CN116543223A - 神经网络优化的下层树木检测方法 - Google Patents

神经网络优化的下层树木检测方法 Download PDF

Info

Publication number
CN116543223A
CN116543223A CN202310542970.3A CN202310542970A CN116543223A CN 116543223 A CN116543223 A CN 116543223A CN 202310542970 A CN202310542970 A CN 202310542970A CN 116543223 A CN116543223 A CN 116543223A
Authority
CN
China
Prior art keywords
height
tree
graph
crown
point cloud
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
Application number
CN202310542970.3A
Other languages
English (en)
Inventor
金文轩
董天阳
范菁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202310542970.3A priority Critical patent/CN116543223A/zh
Publication of CN116543223A publication Critical patent/CN116543223A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

一种密集森林场景下的下层树木检测的方法，首先需要对LiDAR点云数据进行处理生成树冠高度模型。然后通过基于图思想的分割算法在树冠高度模型中得到上层树冠的轮廓并将其扩展为一个个圆型区域，每个圆型区域内所有的点数据作为样本输入经过训练的动态图卷积点云网络中，保留分类器判断存在下层树木的样本，并将所有的正样本点数据合并到一起，此时已大幅缩小下层树木的检测范围。最后，通过分析不同高度级别中点的数量变化去除上层树冠点信息，检测下层树的位置。本发明的优点是：通过动态图卷积点云网络缩小下层被遮挡树木的检测范围，减少检测时误识的发生，提高对下层树木的检测精度。

Description

神经网络优化的下层树木检测方法
技术领域
本发明涉及密集森林场景下的下层树木自动化提取方法。
背景技术
森林对于地球的生态系统中极为重要。它对保护栖息地、空气质量、水循环等环境条件有重要影响。准确的森林资源清查对于各种森林特征描述和管理活动至关重要。传统的森林清查人工成本高、时间消耗大，同时存在天气和实地调查条件等制约因素。激光雷达(light detection and ranging，LiDAR)是一种测量技术，包括主动发射高频激光脉冲来探测目标。该技术可以直接从森林结构中的树枝和树叶中获取较精确的三维空间坐标和回波信息。LiDAR在估算森林冠层高度、进行冠层分割和提取特征参数方面具有独特的优势；这些优点提高了森林关键结构参数的估计精度，特别是垂直结构参数。
近十年来，研究人员相继提出了许多不同的方法从LiDAR数据中获取树木信息。但大多数最先进单树检测和描绘算法主要在优势树的情况下有效，对于次优势树的检测性能下降，特别是在密集的多层森林中。对冠层下层的准确检测是火灾行为模型以及森林管理和规划的一项重要任务。现有的下层被遮挡树木检测通常仅通过分析点云数据，这类方法容易被相邻树木的信息干扰从而导致较高的误识率，为了解决密集的森林场景中下层被遮挡树木检测时所遇到的高误识问题，提出了一种将神经网络与点云的统计分析方法结合进行下层树木检测分割的方法。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于神经网络优化的下层树木分割方法。
本发明的一种密集森林场景下的下层树木检测的方法，包括如下步骤：
S1.确定上层树冠的轮廓，提取每个轮廓内的点信息作为动态图卷积点云网络模型的输入；
S2.筛选动态图卷积点云网络，使用标定好的正负样本来训练动态图卷积点云网络模型，随后将训练好的模型用于样本检测；
S3.去除上层树冠点后检测下层树木；把所有的检测正样本中的点合并后去重，并使用步骤S1中的基于图思想的算法分割合并后的树冠。
本发明首先对LiDAR点云数据进行处理生成树冠高度模型。然后通过基于图思想的分割算法在树冠高度模型中得到上层树冠的轮廓并将其扩展为一个个圆型区域，每个圆型区域内所有的点数据作为样本输入经过训练的动态图卷积点云网络中，保留分类器判断存在下层树木的样本，并将所有的正样本点数据合并到一起，此时已大幅缩小下层树木的检测范围。最后，通过分析不同高度级别中点的数量变化去除上层树冠点信息，检测下层树的位置。
本发明的优点是：通过动态图卷积点云网络缩小下层被遮挡树木的检测范围，减少检测时误识的发生，提高对下层树木的检测精度。
附图说明
图1是本发明方法的流程图。
具体实施方式：
下面结合附图，进一步说明本发明的技术方案。
神经网络优化的下层树木检测方法，包括如下步骤：
1、根据上层树冠轮廓获取网络输入样本；
下层矮树依附于上层树冠之下，无法直接检测分割获取，因此首先需确定上层树冠的轮廓，提取每个轮廓内的点信息作为动态图卷积点云网络模型的输入；具体步骤如下：
11)构建树冠高度模型。对LiDAR点云数据进行高度归一化操作，
使用高度归一化后的点云数据将所有的地面点构建成不同高度的局部树冠高度模型，局部树冠高度模型是通过过滤掉特定高度值(分别为0m，2m，5m，10m，15m)以下的点云数据而成。将这些局部树冠高度模型按高度顺序堆叠在一起，每个位置的输出值是所有输入光栅的最大值；
12)使用基于图思想的算法获取上层树冠轮廓。基于图思想的分割算法是从树冠高度模型中构建拓扑结构，将树冠高度模型划分为图中的不同节点，分析节点间的关系，将节点根据联系关系划分。在垂直离散化方面，将树冠高度模型的高度值划分为预定义数量的高度级别，具有相同值的相邻像素被分组形成像素子区域，并根据相邻像素子区域的高度对其进行分层组织。在像素子区域创建后，按照高度级别，高度高的像素子区域是相邻低值像素子区域的父级，通过这种方式关联，使之成为有向图结构，称为子区域有向图。子区域有向图中每个像素子区域可以有任意数量的父级和子级，没有父级的像素子区域作为每个层次结构的顶部并唯一标识该层次结构，称为根块。一个像素子区域可以属于多个层级结构，将具有相同像素子区域的层次称为关联结构。构建完子区域有向图后，将层次结构本身作为实体，通过与层次对应的节点和连接层次内聚对的边形成加权的有向图，称为层级块有向图。层级块有向图也是从高层级指向低层级，计算其边缘权值是分割算法的关键。属于同一棵树的层级结构之间的权重值要大于不同树之间层级结构的权重值。层级块有向图的权重由高度距离(LD)，节点距离(ND)和层级块顶部距离(TD)组成。每个权重值是以0到1之间的实数，表示每个权重对两个层次结构是属于同一棵树的组成部分的影响程度。两个层次结构中的根块与关联块的高度差值即为高度距离。高度距离越小，两个层次结构属于同一棵树的概率越高；高度距离可由公式(1)计算：
公式中p，q代表不同的层次结构，rp，rq分别为p层次结构和q层次结构中的根区域，Hp，Hq分别为p层次结构和q层次结构中子区域的集合，r为其中一个根区域，i为其中一个子区域，dh(r,i)为r和i之间的高度差。
节点距离是从任一层次结构的顶部到达关联块的最少节点数量。节点间距离越小，两个层次结构属于同一棵树的概率越高。节点距离可由公式(2)计算：
公式中dn(r,i)为r和i之间子区域的数量。
两个层级结构中根块之间的水平距离为层级块顶部距离。如果根块中包含多个像素，就以块的中心来替代。当距离越小时，属于同一棵树的的概率越高。层级块顶部距离可由公式(3)计算：
公式中C(rp)和C(rq)分别为层次结构中根区域的中心坐标。
通过上述的三个权重，经公式(4)得到每个层级结构间关联的权重W(p,q)：
W(p,q)＝WLD×SLD(p,q)+WND×SND(p,q)+WTD×STD(p,q) (4)
公式中WLD、WND、WTD分别为高度距离权重、节点距离权重和层级块顶部距离权重，实验中的设定分别为0.3、0.4、0.4。
计算完权重值后，需要对层级块有向图进行划分，从而分组形成整体树冠。划分过程通过去除低于设置阈值权重的边，只保留连接某一个层级结构的所有边中权重最大的，过滤掉弱连接关系后可以确定属于同一棵树的层级结构。最后，对于关联结构，按照距离将之分配到更近的层级结构中。至此所有像素都被分配完毕，得到上层树木的分割结果。
13)提取输入样本；使用基于图思想的算法后，我们得到了每一棵树在栅格图像中的大致位置分布和中心种子点的坐标。此时的树冠边界为不规则的形状，为了能更好地检测到处于不同样本之间的下层被遮挡树木，扩大每个样本的检测范围，假设树冠为圆形，以中心种子点的坐标(kv,lv)为圆心，计算从圆心到外轮廓边界(kvj,lvj)的欧式距离j＝(1,2,...,c)。将dj从大到小排序，取距离最远的点的前70％计算均值作为半径/>其中d1,d2,...随下标逐渐减小。将计算得到的每一个圆形区域内的所有点信息作为待检测样本。
2、动态图卷积点云网络筛选；
使用标定好的正负样本来训练动态图卷积点云网络模型，随后将训练好的模型用于样本检测，具体步骤如下：
21)网络训练；通过标定存在下层树木信息的正样本和不存在下层树木的负样本作为网络模型训练的输入，对动态图卷积点云网络进行训练。动态图卷积点云网络利用局部几何结构，构建局部邻域图，按照图神经网络在连接相邻点对的边上应用类似卷积的操作，称之为边卷积。边卷积模块中假设点云共有m个点，x＝(x1,x2,...,xm)，x为m个点的集合，通过对每个点使用KNN的方式，连接它的K近邻，形成图结构。根据图结构计算边特征eab＝fθ(xa,xb)，xa和xb代表边的两个端点坐标，fθ为边缘特征提取函数，公式为fθ(xa,xb)＝fθ(xa,xb-xa)，这种特征提取方式既考虑中心点的信息，又考虑到局部领域点的信息。动态图卷积点云网络的输入是m个三维点坐标信息，通过预测一个3*3的变换矩阵使得网络学习到坐标变换的无关性，随后依次经过四个首尾相接的边卷积模块，通过边卷积模块逐级表征每个点的特征，前一个边卷积模块的输出为下一个边卷积模块的输入，然后将这四个不同级的点特征拼接起来，经过最大值池化得到全局特征，最后经过三个全连接层输出检测结果。
22)样本检测；动态图卷积点云网络训练完后，将步骤1中生成的待检测样本输入网络模型中，保留被分类为正样本的检测样本。
3、去除上层树冠点后检测下层树木；由于生成的检测样本为扩展的圆形区域，因此保留样本中可能重复包含着多棵上层树冠的信息，需把所有的检测正样本中的点合并后去重，并使用步骤1中的基于图思想的算法分割合并后的树冠。为提取下层树木信息，需要过滤掉上层树冠点。通过统计不同高度级别下的点云数量，生成点云高度直方图并拟合处理。得到直方图后，使用滑动窗口的方式找到拟合曲线中形成凹槽的高度级，滑动窗口的大小为7，下层矮树的高度就在凹槽的高度级别之内。如果滑动窗口检测到多个凹槽，选择高度最高的凹槽作为用于分层的高度。然后以这个高度为界限，过滤掉样本中该高度以上的点数据，仅保留下层树木点信息。过滤掉上层树木的点信息后再次使用步骤1中基于图思想的算法即可检测获取下层树木信息。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种密集森林场景下的下层树木检测的方法，包括如下步骤：
S1.确定上层树冠的轮廓，提取每个轮廓内的点信息作为动态图卷积点云网络模型的输入；
S2.筛选动态图卷积点云网络，使用标定好的正负样本来训练动态图卷积点云网络模型，随后将训练好的模型用于样本检测；
S3.去除上层树冠点后检测下层树木；把所有的检测正样本中的点合并后去重，并使用步骤S1中的基于图思想的算法分割合并后的树冠。
2.如权利要求1所述的.一种密集森林场景下的下层树木检测的方法，其在在于：步骤S1具体包括：
11)构建树冠高度模型；对LiDAR点云数据进行高度归一化操作，使用高度归一化后的点云数据将所有的地面点构建成不同高度的局部树冠高度模型，局部树冠高度模型是通过过滤掉特定高度值(分别为0m，2m，5m，10m，15m)以下的点云数据而成；将这些局部树冠高度模型按高度顺序堆叠在一起，每个位置的输出值是所有输入光栅的最大值；
12)使用基于图思想的算法获取上层树冠轮廓；基于图思想的分割算法是从树冠高度模型中构建拓扑结构，将树冠高度模型划分为图中的不同节点，分析节点间的关系，将节点根据联系关系划分；在垂直离散化方面，将树冠高度模型的高度值划分为预定义数量的高度级别，具有相同值的相邻像素被分组形成像素子区域，并根据相邻像素子区域的高度对其进行分层组织；在像素子区域创建后，按照高度级别，高度高的像素子区域是相邻低值像素子区域的父级，通过这种方式关联，使之成为有向图结构，称为子区域有向图；子区域有向图中每个像素子区域可以有任意数量的父级和子级，没有父级的像素子区域作为每个层次结构的顶部并唯一标识该层次结构，称为根块；一个像素子区域可以属于多个层级结构，将具有相同像素子区域的层次称为关联结构；构建完子区域有向图后，将层次结构本身作为实体，通过与层次对应的节点和连接层次内聚对的边形成加权的有向图，称为层级块有向图；层级块有向图也是从高层级指向低层级，计算其边缘权值是分割算法的关键；属于同一棵树的层级结构之间的权重值要大于不同树之间层级结构的权重值；层级块有向图的权重由高度距离(LD)，节点距离(ND)和层级块顶部距离(TD)组成；每个权重值是以0到1之间的实数，表示每个权重对两个层次结构是属于同一棵树的组成部分的影响程度；两个层次结构中的根块与关联块的高度差值即为高度距离；高度距离越小，两个层次结构属于同一棵树的概率越高；高度距离可由公式(1)计算：
公式中p，q代表不同的层次结构，rp，rq分别为p层次结构和q层次结构中的根区域，Hp，Hq分别为p层次结构和q层次结构中子区域的集合，r为其中一个根区域，i为其中一个子区域，dh(r,i)为r和i之间的高度差；
节点距离是从任一层次结构的顶部到达关联块的最少节点数量；节点间距离越小，两个层次结构属于同一棵树的概率越高；节点距离可由公式(2)计算：
公式中dn(r,i)为r和i之间子区域的数量；
两个层级结构中根块之间的水平距离为层级块顶部距离；如果根块中包含多个像素，就以块的中心来替代；当距离越小时，属于同一棵树的的概率越高；层级块顶部距离可由公式(3)计算：
公式中C(rp)和C(rq)分别为层次结构中根区域的中心坐标；
通过上述的三个权重，经公式(4)得到每个层级结构间关联的权重W(p,q)：
W(p,q)＝WLD×SLD(p,q)+WND×SND(p,q)+WTD×STD(p,q) (4)
公式中WLD、WND、WTD分别为高度距离权重、节点距离权重和层级块顶部距离权重。
计算完权重值后，需要对层级块有向图进行划分，从而分组形成整体树冠；划分过程通过去除低于设置阈值权重的边，只保留连接某一个层级结构的所有边中权重最大的，过滤掉弱连接关系后可以确定属于同一棵树的层级结构；最后，对于关联结构，按照距离将之分配到更近的层级结构中；至此所有像素都被分配完毕，得到上层树木的分割结果；
13)提取输入样本；使用基于图思想的算法后，得到了每一棵树在栅格图像中的大致位置分布和中心种子点的坐标；此时的树冠边界为不规则的形状，为了能更好地检测到处于不同样本之间的下层被遮挡树木，扩大每个样本的检测范围，假设树冠为圆形，以中心种子点的坐标(kv,lv)为圆心，计算从圆心到外轮廓边界(kvj,lvj)的欧式距离将dj从大到小排序，取距离最远的点的前70％计算均值作为半径/>其中d1,d2,,...随下标逐渐减小；将计算得到的每一个圆形区域内的所有点信息作为待检测样本。
3.如权利要求1所述的.一种密集森林场景下的下层树木检测的方法，其在在于：步骤S2具体包括：
21)网络训练；通过标定存在下层树木信息的正样本和不存在下层树木的负样本作为网络模型训练的输入，对动态图卷积点云网络进行训练；动态图卷积点云网络利用局部几何结构，构建局部邻域图，按照图神经网络在连接相邻点对的边上应用类似卷积的操作，称之为边卷积；边卷积模块中假设点云共有m个点，x＝(x1,x2,...,xm)，x为m个点的集合，通过对每个点使用KNN的方式，连接它的K近邻，形成图结构；根据图结构计算边特征eab＝fθ(xa,xb)，xa和xb代表边的两个端点坐标，fθ为边缘特征提取函数，公式为fθ(xa,xb)＝fθ(xa,xb-xa)，这种特征提取方式既考虑中心点的信息，又考虑到局部领域点的信息；动态图卷积点云网络的输入是m个三维点坐标信息，通过预测一个3*3的变换矩阵使得网络学习到坐标变换的无关性，随后依次经过四个首尾相接的边卷积模块，通过边卷积模块逐级表征每个点的特征，前一个边卷积模块的输出为下一个边卷积模块的输入，然后将这四个不同级的点特征拼接起来，经过最大值池化得到全局特征，最后经过三个全连接层输出检测结果；
22)样本检测；动态图卷积点云网络训练完后，将步骤1中生成的待检测样本输入网络模型中，保留被分类为正样本的检测样本。
4.如权利要求1所述的.一种密集森林场景下的下层树木检测的方法，其在在于：步骤S3具体包括：去除上层树冠点后检测下层树木；由于生成的检测样本为扩展的圆形区域，因此保留样本中可能重复包含着多棵上层树冠的信息，需把所有的检测正样本中的点合并后去重，并使用步骤1中的基于图思想的算法分割合并后的树冠；为提取下层树木信息，需要过滤掉上层树冠点；通过统计不同高度级别下的点云数量，生成点云高度直方图并拟合处理；得到直方图后，使用滑动窗口的方式找到拟合曲线中形成凹槽的高度级，滑动窗口的大小为7，下层矮树的高度就在凹槽的高度级别之内；如果滑动窗口检测到多个凹槽，选择高度最高的凹槽作为用于分层的高度；然后以这个高度为界限，过滤掉样本中该高度以上的点数据，仅保留下层树木点信息；过滤掉上层树木的点信息后再次使用步骤1中基于图思想的算法即可检测获取下层树木信息。
CN202310542970.3A 2023-05-12 2023-05-12 神经网络优化的下层树木检测方法 Pending CN116543223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310542970.3A CN116543223A (zh) 2023-05-12 2023-05-12 神经网络优化的下层树木检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310542970.3A CN116543223A (zh) 2023-05-12 2023-05-12 神经网络优化的下层树木检测方法

Publications (1)

Publication Number Publication Date
CN116543223A true CN116543223A (zh) 2023-08-04

Family

ID=87455715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310542970.3A Pending CN116543223A (zh) 2023-05-12 2023-05-12 神经网络优化的下层树木检测方法

Country Status (1)

Country Link
CN (1) CN116543223A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118552602A (zh) * 2024-07-25 2024-08-27 小羽互联智能科技(长沙)有限公司 一种用于原木垛径级测量的智能检尺方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118552602A (zh) * 2024-07-25 2024-08-27 小羽互联智能科技(长沙)有限公司 一种用于原木垛径级测量的智能检尺方法及系统

Similar Documents

Publication Publication Date Title
Secord et al. Tree detection in urban regions using aerial lidar and image data
Koch et al. Segmentation of forest to tree objects
CN104240251B (zh) 一种基于密度分析的多尺度点云噪声检测方法
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN114266987A (zh) 一种无人机高边坡危岩体智能识别方法
CN110363299B (zh) 面向露头岩层分层的空间案例推理方法
Gleason et al. A Fusion Approach for Tree Crown Delineation from Lidar Data.
Özdemir et al. Automatic extraction of trees by using multiple return properties of the lidar point cloud
Arachchige et al. Automatic processing of mobile laser scanner point clouds for building facade detection
Salah et al. Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images
WO2011085435A1 (en) Classification process for an extracted object or terrain feature
Zhang et al. A framework for automated construction of building models from airborne Lidar measurements
CN114463338B (zh) 一种基于图割与后处理的建筑物激光脚点自动提取方法
CN115937698A (zh) 一种自适应的尾矿库遥感深度学习检测方法
Bulatov et al. Automatic tree-crown detection in challenging scenarios
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Senthilnath et al. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method
CN117115212A (zh) 一种自动化检测模型位姿异常及配准方法
KR101737889B1 (ko) 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치
CN116543223A (zh) 神经网络优化的下层树木检测方法
CN115410036A (zh) 一种高压架空输电线路关键要素激光点云自动分类方法
CN114743059A (zh) 一种综合地形地貌特征的海底地理实体自动分类方法
CN113850823B (zh) 基于不同特征自动分割的树木提取方法
Li et al. Filtering algorithm for LiDAR outliers based on histogram and KD tree

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