无人机立体视觉用于辐射松枝条检测与距离测量:集成SGBM与分割模型
本研究探讨了在森林环境中基于视觉的分割是自主林业操作(如伐树和前进)的关键功能之一。在本研究中,我们提出使用模拟森林环境来自动生成具有像素级注释的43k真实合成图像,并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性,证明了模型的迁移学习能力。
Oct, 2022
FOR-instance数据集为稠密机载激光扫描数据提供了一个基准数据集,旨在推进实例和语义分割技术并促进3D森林场景分割的进展。该数据集包含来自全球不同地点的五个精选和ML-ready的无人机激光扫描数据集,代表了不同的森林类型。
Sep, 2023
无人机在树木检测中的应用方法进行了回顾和分析,包括利用点云数据的LiDAR和数字航空摄影(DAP)方法以及直接使用图像的深度学习(DL)方法,并统计了近年来使用不同方法进行树木检测的研究数量,指出基于图像的DL方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导,同时也可帮助农民利用无人机管理农业生产。
Sep, 2023
通过利用RGB图像、LiDAR和IMU数据的协同作用,本研究引入了一种创新的方法来实现复杂树木重建和水果的精确定位,该融合方法不仅能够提供水果分布的洞察,提高农业机器人和自动化系统的精度,而且为模拟不同树木结构的人工合成果实模式奠定了基础。实验证明了这种方法的鲁棒性和效力,凸显其作为未来农业机器人和精准农业的变革工具的潜力。
Oct, 2023
本研究提出了一种新方法来检测带阴影的树冠,并提供了一个约50,000对RGB-热成像图像的数据集,以促进未来对光照不变检测的研究。该方法完全基于自我监督,并使用域对抗性训练来提取特征并进行前景特征对齐,以实现领域无关的表示,并通过融合两个模态的互补信息来有效地改进已训练的RGB检测器的预测并提高整体准确性。实验证明,所提出的方法优于基线的RGB训练检测器和依赖于无监督域自适应或早期图像融合的最先进技术。
Oct, 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
通过使用UAV监测森林环境的变化,本研究介绍了一个新的大型航拍数据集,用于森林巡视任务,该数据集包含了真实和虚拟记录的自然环境,密集标注的语义分割标签和深度图,并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力,结果表明,最佳结果来自于包含多种情景的数据集,而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。
Mar, 2024
本文解决了在激光扫描数据中自动检测树木轮生的问题。通过应用一个基于姿态估计的深度学习模型,研究展示了如何从点云数据中精确识别树木的关键特征,揭示了树木生长模式和木材质量的新见解,具有潜在的生物标记功能,对林业价值链管理具有重要影响。
Sep, 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