Эффективное различение древесной и листовой структуры деревьев является важной основой для точной оценки их ключевых структурных параметров и точного обратного определения биомассы. Лидар предоставляет новую техническую поддержку для недеструктивной оценки структурных параметров деревьев и надземной биомассы. Однако существующие алгоритмы сегментации компонентов отдельных деревьев имеют ограниченную способность к обобщению на различные виды деревьев и недостаточно хорошо разделяют мелкие ветви. Поэтому в этой статье создан крупномасштабный набор данных сегментации компонентов отдельных деревьев, содержащий 713 экземпляров и разнообразие видов, а также введена высокоэффективная глубокая нейронная сеть Point Transformer-V3 для получения надежных результатов сегментации. Кроме того, для оптимизации производительности сегментации в глубокой сети на точечных облаках отдельных деревьев были построены априорные геометрические признаки (показатели различимости, основные компоненты и показатели вертикальности), которые сравнивались с несколькими современными алгоритмами глубокого обучения. Результаты исследования показали, что сеть Point Transformer-V3 с введением априорных геометрических признаков достигла общую точность (OA), среднюю точность (mAcc) и средний коэффициент пересечения (mIoU) на уровне 0,946, 0,872 и 0,806 соответственно в сегментации компонентов отдельных деревьев различных видов; даже мелкие ветви в пределах кроны дерева были частично извлечены, при этом сеть демонстрировала высокую адаптивность к различным видам с разной геометрической структурой. Наконец, результаты экспериментов абляции подтвердили, что включение априорных геометрических признаков отдельных деревьев в процессе обучения значительно улучшает качество сегментации сети. Таким образом, разработанный в статье метод может способствовать дальнейшему применению глубокого обучения в сегментации компонентов отдельных деревьев и обеспечивать техническую поддержку для точной оценки структурных параметров деревьев.

Компоненты отдельных деревьев;Лидарные облака точек;Семантическая сегментация;Априорные признаки;Глубокое обучение;Разделение древесины и листьев;Извлечение ветвей;Механизм последовательного внимания