【技术实现步骤摘要】
本专利技术涉及测绘遥感，尤其涉及一种基于transformer网络的稀疏机载激光雷达数据单木识别方法。
技术介绍
1、森林单木尺度树种识别作为森林参数估算和提取的基础是林业遥感领域的重要研究方向，对森林生态系统、生物多样性，以及陆地碳汇宏观监测和管理具有重要意义。传统森林单木尺度树种识别主要依靠野外实地调查手段，这种方法虽然结果可靠但野外调查时间、人力成本较高，往往伴随作业环境危险的情况。因此，准确可靠的提取单木树种信息的技术在林业应用中成为关键一环。近年来，随着机载激光雷达扫描技术的不断迭代和完善，作业成本大大降低，同时伴随作业灵活高效等特点，逐步成为林业调查的主要手段。相比其他遥感技术，机载激光雷达能够提供高分辨率的三维结构信息，包括树冠形态、高度、冠层密度等，这些特征对于树种识别非常重要。激光雷达可以穿透冠层，获取到地表和不同植被层的信息，有助于全面了解森林结构。
2、目前，机载激光雷达点云的单木树种识别和分类技术主要使用传统机器学习算法，如线性判别分析，支持向量机，或随机森林等方法。尽管这些方法被广泛应用，但在不同研究区域或数据集应用中，其泛化能力仍然是一个巨大的挑战。此外，机器学习分类器的性能高度依赖于特征工程和选择过程，该过程需要较强专家知识来识别和选择数据集中最相关和最有影响力的特征，这一过程极大地限制了方法的广泛应用。另外，目前许多研究仅限于将树分类为针叶树或阔叶树这限制了其在特定树种生物量模型中的应用。一些研究专注于涉及两到四个树种的简单分类任务，而涉及六类或更多树种的分类的总体准确率通常低于80％
3、近年来，随着深度学习和人工智能领域的快速发展，通过构建深度学习模型进行单木树种分类和识别逐渐成为该领域的新方向。已有研究表明，在树种类别增加的情况下，深度学习模型比传统机器学习模型的准确度高，更为可靠。2020年，xi等在see the forestand the trees:effective machine and deep learning algorithms for woodfiltering and tree species classification from terrestrial laser scanning研究中比较了13种机器学习(ml)和深度学习分类器在复杂森林中对九种树种的分类效果。结果显示，深度学习方法通常优于机器学习方法。特别是，pointnet++在评估基于体素和基于点的深度学习分类器时实现了最高的整体准确率。2023年，fan等tree speciesclassification based on pointnet and airborne laser survey point cloud dataenhancement的研究使用pointnet++结合数据增强策略对11种树种进行分类，达到了91.82％的整体准确率。该研究还比较了多尺度采样和分组与简化采样和分组方法，发现多尺度采样在机载激光点云中的树种分类效果更好。
4、利用als数据进行树种分类的深度学习方法已经取得了显著进展，然而，在稀疏点云环境下的应用仍面临诸多挑战。
5、许多已有的框架使用基于投影的数据形态，需要将3d点云数据栅格化为2d图像，这会导致激光点云数据最有价值的三维几何信息损失。一些研究已使用pointnet、pointnet++或pointcnn等基于3d点云信息的深度学习模型对树种间的特征空间距离和关系进行学习，从而达到对于树种的分类和识别目的,该类方法多针对点云密度较高的陆基激光雷达数据。全球范围内，大多数森林清查项目通常使用的固定翼机载激光雷达点云数据，这类数据平均密度为30点/平米或更低，因此需要有针对的为这类数据设计分类模型。但专为从固定翼飞机扫描的较为稀疏的激光点云数据的单木树种识别深度学习模型尚为空白。另外，现有许多基于深度学习框架的方法依赖于多光谱或高光谱图像数据的融合，来提供更多树种识别的信息进而提高分类结果的准确率，极大的提高了数据采集的成本以及数据预处理的难度。同时现有的成果多只能处理2-4类树种识别，一旦树种种类高于6种，分类器效果会明显降低
6、因此，如何开发更加鲁棒和高效的深度学习算法，以提高在稀疏点云环境下的多类树种分类准确性，为森林资源管理和生态保护提供更加精确和可靠的数据支持是未来需要研究的重点。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的问题，而提出的一种基于transformer网络的稀疏机载激光雷达数据单木识别方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于transformer网络的稀疏机载激光雷达数据单木识别方法，包括以下步骤：
4、s1：采集林木的机载激光雷达点云数据；
5、s2：对激光点云数据进行预处理获得单木实例点云数据样本；
6、s3：构建双分支transformer网络，并使用训练集对模型进行训练并选定最佳模型并测试；
7、s4：应用步骤s2数据准备和s3的模型于待测林区。
8、优选地，所述步骤s1的具体过程为：利用固定翼或无人机激光扫描系统获取待测林区的激光雷达扫描点云数据，并完成数据几何、辐射校正等常规激光雷达数据预处理。
9、优选地，所述步骤s2的具体过程为：
10、s21：使用布料仿真滤波实现林区点云的地面点和非地面点分离，获取林木点云数据；
11、s22：使用基于图形学的切割追踪算法，对林木数据进行单木实例分割，检查单木实例质量并对其进行优化，获取单木实例点云样本；
12、s23:通过人工标注的方式为每一个单木实例标注树种信息，参考森林种类和实际情况，为每一类树准备数量平衡的训练样本，并将最终数据集按照7：2：1的比例划分为训练集、验证集和测试集；
13、s24：通过对每一个单木实例点云点数的统计，选取确定第90百分位数的点数并将这个值取整为最接近的2的次幂作为模型输入点数参数；
14、s25：如果单木实例包含点数大于模型输入点数，通过最远距离采样方式，将每一个单木实例点数采样至输入点数；如果单木实例包含点数小于模型输入点数，则使用随机选择并复制单木实例的点云数据，达到目标输入点数；
15、s26：针对每一个实例数据进行坐标归一化，以保证点云中心在(0,0,0)；
16、s27：应用数据增强技术处理训练数据，包含随机实例旋转、实例缩放和点扰动。
17、优选地，所述步骤s25中，最远距离采样过程为随机选取种子点，后使用最远距离采样。
18、优选地，所述步骤s26中，针对强度信息进行[0,1]的归一化，以扩大训练数据集并提高模型的鲁棒性。
19、优选地，所述步骤s27中，缩放参数均匀分布在[0.8,1.25]范围内，旋本文档来自技高网...
【技术保护点】
1.一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤S1的具体过程为：利用固定翼或无人机激光扫描系统获取待测林区的激光雷达扫描点云数据，并完成数据几何、辐射校正等常规激光雷达数据预处理。
3.根据权利要求1所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤S2的具体过程为：
4.根据权利要求3所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤S25中，最远距离采样过程为随机选取种子点，后使用最远距离采样。
5.根据权利要求3所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤S26中，针对强度信息进行[0,1]的归一化，以扩大训练数据集并提高模型的鲁棒性。
6.根据权利要求3所述的一种基于Transformer网络的稀疏机载激
7.根据权利要求3所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述的步骤S3具体为：
8.根据权利要求7所述的一种基于Transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤S4的具体过程为：
...【技术特征摘要】
1.一种基于transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤s1的具体过程为：利用固定翼或无人机激光扫描系统获取待测林区的激光雷达扫描点云数据，并完成数据几何、辐射校正等常规激光雷达数据预处理。
3.根据权利要求1所述的一种基于transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤s2的具体过程为：
4.根据权利要求3所述的一种基于transformer网络的稀疏机载激光雷达数据单木识别方法，其特征在于：所述步骤s25中，最远距离采样过程为随机选取种子点，后使用最远距离采样。
5.根据权利要求3所述的一种基于transfo...
【专利技术属性】
技术研发人员：李军，王兰莹，张德栋，马凌飞，何娇，童自华，周进，
申请(专利权)人：南京国础科学技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。