，由此作为该输电线路全程中所有树木的树冠的直径。
在一个可选的实施例中，所述基于所述单木点云数据，确定树木信息包括：
步骤S1035，对所述单木点云数据进行第一平面投影以确定所述单木点云数据在所述第一平面的云点数量及云点密度，其中，所述第一平面是由第一方向轴以及第二方向轴组成的；
步骤S1036，基于所述云点数量以及所述云点密度，确定所述树冠面积，其中，所述树冠信息包括所述树冠面积。
在本实施例中，第一方向轴可以是X轴，第二方向轴可以是Y轴，沿X轴和Y轴做投影处理，可以避免三维空间计算造成的计算难度。
具体的，先对每个点云簇（即每一棵树木）进行X轴方向和Y轴方向的投影，再根据投影在XY平面上的点数和点密度来估计树木的树冠面积。
在一个可选的实施例中，所述基于所述单木点云数据，确定树木信息包括：
步骤S1037，基于所述单木点云数据，确定第三轴坐标最值；
步骤S1038，计算所述第三坐标最值的差值，以确定高度信息，其中，所述树干信息包括所述高度信息。
在本实施例中，第三轴坐标可以是Z轴坐标，具体的，可以通过对于每个树木的点云簇，找到具有最高和最低的Z轴坐标值（即高程值）的点，然后计算其差值，即可得到每一棵树木的高度。
在一个可选的实施例中，所述获取第一树木点云数据包括：
步骤S1011，获取初始点云数据；
步骤S1012，基于预设的数据库，通过第二模型对所述初始点云数据进行噪声过滤处理，以得到所述第一树木点云数据。
在本实施例中，通过数据库进行噪声过滤能够避免关键信息被遗漏，从而保证精确过滤。
具体的，通过Python编程语言和PCL（Point Cloud Library）库，对采集到的输电线路树木点云数据进行处理和分析。预处理过程包括去除原始点云数据中的离群点和噪声干扰，同时，也可以手动移除与树木分类无关的类别，如电力杆塔和输电线等。为了实现这一目标，可以使用cloudcompare等可视化软件对干扰噪声进行自动化滤除。
在一个可选的实施例中，所述通过预设的深度学习网络模型对树冠信息、树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果包括：
步骤S1041，基于所述树冠信息，确定所述树冠形状；
步骤S1042，根据所述树冠信息以及所述树干信息，确定树木的树冠树干比例，其中，所述树冠信息包括所述树冠面积，所述树干信息包括树干高度；
步骤S1043，基于所述树冠形状以及所述树冠树干比例，通过所述深度学习网络模型对所述多光谱树种分类信息进行配准处理，以得到所述树木识别结果。
在本实施例中，树冠的形状通常不尽相同，一般分为圆柱形、笔形、钟形、球形、馒头形等至少25个基本类型，而每一个树种的树冠形状又可以细分，例如垂枝型如垂柳和龙枝型如龙爪柳；又不同树种的树冠和树干的生长比例是一定的（冠干比，即树冠树干比例），因而将多光谱树种分类信息与冠干比和树冠形状进行综合匹配，能够进一步提高树木种类识别的精确度。
根据本发明的另一个实施例，如图2所示，提供了一种基于多光谱深度学习与点云技术的树木分类装置，包括：
第一点云模块21，用于获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
单木点云模块22，用于对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
树木信息确定模块23，用于基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息；
树木识别模块24，用于通过预设的深度学习网络模型对树冠信息、树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
在一个可选的实施例中，单木点云模块22包括：
邻近搜索单元221，用于根据预设的邻域搜索算法，确定第一点云的邻近点，其中，所述第一点云包括所述第一点云数据中包括的任意一个种子云点；
第一种子云点确定单元222，用于计算所述第一点云与所述邻近点的距离，确定第一种子云点，其中，所述第一种子云点包括所述第一点云中距离对应的所述邻近点最近的种子云点；
生长处理单元223，用于基于预设的生长准则，对所述第一种子云点进行生长处理，以得到所述第一种子云点的树木点云集合；
合并单元224，用于将相邻的所述第一种子云点的树木点云集合进行合并处理，以得到所述单木点云数据。
在一个可选的实施例中，所述装置还包括：
树种信息采集模块2401，用于在所述通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果之前，获取待识别的树种信息；
数据分类模块2402，用于基于所述树种信息，通过预设模型，对采集的目标区域的多光谱数据进行分类处理，以得到所述多光谱树种分类信息，其中，所述目标区域包括所述初始点云数据对应的区域，所述预设模型是通过对训练数据对初始模型进行标注训练后得到的。
在一个可选的实施例中，树木信息确定模块23包括：
最值确定单元231，用于基于所述单木点云数据，确定第一轴坐标最值以及第二轴坐标最值；
差值确定单元232，用于根据所述第一轴坐标最值，确定第一坐标差值，并根据所述第二轴坐标最值，确定第二坐标差值，其中，所述第一轴坐标最值包括所述单木点云数据对应的第一种子云点的第一轴方向的坐标最值，所述第二轴坐标最值包括所述单木点云数据对应的第一种子云点的第二轴方向的坐标最值；
均值确定单元233，用于对所述第一坐标差值做第一平均处理，以得到第一轴平均值，并对所述第二坐标差值进行第二平均处理，以得到第二轴平均值；
树冠直径确定单元234，用于根据所述第一轴平均值以及所述第二轴平均值，确定所述树木的树冠直径，其中，所述树冠信息包括所述树冠直径。
在一个可选的实施例中，树木信息确定模块23还包括：
第一投影单元235，用于对所述单木点云数据进行第一平面投影以确定所述单木点云数据在所述第一平面的云点数量及云点密度，其中，所述第一平面是由第一方向轴以及第二方向轴组成的；
树冠面积确定单元236，用于基于所述云点数量以及所述云点密度，确定所述树冠面积，其中，所述树冠信息包括所述树冠面积。
在一个可选的实施例中，树木信息确定模块23还包括：
第二最值确定单元237，用于基于所述单木点云数据，确定第三轴坐标最值；
高度确定单元238，用于计算所述第三坐标最值的差值，以确定高度信息，其中，所述树干信息包括所述高度信息。
在一个可选的实施例中，第一点云模块21包括：
初始数据采集单元211，用于获取初始点云数据；
噪声过滤单元212，用于基于预设的数据库，通过第二模型对所述初始点云数据进行噪声过滤处理，以得到所述第一树木点云数据。
下面通过具体实施例对本发明进行说明。
如图3所示，本发明提供包含一种多光谱深度学习驱动的电力场景点云单木分割与分类智能方法，具体包括：
（1）点云数据预处理：通过Python编程语言和PCL（Point Cloud Library）库，对采集到的输电线路树木点云数据进行处理和分析。预处理过程包括去除原始点云数据中的离群点和噪声干扰。同时，手动移除与树木分类无关的类别，如电力杆塔和输电线等。为了实现这一目标，可以使用cloudcompare等可视化软件对干扰噪声进行滤除。
（2）种子点提取：数据预处理完成后，需要从点云数据中提取地面点。这一步骤采用基于分层高程阈值的方法，通过分析点云数据中的高程信息，从输电线路树木点云中提取出最高点。在得到最高点后，随机选择一定数量的代表性种子点。这些种子点将作为树木分割的起始点，有助于后续的聚类和分割过程。
（3）采用聚类方法处理种子点，具体包括：
（3.1）对于输电线路点云数据中的每个种子点，首先使用邻域搜索方法（例如K近邻算法）找到其周围的邻近点。然后，判断各个邻近点离哪一个种子点最近。接下来，依据设定的点间距离、角度、颜色等特征，确定生长准则。在满足生长准则的基础上，对每个种子点进行逐步生长，形成各自对应的树木点云集合。
（3.2）在区域生长过程中，将相邻的点云集合进行合并，进一步形成完整的单木点云数据。将生长完成的点云簇添加到点云簇列表中。然后再继续处理下一个未被分割的种子点，直至所有种子点都被处理完毕。最终，得到的点云簇列表便是分割后的单木点云数据。
（4）树木的高度和冠层信息获取，具体包括：
（4.1）通过对于每个刚刚得到的树木的点云簇，找到具有最高和最低的Z轴坐标值（即高程值）的点。然后计算他们之间的差，即每一棵树木的高度。
（4.2）树冠直径的计算则是对与每一棵树木，即每一个点云簇分别计算最大和最小X轴和Y轴坐标值的点，计算最大的X轴差值和Y轴差值。然后对两个轴差值的取平均值，作为线路通道中树木的树冠直径的估计。
（4.3）树冠面积的计算通过对每个点云簇（即每一棵树木）进行XY方向的投影，根据投影在XY平面上的点数和点密度来估计树木的树冠面积。
（5）多光谱数据标注：明确需要识别的树种，利用labelme软件对同段线路采集的多光谱数据进行标注，只标出目标类别的树木位置，对于其他类型的植被，我们一律标为背景。由此构建出了多光谱分类数据集；
（6）深度学习模型训练：将多光谱分类数据集送入到深度学习网络中进行训练，对于训练好的深度学习网络模型，再对其他的多光谱数据进行测试。最终我们获取到了分类的多光谱数据的类别信息。
（7）点云分割结果与多光谱分类结果配准：利用此前单木分割后的树木信息，每棵树木的位置是否落入到对应的多光谱数据中不同树种的范围中，例如如果得出松树的范围是某一个有X、Y坐标组成的函数，那么可以根据树木的X、Y坐标进行判断，是属于哪一种类别。如果坐标落在指定树木的范围外则认为该树木不属于需要进行生长预测的类别，则舍弃。
（8）最终获得了通道点云的单木信息，包括了树木高度、树木冠层信息和树木类别。
本申请的有益效果：
本发明提供一种多光谱深度学习驱动的电力场景点云单木分割与分类智能方法。通过研究树障点云数据单树木分割技术及树种识别技术，为电力通道内树障的生长情况预测分析提供数据支撑。
在一个实施例中，提供了一种计算机设备，本申请实施例提供的计算机设备，可以是服务器，也可以是客户端：如图4所示，为本申请实施例提供的计算机设备的结构示意图。
处理器1701、存储器1702、总线1705、接口1704，处理器1701与存储器1702、接口1704相连，总线1705分别连接处理器1701、存储器1702以及接口1704，接口1704用于接收或者发送数据，处理器1701是单核或多核中央处理单元，或者为特定集成电路，或者为被配置成实施本发明实施例的一个或多个集成电路。存储器1702可以为随机存取存储器(randomaccess memory，RAM) ，也可以为非易失性存储器(non-volatile memory) ，例如至少一个硬盘存储器。存储器1702用于存储计算机执行指令。具体的，计算机执行指令中可以包括程序1703。
本实施例中，该处理器1701调用程序1703时，可以使图7中的管理服务器执行数据包分析方法操作，具体此处不再赘述。
应理解，本申请上述实施例提供的处理器，可以是中央处理单元(centralprocessing unit，CPU) ，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application-specific integrated circuit ，ASIC) 、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请中以上实施例中的计算机设备中的处理器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。本申请实施例中的存储器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。
还需要说明的是，当计算机设备包括处理器(或处理单元)与存储器时，本申请中的处理器可以是与存储器集成在一起的，也可以是处理器与存储器通过接口连接，可以根据实际应用场景调整，并不作限定。
本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持计算机设备（客户端或服务器）实现上述方法中所涉及的控制器的功能，例如处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，芯片系统还包括存储器，存储器，用于保存必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
在另一种可能的设计中，当该芯片系统为用户设备或接入网等内的芯片时，芯片包括：处理单元和通信单元，处理单元例如可以是处理器，通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使该客户端或管理服务器等内的芯片执行S101-S103的步骤。可选地，存储单元为芯片内的存储单元，如寄存器、缓存等，存储单元还可以是客户端或管理服务器等内的位于芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时实现上述任一方法实施例中与客户端或管理服务器的控制器执行基于多光谱深度学习与点云技术的树木分类方法流程。对应的，该计算机可以为上述计算机设备（客户端或服务器）。
应理解，本申请以上实施例中的提及的控制器或处理器，可以是中央处理单元(central processing unit，CPU) ，还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等中的一种或多种的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请中以上实施例中的计算机设备（客户端或服务器）或芯片系统等中的处理器或控制器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。本申请实施例中的存储器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。
还应理解，本申请实施例中以上实施例中的计算机设备（客户端或服务器）等中提及的存储器或可读存储介质等，可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM ，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM) ，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM) 和直接内存总线随机存取存储器(direct rambusRAM，DR RAM)。
本领域普通技术人员可以理解实现上述实施例的全部或部分由计算机设备（客户端或服务器）或者处理器执行的步骤可以通过硬件或程序来指令相关的硬件完成。程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，随机接入存储器等。具体地，例如：上述处理单元或处理器可以是中央处理器，通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。上述的这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
当使用软件实现时，上述实施例描述一种基于多光谱深度学习与点云技术的树木分类方法步骤可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质等。
本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本申请实施例中所使用的单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，在本申请的描述中，除非另有说明，“/”表示前后关联的对象是一种“或”的关系，例如，A/B可以表示A或B；本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。
取决于语境，如在此所使用的词语“如果”或“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，包括：
获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息；
通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
2.根据权利要求1所述一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，所述对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据包括：
根据预设的邻域搜索算法，确定第一点云的邻近点，其中，所述第一点云包括所述第一点云数据中包括的任意一个种子云点；
计算所述第一点云与对应的所述邻近点的距离，确定第一种子云点，其中，所述第一种子云点包括所述第一点云中距离对应的所述邻近点最近的种子云点；
基于预设的生长准则，对所述第一种子云点进行生长处理，以得到所述第一种子云点的树木点云集合；
将相邻的所述第一种子云点的树木点云集合进行合并处理，以得到所述单木点云数据。
3.根据权利要求1所述一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，在所述通过预设的深度学习网络模型对树冠信息、树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果之前，所述方法包括：
获取待识别的树种信息；
基于所述树种信息，通过预设模型，对采集的目标区域的多光谱数据进行分类处理，以得到所述多光谱树种分类信息，其中，所述目标区域包括所述初始点云数据对应的区域，所述预设模型是通过对训练数据对初始模型进行标注训练后得到的。
4.根据权利要求1所述的一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，所述基于所述单木点云数据，确定树木信息包括：
基于所述单木点云数据，确定第一轴坐标最值以及第二轴坐标最值；
根据所述第一轴坐标最值，确定第一坐标差值，并根据所述第二轴坐标最值，确定第二坐标差值，其中，所述第一轴坐标最值包括所述单木点云数据对应的第一种子云点的第一轴方向的坐标最值，所述第二轴坐标最值包括所述单木点云数据对应的第一种子云点的第二轴方向的坐标最值；
对所述第一坐标差值做第一平均处理，以得到第一轴平均值，并对所述第二坐标差值进行第二平均处理，以得到第二轴平均值；
根据所述第一轴平均值以及所述第二轴平均值，确定所述树木的树冠直径，其中，所述树冠信息包括所述树冠直径。
5.根据权利要求1所述的一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，所述基于所述单木点云数据，确定树木信息包括：
对所述单木点云数据进行第一平面投影以确定所述单木点云数据在所述第一平面的云点数量及云点密度，其中，所述第一平面是由第一方向轴以及第二方向轴组成的；
基于所述云点数量以及所述云点密度，确定所述树冠面积，其中，所述树冠信息包括所述树冠面积。
6.根据权利要求1所述的一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，所述基于所述单木点云数据，确定树木信息包括：
基于所述单木点云数据，确定第三轴坐标最值；
计算所述第三坐标最值的差值，以确定高度信息，其中，所述树干信息包括所述高度信息。
7.根据权利要求1所述的一种基于多光谱深度学习与点云技术的树木分类方法，其特征在于，所述获取第一树木点云数据包括：
获取初始点云数据；
基于预设的数据库，通过第二模型对所述初始点云数据进行噪声过滤处理，以得到所述第一树木点云数据。
8.一种基于多光谱深度学习与点云技术的树木分类装置，其特征在于，包括：
第一点云模块，用于获取第一树木点云数据，其中所述第一树木点云数据是对采集到的初始点云数据进行预处理后得到的；
单木点云模块，用于对所述第一树木点云数据进行生长分割聚类处理，以得到单木点云数据；
树木信息确定模块，用于基于所述单木点云数据，确定树木信息，其中，所述树木信息包括树冠信息以及树干信息；
树木识别模块，用于通过预设的深度学习网络模型对所述树冠信息、所述树干信息以及经过多光谱标注的多光谱树种分类信息进行配准处理，以得到树木分类结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述一种基于多光谱深度学习与点云技术的树木分类方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述一种基于多光谱深度学习与点云技术的树木分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310439330.XA CN116385801A (zh) | 2023-04-23 | 2023-04-23 | 一种基于多光谱深度学习与点云技术的树木分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310439330.XA CN116385801A (zh) | 2023-04-23 | 2023-04-23 | 一种基于多光谱深度学习与点云技术的树木分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116385801A true CN116385801A (zh) | 2023-07-04 |
Family
ID=86969311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310439330.XA Pending CN116385801A (zh) | 2023-04-23 | 2023-04-23 | 一种基于多光谱深度学习与点云技术的树木分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385801A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912696A (zh) * | 2023-07-27 | 2023-10-20 | 广州双木林业有限公司 | 基于树木模型的树林检测方法、系统、设备及存储介质 |
| CN117036828A (zh) * | 2023-09-19 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 用于保护输电线路的速生树监测方法、装置、设备和介质 |
-
2023
- 2023-04-23 CN CN202310439330.XA patent/CN116385801A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912696A (zh) * | 2023-07-27 | 2023-10-20 | 广州双木林业有限公司 | 基于树木模型的树林检测方法、系统、设备及存储介质 |
| CN117036828A (zh) * | 2023-09-19 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 用于保护输电线路的速生树监测方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11037305B2 (en) | Method and apparatus for processing point cloud data | |
| Kusumam et al. | 3D‐vision based detection, localization, and sizing of broccoli heads in the field | |
| CN116385801A (zh) | 一种基于多光谱深度学习与点云技术的树木分类方法 | |
| Zhang et al. | Deep-learning-based in-field citrus fruit detection and tracking | |
| CN111598915B (zh) | 点云单木分割方法、装置、设备及计算机可读介质 | |
| Ji et al. | Target recognition method of green pepper harvesting robot based on manifold ranking | |
| Kusumam et al. | Can you pick a broccoli? 3D-vision based detection and localisation of broccoli heads in the field | |
| CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
| CN106874421A (zh) | 基于自适应矩形窗口的图像检索方法 | |
| Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
| Wang et al. | A transformer-based mask R-CNN for tomato detection and segmentation | |
| CN112699901A (zh) | 一种基于物联网的植物种类识别系统 | |
| CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
| CN111860359A (zh) | 一种基于改进随机森林算法的点云分类方法 | |
| Liu et al. | 3D point cloud of single tree branches and leaves semantic segmentation based on modified PointNet network | |
| Auleria et al. | A review on KN earest neighbour based classification for object recognition | |
| Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
| CN115311576A (zh) | 一种基于农房分布的自然村边界提取方法 | |
| Agrawal et al. | MMM-classification of 3D Range Data | |
| CN112232289A (zh) | 一种船只检索方法、装置、电子设备及存储介质 | |
| Yang et al. | Method for detecting 2D grapevine winter pruning location based on thinning algorithm and Lightweight Convolutional Neural Network. | |
| Damodaran et al. | Extraction of Overhead Transmission Towers from UAV Images | |
| Wang et al. | Structure-aware subsampling of tree point clouds | |
| CN114882224B (zh) | 模型结构、模型训练方法、单体化方法、设备及介质 | |
| Yang et al. | 2D grapevine winter pruning location detection method based on thinning algorithm and Lightweight Convolutional Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |