RTCrownNet：基于无人机LiDAR点云的双通道深度学习橡胶树冠层精准提取框架

《Computers and Electronics in Agriculture》：RTCrownNet: A dual-channel deep learning framework for accurate rubber tree crown extraction from UAV LiDAR point clouds

本文提出了一种创新的无人机LiDAR点云单木冠层提取方法RTCrownNet，通过双流协同特征融合模块（DS-CFM）整合局部几何特征与全局语义信息，结合残差增强图卷积模块（RAGC）编码点云拓扑关系，并采用自适应Coati差分进化算法（ACDE）优化学习率。该方法在自建橡胶树点云数据集上实现了87.31%的实例平均交并比（mIoU）和95.24%的F-score，显著解决了复杂冠层结构边界模糊、背景干扰和学习率优化三大挑战，为橡胶树精准监测和产量评估提供了可靠技术支撑。

　　

亮点

本研究提出了一种创新的单木冠层分割方法RTCrownNet，通过双流协同特征融合模块（DS-CFM）整合局部几何细节与全局语义信息，有效捕捉复杂冠层边界。残差增强图卷积模块（RAGC）利用图结构编码点云拓扑关系，显著提升重叠叶片与地面区域的区分能力。自适应Coati差分进化算法（ACDE）构建双轨并行搜索框架，动态优化学习率，加速模型收敛并增强泛化性能。

实验环境与参数设置

表2展示了实验环境与参数配置。所有后续实验均在此环境中进行。为提升模型稳定性并加速收敛，我们设计了ACDE优化算法作为调度器，自适应调整全局学习率。学习率被限制在1×10^-8至5×10^-3之间。该范围基于AdamW优化器的常用学习率范围：下限1×10^-8确保训练过程稳定，避免梯度爆炸；上限5×10^-3防止学习率过高导致模型在复杂边界区域收敛困难。

结论

本文提出了一种基于无人机LiDAR点云数据的单木冠层分割方法RTCrownNet，有效解决了橡胶树冠层分割中的关键挑战，包括复杂冠层结构、冠干背景干扰及学习率优化问题。该网络在橡胶树点云分割任务中表现出色。主要研究成果总结如下：

1. 1.
   消融实验结果表明，DS-CFM模块通过多尺度特征融合显著提升了边界识别精度；
2. 2.
   RAGC模块通过图结构建模局部拓扑关系，有效抑制了背景噪声干扰；
3. 3.
   ACDE算法实现了学习率的自适应优化，加速了模型收敛并提升了泛化能力。