Tree-Net：一种基于无人机LiDAR多波段数据与改进型YOLO架构的深度学习单木检测创新方法

本文提出Tree-Net新型深度学习架构，针对无人机激光雷达（LiDAR）栅格化数据，优化单木检测（ITD）。该模型通过采用更浅层网络结构、利用多波段（如垂直距离VD、冠层高度模型CHM）输入，显著提升检测精度（准确率提升7%）与计算效率（训练/测试耗时降低60%），为森林碳汇核算与城市树木清单管理提供了高效技术方案。

　　

Highlight

• •
  • 引入Tree-Net，一种专为利用多波段栅格化无人机LiDAR数据进行单木检测（ITD）而设计的新型单阶段深度学习架构。Tree-Net结合了本研究中引入的独特架构组件，称为带拼接的卷积块（CBC），以增强对小而光谱复杂的树冠的检测能力。
• •
  • 通过调整YOLO的输入层以接受多波段数据，开发了一个改进型YOLO基线，从而能够在遥感数据的ITD任务中进行公平的性能基准测试。
• •
  • 在多个指标（精确度、召回率、F1分数）上对Tree-Net、原始YOLO、改进型YOLO和文献方法进行了系统比较，以评估并证明Tree-Net在ITD应用中的卓越性能和计算效率。
• •
  • 进行了层调优实验，以优化Tree-Net的深度和结构，提高其在高分辨率无人机LiDAR数据集上的泛化能力和鲁棒性。

研究区域与数据集

为使用真实世界数据推进和评估所提出的ITD概念，本研究使用了两个数据集，即Heiberg森林和ForInstance数据集[35]。Heiberg数据集由我们使用安装在DJI Matric 300 RTK平台上的Zenmuse L1 LiDAR系统采集。为确保数据特征的一致性，Heiberg数据集用于训练和测试，这能够在特定条件下准确评估模型性能。此外，专注于此...

概述

我们研究的主要目标是开发一种名为Tree-Net的新型深度学习架构，该架构专门设计用于利用多波段栅格化无人机LiDAR点云数据检测和提取森林环境中的单木。多波段LiDAR是指将无人机LiDAR点云数据的各种属性栅格化为单独的栅格图层（即波段或特征）。每个波段显示LiDAR点云的不同特征。这种结构类似于多光谱...

训练/验证/测试

为训练和调整网络，从Heiberg地区提取了约1000个60 × 60米的样地，并识别了超过20,000棵树。每个样地生成一个600 × 600像素的图像波段，每个像素的空间分辨率为10厘米。使用LabelImg Python工具箱（Tzutalin, 2015）对每张图像中的树木进行对齐边界框的标注，如前所述。包含其边界框标签的图像波段组合（即场景）用于训练...

跨场景模型性能比较

表5展示了Tree-Net和基于YOLO的模型在Heiberg测试样地（样地a至d）上的平均性能指标（包括准确度、精确度、召回率和F1分数）在所有测试场景（图1）下的全面概览。在场景I、II和III中，使用了原始YOLO模型，因为这些场景涉及三波段输入，与标准YOLO架构兼容。在场景IV中，使用了四波段输入，我们使用了改进型YOLO模型，其输入层经过调整以适应四波段输入。场景V使用了五波段输入，并再次使用了改进型YOLO。场景VI使用了六波段输入，并使用了改进型YOLO。在所有场景中，Tree-Net都使用其原始架构，该架构设计用于处理多波段输入。

讨论

本研究旨在展示和评估所提出的深度学习目标检测器Tree-Net在使用源自无人机LiDAR点云的多波段图像进行单木检测（ITD）方面的性能。定量和定性评估是针对未在训练阶段使用的Heiberg数据集测试样地上的不同场景（即波段组合）进行的。此外，将检测到的树木位置与参考位置进行比对，以验证其准确性，评估检测方法的精确度，并讨论检测错误的原因。

结论

本研究提出了Tree-Net，一种基于栅格化点云的新型深度学习目标检测器架构，旨在利用遥感数据（特别是密集的无人机LiDAR点云）提高单木检测（ITD）的准确性和效率。该架构专门设计用于处理多通道遥感数据，并在与文献中方法（如YOLO）比较时，在准确度、精确度、召回率和F1分数方面显示出显著提升。所提出的架构更浅，融合了...