基于无人机LiDAR点云栅格化和Mask R-CNN算法的单木树冠分割

作     者：廖福兰 林文树 刘浩然 LIAO Fulan;LIN Wenshu;LIU Haoran

作者机构：东北林业大学机电工程学院哈尔滨150040 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第23期

页      面：258-266页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金资助项目(31971574) 

主　　题：无人机 激光雷达 单木分割 点云数据 Mask R-CNN GC Net 注意力机制 

摘      要：精准的单木分割是进行森林结构参数提取的关键过程,也是评估森林生物量与碳储量的先决条件。为提高基于无人机LiDAR点云数据的单木分割精度,该研究提出点云栅格化处理结合深度学习算法进行单木树冠分割。首先对样地点云栅格化处理,将点云信息映射到栅格图像的RGB通道中。其次,改进Detectron2框架下的Mask R-CNN模型,在主干网络ResNet中融合GC(global context network)与CBAM(convolutional block attention module)模块。改进后模型平均精度为82.91%,相较原模型平均精度提高6.19个百分点,相较U-Net和DeepLab v3+模型平均精度分别提高7.27和4.62个百分点。最后,在测试样地中,基于点云栅格化处理结合Mask R-CNN模型的召回率R为81.19%,精确率P为78.85%,调和值F为80%,均高于分水岭算法和K-means算法。试验表明,该方法提高了单木树冠分割的准确性,为森林资源调查、生物量以及碳储量估计提供了可靠的基础数据。