Эффективное разделение древесной и листовой частей является важной основой для точной оценки ключевых структурных параметров деревьев и точного инверсного определения биомассы. Лазерное сканирование предоставляет новую технологическую поддержку для недеструктивной оценки параметров структуры дерева и надземной биомассы. Однако текущие алгоритмы сегментации компонентов отдельных деревьев имеют ограниченную способность к обобщению на разные виды деревьев и недостаточно хорошо разделяют мелкие ветви. Поэтому в этой работе построен крупномасштабный набор данных по сегментации компонентов отдельных деревьев, включающий 713 деревьев с разнообразными видами, и введена высокопроизводительная глубокая нейронная сеть Point Transformer-V3 для получения надежных результатов сегментации. Кроме того, в работе через построение априорных геометрических признаков одиночного облака точек деревьев (индикаторы заметных различий, главных компонент и вертикальности) оптимизируется производительность сети глубокого обучения при сегментации облаков точек деревьев и проводится сравнение с несколькими современными алгоритмами глубокого обучения. Результаты исследования показывают, что сеть Point Transformer-V3 с априорными геометрическими признаками достигает общей точности (OA), средней точности (mAcc) и средней точки пересечения и объединения (mIoU) равных 0.946, 0.872 и 0.806 соответственно при сегментации компонентов нескольких видов деревьев – даже мелкие ветви внутри небольшой кроновой структуры могут быть извлечены, а также сеть демонстрирует высокую применимость к деревьям разных видов с явно различающейся геометрией. Наконец, абляционные эксперименты показывают, что включение априорных геометрических признаков при обучении значительно улучшает качество сегментации. Таким образом, исследование может способствовать дальнейшему применению глубокого обучения в сегментации компонентов одиночных деревьев и обеспечивать технологическую поддержку для точной оценки структурных параметров деревьев.

Компоненты одиночных деревьев; лазерное облако точек; семантическая сегментация; априорные признаки; глубокое обучение; разделение древесины и листьев; извлечение ветвей; последовательный механизм внимания