JP2022020396A - 森林資源解析装置、森林資源解析方法および森林資源解析プログラム - Google Patents
森林資源解析装置、森林資源解析方法および森林資源解析プログラム Download PDFInfo
- Publication number
- JP2022020396A JP2022020396A JP2020123864A JP2020123864A JP2022020396A JP 2022020396 A JP2022020396 A JP 2022020396A JP 2020123864 A JP2020123864 A JP 2020123864A JP 2020123864 A JP2020123864 A JP 2020123864A JP 2022020396 A JP2022020396 A JP 2022020396A
- Authority
- JP
- Japan
- Prior art keywords
- tree
- height
- point cloud
- cloud data
- estimated
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 210000000481 breast Anatomy 0.000 claims description 59
- 238000005452 bending Methods 0.000 claims description 26
- 210000000038 chest Anatomy 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000005520 cutting process Methods 0.000 claims description 14
- 230000001788 irregular Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims 1
- 241000894007 species Species 0.000 description 40
- 238000010586 diagram Methods 0.000 description 22
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 240000005109 Cryptomeria japonica Species 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000010750 BS 2869 Class C2 Substances 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
これにより、森林資源の評価対象として、点群データから推定された胸高直径に基づいて推定された材積を含めることができる。
さらに、胸高直径推定手段は、楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、楕円の長径が全ての高さ幅のにおける直径の中央値の0.8倍以上、または楕円の短径が全ての高さ幅のにおける短径の中央値の1.2倍以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定することが望ましい。これらにより、楕円で近似された樹木の形状の中から外れ値を除外することができ、より胸高直径の推定精度を向上することができる。
さらに、曲がり度は、推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Xと、最高点における楕円で近似された幹の形状の中心位置から、最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Yとに基づいて、曲がり度Cとして以下の式(2)により推定されることが望ましい。
C=Y/X ・・・(2)
これらにより、点群データから推定された胸高直径や曲がり度からも価格を推定することができる。
図1は、本発明の実施の形態に係る森林資源解析装置の概略構成図である。森林資源解析装置1は、入出力手段101、地形特定手段102、地形平面化手段103、頂点推定手段104、本数推定手段105、樹木切出手段106、樹種推定手段107、樹高推定手段108、胸高直径推定手段109、材積推定手段110、幹推定手段111、湾曲推定手段112、樹木評価手段113、記憶手段114、表示手段115を含む。
なお、樹高とは、図4に示すように、樹木の根本から樹木のてっぺんまでの距離である。また、胸高直径とは、樹木の根本から約1.2mの高さにある樹木の幹の直径である(林野庁HPより)。ヨーロッパや北海道は約1.3mなど、地域によって胸高直径の定義は異なる。そして、樹木の上部で葉が茂っている部分を樹冠といい、樹木の上部で葉が茂っている中で最大の横幅を樹冠幅という。
図2は、本発明の実施の形態に係る森林資源解析方法のフローチャートである。以下、各図面を参照しつつ、当該フローチャートに沿って森林の三次元点群データの解析方法を説明する。
森林の三次元点群データが森林資源解析装置1に入力されると、当該三次元点群データに基づいて、点群データのフィルタリング手法により樹木が植生している地形を特定する(ステップS102)。点群データのフィルタリング手法とは例えば、CSF(Cloth Simulation Filtering)である(参考文献「An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation」)。そして、三次元点群データに基づいて、不整三角形網を作成することにより地形を平面化する(ステップS103)。不整三角形網(Triangulated irregular netwоrk)とは、地表面を三角形の集合で表現するデジタルデータ構造である。図5(A)は、森林の三次元点群データに対してCSFにより地形特定したデータである。また、図5(B)は、さらにその後、不整三角形網を作成することにより地形を平面化したデータである。
これにより、隆起や沈降を含む地形であっても、各樹木の根本部分の高さが全て0に正規化される。
次に、三次元点群データうちX(縦)座標およびY(横)座標の座標値を含む森林の二次元データ(つまり、上空図)に基づいて、ステップ102,103で特定および平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する(ステップS104)。深層学習を用いた物体検出モデルとは例えば、YOLOv3(参考文献「Redmon, Joseph, et al. "You only look once: Unified, real-time object detection."」)やSSD(参考文献「Wei Liu, et al. "SSD: Single Shot MultiBox Detector"」)などである。YOLOv3の場合、樹冠の大きさ毎にラベル付けされた教師データを用意し、複数のクラスで学習させて学習済みモデルを生成する。
頂点が推定された後、推定された頂点に基づいて、三次元点群データに含まれる樹木の本数を推定する(ステップS105)。図6(D)は、上空図において頂点Vが推定された後の説明図である。図6(D)に示すように、樹木と推定された部分がバウンディングボックス内に収められている。当該バウンディングボックスの数、つまり推定された頂点Vの数をカウントすることで、三次元点群データに含まれる樹木の本数が求められる。
三次元点群データに含まれる樹木の頂点(本数)が推定された後、推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により三次元点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の三次元点群データを作成する(ステップS106)。セグメンテーション手法は例えば、ボロノイ分割である。ボロノイ分割とは、各母点(この場合は頂点V)に最も近くなる点を集合させて形成された領域分割図(ボロノイ図)により、各領域を分割する手法である。図7(A)は、各頂点Vを起点としてボロノイ分割が行われるイメージ図である。図7(B)は、ボロノイ分割により分割(セグメンテーション)された三次元点群データの各樹木のイメージ図である。また、図8は、分割された樹木1本の三次元点群データを切り出したものである。このように、推定された頂点に基づいて、三次元点群データ内に含まれる樹木が1本ずつ切り出される。
1本ずつ切り出された三次元点群データが作成されると、当該三次元点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を1本ずつ推定する。分類モデルは例えば、CNN(Convolutional Neural Network)である。さらに具体的には、VGG16やVGG19、ResNet50などである。
また、当該データは、樹冠を多方面から画像化したデータであることが望ましい。具体的には、水平方向に45°ずつ回転させた方向から見たもの(つまり、8方向から見たもの)であることが望ましい(図9(B)参照)。点群データは縦、横、高さ方向の座標値を含んでいるため、多方向から画像化したデータを取得することが可能である。そして、多方向から画像化したデータを学習や推論に用いることで、様々な種類の樹木の特徴量を正確に抽出することができ、推定精度を向上させることができる。
また、1本ずつ切り出された三次元点群データに基づいて、それぞれの樹木の高さ(樹高)を推定する(ステップS108)。三次元点群データは、地形の特定・平面化により各樹木の根本部分の高さが全て0に正規化されているため、推定された樹木の頂点の座標値から樹木の樹高が容易に求められる。
また、1本ずつ切り出された三次元点群データに基づいて、それぞれの樹木の胸高直径を推定する(ステップS109A,S109B)。ステップS109Aの胸高直径推定工程Aにおいては、以下の樹高曲線式(1)により樹木の胸高直径Dを推定する。
ここで、Hは推定された樹木の高さである。また、a,bは推定された樹種および点群データが取得された地域(つまり、樹木の植生地域)に応じて定義される定数パラメータである。
一方、ステップS109Bの胸高直径推定工程Bにおいては、樹木毎の三次元点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幹の幅の形状を楕円で最小二乗法により近似し、楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の胸高直径に基づいて、最小二乗法により樹木の胸高直径を推定する。図10は、ある高さの幅(10cm)にある複数(例えば、図10においては86個)の三次元点群データを一つにまとめて、楕円で近似したものである。真円ではなく楕円で近似することで、一般的に楕円に近いスギやヒノキなど樹木の幹の形状を、より正確に(真円よりも精度よく)近似することができる。
具体的には、近似された楕円の扁平率が0.5を超えるものや、近似された楕円の長径が全ての高さにおける直径の中央値の0.8倍未満、または楕円の短径が全ての高さにおける短径の中央値の1.2倍を超えるものについては除外することが望ましい。
また、楕円近似の際に樹木の幹部分は、1cm~100cmの幅で区切られることが望ましく、本実施の形態においては50cmの高さ毎に区切っている。樹木の幹部分の高さを一定の幅で区切り、当該区切られた高さの幅に含まれる三次元点群データを用いて楕円近似を行うことで、十分なデータ量を確保することができ、近似精度を向上させることができる。
図11(B)は外れ値除去前、図11(C)は外れ値除去後のそれぞれの高さの幅の胸高直径に基づく、最小二乗法による胸高直径の推定結果である。このように外れ値を除外することで、胸高直径の推定精度が向上していることが分かる。
胸高直径推定工程Aまたは胸高直径推定工程Bにおいて推定された胸高直径と、各地域により定義される胸高直径から単材積を算出する変換関数(計算式)により、樹木の材積を推定する(ステップS110)。変換関数とは例えば、森林総合研究所が提供する幹材積計算プログラムであり、地域や樹種、胸高直径や樹高から幹材積を計算することができる。
また、胸高直径推定工程Bにおいて幹の形状が楕円で近似された後、当該近似されたそれぞれの高さの幅の幹の形状に基づいて、樹木の幹全体の形状を推定する(ステップS111)。図12(A)は、三次元点群データに基づいて、楕円で近似された樹木のそれぞれの高さの幅の幹の形状を、当該高さの幅の平均の形状として垂直に積み重ねたイメージ図である。図12(A)に示すように幹の形状が形成され、凹凸があることや、左側に傾いていることが目視でも確認できる。
樹木の幹全体の形状が推定された後、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する(ステップS112)。曲がり度は、幹推定工程において推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Xと、最高点における楕円で近似された幹の形状の中心位置から、最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Yとに基づいて、曲がり度Cとして以下の式(2)により推定される。
C=Y/X ・・・(2)
例えば、距離Xが1.8m、距離Yが18.98cmである場合、曲がり度Cは10.54となる(図12(B)参照)。この曲がり度Cが1.0以内であれば、比較的まっすぐな樹木であると判断できる。
最後に、前述した工程により推定された樹種、樹高、胸高直径、曲がり度や材積などにより、三次元点群データに含まれるそれぞれの樹木の評価を行う(ステップS113)。具体的には、樹種、樹高、胸高直径や曲がり度に応じた価格が示された変換テーブルにより、樹木の価格を推定する。樹種、樹高、胸高直径や曲がり度に応じた価格が示された変換テーブルは例えば、細り表(図13(A)参照)や原木市場の実績に基づく出来値(市況)表(図13(B)参照)などに示されるように、樹種や樹高などの情報に基づいて価格を算出する算出式を含むテーブルである。
101 入出力手段
102 地形特定手段
103 地形平面化手段
104 頂点推定手段
105 本数推定手段
106 樹木切出手段
107 樹種推定手段
108 樹高推定手段
109 胸高直径推定手段
110 材積推定手段
111 幹推定手段
112 湾曲推定手段
113 樹木評価手段
114 記憶手段
115 表示手段
C1 大きな樹木クラス
C2 小さな樹木クラス
V 推定された頂点
B 雑草
Claims (11)
- 森林の縦、横、高さ方向の座標値を含む点群データに基づいて森林資源を評価する森林資源解析装置であり、
前記点群データに基づいて、点群データフィルタリング手法により樹木が植生している地形を特定する地形特定手段と、
前記特定された地形を、前記点群データに基づいて、不整三角形網を作成することにより平面化する地形平面化手段と、
前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する頂点推定手段と、
前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段と、
前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定手段と、
前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価手段と、
を含む森林資源解析装置。 - 前記作成された樹木毎の点群データに基づいて、それぞれの樹木の樹高を推定する樹高推定手段を含み、
前記樹木評価手段は、前記推定された樹高および樹種に基づいて、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項1に記載の森林資源解析装置。 - 前記作成された樹木毎の点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幅の幹の形状を最小二乗法により楕円で近似し、前記楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の直径に基づいて、最小二乗法により樹木の胸高直径を推定する胸高直径推定手段と、
当該推定された樹木の胸高直径を材積に変換する、前記点群データが取得された地域で定められる変換関数により樹木の材積を推定する材積推定手段とを含み、
前記樹木評価手段は、前記推定された樹木の材積、胸高直径、樹高および樹種に基づいて、材積、胸高直径、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項2に記載の森林資源解析装置。 - 前記胸高直径推定手段は、前記楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、前記楕円の扁平率が0.5以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定する請求項4に記載の森林資源解析装置。
- 前記胸高直径推定手段は、前記楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、前記楕円の長径が全ての高さの幅における直径の中央値の0.8倍以上、または前記楕円の短径が全ての高さの幅における短径の中央値の1.2倍以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定する請求項4または5に記載の森林資源解析装置。
- 前記近似された樹木のそれぞれの高さの幅の幹の形状を積み重ねて、樹木の幹全体の形状を推定する幹推定手段と、
前記推定された樹木の幹全体の形状に基づいて、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する湾曲推定手段とを含み、
前記樹木評価手段は、前記推定された樹木の曲がり度、材積、胸高直径、樹高および樹種に基づいて、樹木の曲がり度、材積、胸高直径、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項4~6のいずれか1項に記載の森林資源解析装置。 - 前記曲がり度は、前記推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Xと、前記最高点における楕円で近似された幹の形状の中心位置から、前記最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Yとに基づいて、曲がり度Cとして以下の式(2)により推定される請求項7に記載の森林資源解析装置。
C=Y/X ・・・(2) - 前記樹種推定手段は、前記作成された樹木毎の点群データにおいて、前記推定された樹木の樹高の最高点から20%以内の範囲を占める点群データおよび当該20%以内の範囲を占める点群データを多方向から画像化したデータに基づいて樹種を推定する請求項1~8のいずれか1項に記載の森林資源解析装置。
- 森林の縦、横、高さ方向の座標値を含む点群データに基づいて、点群データのフィルタリング手法により樹木が植生している地形を特定する地形特定工程と、
前記特定された地形を、前記点群データに基づいて、不整三角形網を作成することにより地形を平面化する地形平面化工程と、
前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を深層学習を用いて生成した物体検出モデルにより推定する頂点推定工程と、
前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出工程と、
前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定工程と、
前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価工程と、
を含む森林資源解析方法。 - 森林の縦、横、高さ方向の座標値を含む、点群データのフィルタリング手法により樹木が植生している地形を特定する地形特定手段と、
前記点群データに基づいて、不整三角形網を作成することにより地形を平面化する地形平面化手段と、
前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する頂点推定手段と、
前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段と、
前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定手段と、
前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定することで森林資源を評価する樹木評価手段
としてコンピュータを機能させる森林資源解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020123864A JP6828211B1 (ja) | 2020-07-20 | 2020-07-20 | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020123864A JP6828211B1 (ja) | 2020-07-20 | 2020-07-20 | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6828211B1 JP6828211B1 (ja) | 2021-02-10 |
JP2022020396A true JP2022020396A (ja) | 2022-02-01 |
Family
ID=74529653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020123864A Active JP6828211B1 (ja) | 2020-07-20 | 2020-07-20 | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6828211B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7287620B1 (ja) | 2023-02-27 | 2023-06-06 | 株式会社大和田測量設計 | 森林資源計測システムおよび森林資源算出方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6931501B1 (ja) * | 2021-05-24 | 2021-09-08 | 株式会社マプリィ | 単木モデリングシステム及び単木モデリング方法 |
JP7374977B2 (ja) | 2021-12-17 | 2023-11-07 | ヤマハ発動機株式会社 | 樹木情報推定システム、樹木情報推定方法およびコンピュータプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088188A (ja) * | 2011-10-14 | 2013-05-13 | Fuji Architect Co Ltd | 三次元測定対象物の形態調査方法 |
-
2020
- 2020-07-20 JP JP2020123864A patent/JP6828211B1/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088188A (ja) * | 2011-10-14 | 2013-05-13 | Fuji Architect Co Ltd | 三次元測定対象物の形態調査方法 |
Non-Patent Citations (4)
Title |
---|
CAIYUN ZHANG 他: "Individual Tree Segmentation from LiDAR Point Clouds for Urban Forest Inventory", REMOTE SENSING, vol. 7, JPN6020038028, 16 June 2015 (2015-06-16), pages 7892 - 7913, ISSN: 0004363701 * |
株式会社パスコ, 平成24年度デジタル森林空間情報利用技術開発事業のうち現地調査及びデータ解析・プログラム開発事業報告, JPN6020038031, March 2013 (2013-03-01), pages 1 - 161, ISSN: 0004363704 * |
溝口 知広 他: "深層学習を用いた森林計測点群からの樹種自動判別", 2016年度精密工学秋季大会学術講演会講演論文集, JPN6020038030, 2016, pages 491 - 492, ISSN: 0004363703 * |
竹内 史郎 他: "先進技術を活用した森林調査の研究1", 光珠内季報, JPN6020038029, June 2016 (2016-06-01), pages 16, ISSN: 0004363702 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7287620B1 (ja) | 2023-02-27 | 2023-06-06 | 株式会社大和田測量設計 | 森林資源計測システムおよび森林資源算出方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6828211B1 (ja) | 2021-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6828211B1 (ja) | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム | |
US8537337B2 (en) | Method and apparatus for analyzing tree canopies with LiDAR data | |
US7046841B1 (en) | Method and system for direct classification from three dimensional digital imaging | |
JP7157434B2 (ja) | 森林資源情報算定方法及び森林資源情報算定装置 | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
Lin et al. | A multi-level morphological active contour algorithm for delineating tree crowns in mountainous forest | |
US20230350065A1 (en) | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization | |
Pirotti et al. | A comparison of tree segmentation methods using very high density airborne laser scanner data | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
KR101080985B1 (ko) | 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법 | |
Hao et al. | A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds | |
Wang et al. | Combining trunk detection with canopy segmentation to delineate single deciduous trees using airborne LiDAR data | |
US20220114810A1 (en) | Forest resource information generation structure and forest resource information generation method | |
Lei et al. | A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Harandi et al. | How to make sense of 3D representations for plant phenotyping: a compendium of processing and analysis techniques | |
Zhang et al. | A tree detection method based on trunk point cloud section in dense plantation forest using drone LiDAR data | |
Wang et al. | Automatic estimation of trunk cross sectional area using deep learning | |
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 | |
CN112241440B (zh) | 一种基于LiDAR点云数据的三维绿量估算及管理方法 | |
Hirschmugl | Derivation of forest parameters from UltracamD data | |
Tang et al. | Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data | |
Bonaria | Grapevine yield estimation using image analysis for the variety Arinto | |
Mustafić et al. | Deep Learning for Improved Individual Tree Detection from Lidar Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200721 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200721 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200917 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201013 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20201203 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20201209 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201216 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210120 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6828211 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |