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

利用深度学习的方法对森林点云进行语义和实例分割，通过已标注的数据和引入全新的参考数据集，该方法在提高树木分割性能方面表现出良好的成绩。

Sep, 2023

通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

Dec, 2023

该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了3D森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据密度上的性能，测试了包括稀疏版本在内的五种输入数据情景，以评估其适应性和冠层功效。该基于PointGroup架构的模型是一个具有语义分割和实例分割两个独立头部的3D CNN，在各种点云数据集上得到了验证。结果表明，点云稀疏化能提高性能，有助于稀疏数据处理，并改善对密集森林中的检测。该模型在每平方米大于50个点的密度下表现良好，但在每平方米10个点的情况下性能较差，由于漏掉的比例更高。它在检测率、漏掉率、错误率和F1分数方面优于现有方法（如Point2Tree，TLS2trees），并在LAUTx、Wytham Woods和TreeLearn数据集上设立了新的基准。总之，该研究显示了一种对于不同激光雷达数据的无感知模型的可行性，超越了传感器特定方法，并在树木分割中树立了新的标准，特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。

Jan, 2024

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

研究了深度学习方法在树木分割中的应用，通过使用七个不同数据集的训练，发现从针叶树为主的稀疏点云到阔叶树为主的高分辨率点云的泛化是可能的，但由高分辨率到低分辨率点云的泛化却具有挑战性，强调了模型开发中需要具备多样性数据特征的森林点云。

May, 2024

基于深度学习的Wood-Leaf分类网络(WLC-Net)通过将线性性作为固有特征、优化输入输出结构和采样技术，提高了树木点云中木质和叶子点的分类准确性、完整性和速度。模型在三个不同的树种数据集上进行了训练和评估，并表现出优越的性能，尤其在木叶分类的准确性方面表现出色。该方法具有高应用性和进一步优化的潜力。

May, 2024

本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法(TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

Jun, 2024

本研究解决了自动识别树种时缺乏足够多样化标记数据集的问题，推出了FOR-species20K数据集，其中包含来自33种树木的20,000多个点云数据。研究发现，基于2D图像的深度学习模型表现优于3D点云模型，尤其是DetailView模型在处理数据不平衡方面表现出色。这为使用激光扫描数据的树种分类提供了重要基准。

Aug, 2024

本研究解决了无人机在放松操作中的树枝检测和距离测量问题。通过集成YOLO进行树枝分割，并采用深度学习优化深度图，显著提高了测量的准确性和效率，推动了农业自动化技术的发展。

Oct, 2024