该论文提出了一种基于边缘检测和联通的树木年轮定位方法，可以自动定位树干的中心并达到高精确度和自动化。

May, 2023

一种基于木材环切片结构的完全自动化的木材髓心检测技术（APD）被引入。该方法利用 2D 结构张量估计环的局部方向，通过优化设计用于此问题的成本函数来找到髓心位置。我们还提出了一种变体（APD-PCL），利用平行坐标空间，以增强该方法在没有明确树环图案的情况下的有效性。此外，通过对基于深度学习的方法（APD-DL）进行 Kurdthongmee 以前工作的改进，训练了一个用于髓心检测的 YoloV8 神经网络，解决了同一问题。所有方法都在包括在不同条件下获取的图像（控制实验室环境、锯木厂和森林）以及包含各种树种（美国油松、道格拉斯树木、白冷杉和皂荚）的七个数据集上进行了测试。所有提出的方法都优于现有的最先进方法，并可用于基于 CPU 的实时应用。此外，我们提供了一个包含了裸子植物和被子植物物种图像的新颖数据集。数据集和源代码可以在此 http 网址上获取。

Apr, 2024

本文提出了一种新的迭代法，即迭代下一边界检测算法（INBD），它通过模拟自然生长方向，从植物截面的中心开始，在每个迭代步骤中检测下一个环形边界，解决了检测显微镜图像中的树轮等多个环状物体的问题，并且优于常规实例分割方法，是唯一具有内置时间顺序概念的方法。

Dec, 2022

利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 LiDAR 结合模型的性能。

Nov, 2023

利用遥感图像和基于 Mask R-CNN 的实例分割模型，个别划定高山和高纬度生态系统中杜松灌木树线上的位置，以监测气候变化对其产生的长期影响。通过新型的数据构建设计和基于多重交叉的地面真实区域度量，有效地克服了传统实地调查方法存在的局限，并实现了对复杂生长模式物种的准确划定。

Jan, 2024

基于光学遥感传感器的先进技术，高空间分辨率多光谱图像的制作为实现经济高精度的森林清查和分析提供了巨大潜力。本综述旨在对光学遥感图像进行个体树冠检测和描绘相关研究进行系统回顾，并将所评估的方法归类为传统图像处理方法、传统机器学习方法和基于深度学习的方法。同时，讨论了与光学遥感数据相关的若干问题和未来的研究方向。

Oct, 2023

本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

本文提出了一种基于分割任务的检测方法，通过 Easy Sample Detection (ESD)、Hard Sample Detection (HSD)、Hard Sample Refinement (HSR) 三步骤来检测树突核并筛选假阳性预测。实验结果表明，该方法在召回率、准确率和 F1 分数等三项指标上均优于现有的基线系统。

May, 2023

介绍了一种用于处理森林点云的方法，通过用垂直平面对森林按层次分层，估算每个层次的点密度、训练出一个避免先验假设和复杂模型的树木分割模型，并采用分布式计算对大型森林进行高效处理。

Jul, 2017

使用 U-Net 卷积神经网络对植物根系图像进行自动分割，实现了根长度密度和深度测量的自动测量，结果表明自动分割比人工注释更准确。

Feb, 2019