基于无人机LiDAR点云的单株橡胶树冠提取方法RTCrownNet研究

《Computers and Electronics in Agriculture》：Spectral Kolmogorov-Arnold Transformer for few-shot rice germplasm viability detection using hyperspectral imaging

本文提出RTCrownNet方法，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）建模点云拓扑关系，并采用自适应Coati差分进化算法（ACDE）优化学习率，在自建橡胶树点云数据集上实现87.31%的mIoU和95.24%的F-score，为橡胶树精准监测提供技术支撑。

　　

亮点

本研究提出了一种基于无人机LiDAR点云的橡胶树单株冠层提取方法RTCrownNet，通过双流协同特征融合模块（DS-CFM）有效捕捉复杂冠层边界，利用残差增强图卷积模块（RAGC）增强点云局部拓扑建模能力，并采用自适应Coati差分进化算法（ACDE）动态优化学习率，显著提升了分割精度与泛化性能。

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下进行。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防止学习率过大导致模型震荡。ACDE通过双轨并行搜索框架动态平衡全局探索与局部微调，有效应对学习率优化挑战。

结论

本文提出的RTCrownNet方法在橡胶树冠层分割任务中表现优异，成功解决了复杂冠层结构、背景干扰及学习率优化三大难题。消融实验表明，DS-CFM模块通过多尺度特征融合显著提升边界识别能力，RAGC模块利用图结构增强局部几何关系建模，而ACDE算法则通过自适应学习率调整加速模型收敛。该方法在自建数据集上达到87.31%的mIoU和95.24%的F-score，并在公开数据集上展现出强泛化性，为森林资源精准监测提供了可靠技术方案。