목재와 잎 부위 구조의 효과적인 구분은 나무의 주요 구조 매개변수를 정확하게 추정하고 생물량을 정밀하게 역산하는 중요한 기초입니다. 라이다(LiDAR)는 나무 구조 매개변수와 지상 생물량의 비파괴적 추정을 위한 새로운 기술적 지원을 제공합니다. 그러나 현재 단목 구성요소 분할 알고리즘은 다양한 수종에 대한 일반화 능력이 제한적이며, 미세한 가지 분할 능력이 부족합니다. 따라서 본 논문은 713 그루의 단목과 다양한 수종을 포함하는 대규모 단목 구성요소 분할 데이터셋을 구축하고, 신뢰할 수 있는 분할 결과를 얻기 위해 고성능 Point Transformer-V3 딥러닝 네트워크를 도입하였습니다. 또한 본 논문에서는 단목 점군의 선험적 기하학적 특성(현저성 차이 지표, 주성분 지표, 수직도 지표)을 구축하여 딥러닝 네트워크의 단목 점군 분할 성능을 최적화하였으며, 현재 주류 딥러닝 알고리즘들과 비교하였습니다. 연구 결과, 선험적 기하학적 특성이 도입된 Point Transformer-V3 네트워크는 다수 수종 단목 구성요소 분할 시 OA, mAcc, mIoU가 각각 0.946, 0.872, 0.806에 도달하였으며, 심지어 작은 규모의 수관 내 섬세한 가지도 일부 추출할 수 있었고, 기하 형태 구조 차이가 큰 다양한 수종 단목에서 높은 적용성을 보였습니다. 마지막으로 소거 실험을 통해 훈련 시 단목 선험 기하학적 특성 도입이 네트워크 분할 성능 향상에 도움이 됨을 확인하였습니다. 따라서 본 논문 연구는 단목 구성요소 분할에서 딥러닝의 적용을 더욱 촉진하고, 나무 구조 매개변수의 정밀한 추정을 위한 기술적 지원을 제공할 수 있습니다.

단목 구성요소; 라이다 점군; 의미론적 분할; 선험 특성; 딥러닝; 목재-잎 분리; 가지 추출; 순차적 주의 메커니즘