基于无人机LiDAR和双通道聚类优化的橡胶树点云分割新方法RsegNet及其在精准农业中的应用

针对橡胶树点云分割中存在的枝叶重叠、背景干扰和尺寸差异等问题，研究人员提出RsegNet方法，集成CosineU-Net特征提取、双通道聚类和动态优化算法DCO，在自建数据集和FOR-instance数据集上分别达到86.1%和94.9%的F-score，为橡胶树精准管理和健康评估提供技术支撑。

　　

橡胶树作为热带地区重要的经济作物，其精准监测对橡胶产业和生态系统管理至关重要。然而，传统点云分割方法在橡胶树结构参数提取和空间布局捕捉方面存在明显局限：枝叶重叠导致形态模糊、背景干扰产生误分类、树体尺寸差异影响分割一致性。这些问题严重制约了橡胶园精准管理和抗风品种选育。中国热带农业科学院橡胶研究所的研究团队通过无人机LiDAR技术，开发了名为RsegNet的创新性解决方案，相关成果发表在《Plant Phenomics》期刊。

研究采用三大核心技术：1）基于余弦相似度的CosineU-Net网络，通过双向特征池化和动态稀疏控制解决枝叶重叠问题；2）整合BFS空间聚类与Mean Shift特征聚类的双通道模块，有效分离背景干扰；3）融合蝙蝠算法和粒子群优化的DCO动态参数调整策略，适应不同树体尺寸。实验数据来自海南儋州533,000公顷橡胶林，使用大疆M300RTK无人机搭载CBI-Lite激光雷达系统采集。

研究结果显示：在特征提取方面，CosineU-Net通过余弦相似度阈值（最优0.8）使mIoU提升5.8%，其角度度量特性成功区分欧氏空间相似但角度空间差异的特征。双通道聚类模块通过最优距离阈值0.6，将F-score提高至82.5%，其中BFS通道处理几何空间关系，Mean Shift通道捕捉语义特征。DCO算法在[0.1-2]参数范围内自适应调整，使模型在FOR-instance五个区域测试中最高F-score达94.9%。结构参数提取实验表明，树高预测R²达0.98，冠幅和冠体积预测精度分别为86%和90%。

该研究的创新性体现在三方面：首次将余弦相似度引入橡胶树点云特征提取，解决了传统卷积无法处理的形态模糊问题；提出的双通道聚类机制通过空间-特征双重验证，显著降低背景误检率；DCO算法实现聚类参数动态优化，适应橡胶树从幼苗到成树的尺寸变化。实际应用中，该方法成功分割海南儋州20个区块的橡胶树，为台风易发区的抗风评估提供数据支持。尽管在密集区域存在少量误分割，但研究建立的框架为森林资源管理、碳储量估算等生态应用提供了新思路，其技术路线可扩展至其他经济林木的精准监测领域。