基于无人机LiDAR点云的高级橡胶树个体分割与结构参数提取方法RsegNet研究

针对传统点云分割方法在橡胶树精准农业管理中存在的分支叶片重叠、背景干扰和尺寸差异等挑战，研究人员开发了基于无人机LiDAR的RsegNet网络。通过CosineU-Net特征提取、双通道聚类模块和动态聚类优化算法(DCO)，实现了86.1%的F-score，显著提升了橡胶树高度、冠幅和体积等结构参数的提取精度，为橡胶种植园精准监测与管理提供了创新解决方案。

　　

在热带农业生态系统中，橡胶树作为重要的经济作物，其精准化管理一直面临严峻挑战。传统测量方法需要人工实地操作，不仅耗时耗力，还难以获取大范围种植园的结构参数。而现有激光雷达(LiDAR)技术虽然能获取三维点云数据，但在处理橡胶树特有的分支叶片重叠、背景植被干扰和个体尺寸差异等问题时表现不佳，导致分割准确率有限。这些问题严重制约了橡胶树的抗风性能评估、品种改良和健康监测等关键管理环节。

中国热带农业科学院橡胶研究所的研究团队在《Plant Phenomics》发表了创新性研究成果。该研究开发了名为RsegNet的先进方法，通过融合深度学习与优化算法，成功实现了橡胶树点云的精准分割和结构参数提取。研究使用海南儋州533,000公顷橡胶林区的无人机LiDAR数据，构建了包含36个区块的自建数据集，每个区块的橡胶树都标注了语义类别和实例ID标签。

关键技术方法包括：(1)基于余弦相似度的CosineU-Net特征提取网络，通过双向特征池化和动态稀疏控制解决叶片重叠问题；(2)整合广度优先搜索(BFS)和均值漂移(Mean Shift)的双通道聚类模块，有效区分目标与背景；(3)动态聚类优化算法(DCO)结合蝙蝠算法(BA)和粒子群优化(PSO)，自适应调整参数以适应不同树体尺寸。

研究结果方面：

1. 模块有效性分析：在自建数据集上，RsegNet整体F-score达86.1%，其中CosineU-Net使mIoU提升5.8个百分点，双通道聚类使精度达90.2%，DCO算法使召回率提升至80.1%。
2. 敏感性分析：确定余弦相似度阈值0.8、聚类距离阈值0.6为最优参数，DCO的全范围搜索(0.1-2)表现最佳。
3. 对比研究：RsegNet显著优于PointGroup(67.2% F-score)等现有方法，在复杂树冠交叠场景(如Test#7)展现更强适应性。
4. 泛化性能：在FOR-instance数据集五个区域测试中，挪威寒带针叶林区取得94.9% F-score，验证了跨物种适用性。
5. 结构参数提取：树高预测R²达0.98，冠幅和冠体积提取精度分别为0.86和0.90，为管理决策提供可靠数据支持。

该研究的突破性在于首次将角度相似性度量引入植被点云分割，通过余弦特征克服了欧氏距离在重叠结构中的局限性。双通道聚类创新性地结合空间距离与特征密度，而DCO算法实现了参数动态优化，三者协同解决了橡胶树分割的三大核心难题。实际应用中，该方法已成功部署于海南橡胶林区的无人机监测系统，显著提升了台风损害评估和品种选育效率。

尽管在极复杂植被混合场景仍存在约5-8%的误分割率，但RsegNet为热带经济作物三维表型分析建立了新范式。未来通过扩展多时相数据融合和轻量化设计，有望进一步推动精准农业的技术革新。研究成果不仅对橡胶产业可持续发展具有重要意义，其通用性框架也为其他高价值作物的智能化管理提供了重要参考。