陶旭 余富強(qiáng) 蔡金金 么煒 劉博

摘要：針對(duì)由于樹木種間相似性和種內(nèi)差異性帶來的識(shí)別困難，以及由于采集環(huán)境及設(shè)備的多樣性導(dǎo)致的點(diǎn)云質(zhì)量差異，提出面向激光雷達(dá)點(diǎn)云數(shù)據(jù)的多結(jié)構(gòu)樹種識(shí)別方法（MSTSR）。首先借助改進(jìn)的組合采樣策略，在有效降低數(shù)據(jù)冗余的同時(shí)，保留單木的主體枝干結(jié)構(gòu)；其次通過內(nèi)建的近鄰感知與增強(qiáng)模塊（NAE）層次化聚合點(diǎn)云屬性，以形成高階的語義描述；最后通過融合樹冠、主干以及整樹的多結(jié)構(gòu)信息，生成跨尺度的樹木點(diǎn)云表征。在地面激光雷達(dá)采集的樹種點(diǎn)云數(shù)據(jù)集上驗(yàn)證該方法的有效性，該數(shù)據(jù)集由7個(gè)樹種共690棵樹組成的。結(jié)果表明：該方法的總體準(zhǔn)確率達(dá)到94.2%。相比主流的PointNet和PointNet++深度點(diǎn)云分類網(wǎng)絡(luò)，分別提升13.04和9.42個(gè)百分點(diǎn)；相比基于點(diǎn)云的多視圖2D投影方法，提升8.19個(gè)百分點(diǎn)；相比基于多個(gè)測(cè)樹因子的隨機(jī)森林方法，提升24.63個(gè)百分點(diǎn)，從而證實(shí)采用深度網(wǎng)絡(luò)直接進(jìn)行樹種點(diǎn)云識(shí)別的潛力。

關(guān)鍵詞：樹種識(shí)別；激光雷達(dá)；點(diǎn)云；深度學(xué)習(xí)

中圖分類號(hào)：S771

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 05-0168-08

收稿日期：2022年11月10日? 修回日期：2022年12月16日*基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（61972132）；河北省自然科學(xué)基金項(xiàng)目（F2020204009）；河北省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（20327404D，20327401D，21327404D）；河北省引進(jìn)留學(xué)人員資助項(xiàng)目（C20190342）

第一作者：陶旭，男，1998年生，石家莊人，碩士研究生；研究方向?yàn)橛?jì)算機(jī)視覺、農(nóng)業(yè)信息化。E-mail： sjz_taoxu@163.com

通訊作者：劉博，男，1981年生，河北保定人，博士，副教授；研究方向?yàn)橛?jì)算機(jī)視覺、農(nóng)業(yè)信息化。E-mail： boliu@hebau.edu.cn

Multi-structured tree species recognition for LiDAR point cloud data

Tao Xu1， 2， Yu Fuqiang1， 2， Cai Jinjin3， Yao Wei1， 2， Liu Bo1， 2

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071001， China;

2. Hebei Key Laboratory of Agricultural Big Data， Hebei Agricultural University， Baoding， 071001， China;

3. College of Mechatronical & Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China）

Abstract：

Aiming at the difficulty of tree identification caused by the similarity between species and the difference between species， as well as the difference of point cloud quality caused by the diversity of collecting environment and equipment， a multi-structured tree species recognition method（MSTSR）based on LiDAR point cloud data was proposed. Firstly， a combined sampling strategy was designed to effectively reduce data redundancy while preserving the trunk and main branches of a single tree. Then， a built-in neighborhood awareness and enhancement（NAE）module was devised to hierarchically aggregate point cloud attributes into high-level semantic descriptions. Finally， three types of information extracted from the crown， trunk and entire tree were fused to generate the cross-scale representation. The effectiveness of the method was verified on a point cloud dataset consisting of 690 trees of seven tree species acquired by terrestrial LiDAR. The results demonstrated that the methods overall accuracy（OA）reached 94.2%. Compared with mainstream deep learning methods for point cloud classification， such as PointNet and Point Net++， the improvement was 13.04 and 9.42 percentage points， respectively. In addition， the proposed method was improved by 8.19 percentage points compared with the multi-view 2D projection method， and improved by 24.63 percentage points compared with the random forest method using multiple tree measurement factors. These results confirmed the potential of the deep point cloud network for tree species recognition.

Keywords：

tree species recognition； LiDAR； point cloud； deep learning

0 引言

森林資源為維護(hù)生態(tài)系統(tǒng)穩(wěn)定、促進(jìn)人類社會(huì)可持續(xù)發(fā)展提供了基礎(chǔ)保障［1］。樹種的自動(dòng)化識(shí)別在林業(yè)資源的科學(xué)化管理、生物多樣性保護(hù)等方面具有重要意義。樹種識(shí)別的主要挑戰(zhàn)在于：樹木生長(zhǎng)受天氣、光照等等環(huán)境因素，以及自身生長(zhǎng)階段的影響，導(dǎo)致較大的種間相似性與種內(nèi)差異性［2］；樹種識(shí)別應(yīng)為后續(xù)工作，如疾病診斷［3］、植被覆蓋度估計(jì)［4］、生態(tài)多樣性研究［5］等提供決策支持，多樣化的應(yīng)用場(chǎng)景對(duì)識(shí)別算法的適用性提出了更高的要求。

針對(duì)這些問題，大量學(xué)者開展了一系列研究。根據(jù)所采用的數(shù)據(jù)源不同分為2D圖像數(shù)據(jù)與3D點(diǎn)云數(shù)據(jù)兩類。圖像數(shù)據(jù)對(duì)拍攝設(shè)備要求相對(duì)簡(jiǎn)單且成像速度快，能夠保留更豐富的紋理細(xì)節(jié)信息。根據(jù)個(gè)體拍攝的部位不同，可依據(jù)樹種整體形態(tài)［6］、樹冠［7］、樹葉紋理［8］以及樹皮［9］的圖像信息，使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）等模型進(jìn)行樹種識(shí)別。然而，以可見光為主的圖像數(shù)據(jù)存在易受光照條件影響，拍攝距離受限，不適合大范圍識(shí)別等問題。隨著空間遙感技術(shù)的發(fā)展，光譜數(shù)據(jù)借助其表征信息豐富，空間分辨率高的優(yōu)勢(shì)，被大量用于林業(yè)資源勘測(cè)［10-12］。

機(jī)載激光雷達(dá)（Airborne LiDAR）［13］及地面激光雷達(dá)（Terrestrial LiDAR）［14］的使用有效拓展了植被測(cè)量的維度。目前面向點(diǎn)云數(shù)據(jù)的樹種分類方法大致分為間接法和直接法兩類。間接法主要從3D點(diǎn)云中推斷結(jié)構(gòu)特征［15-17］或提取多視角下的2D圖像［18］。如王佳等［19］依據(jù)點(diǎn)云的三維坐標(biāo)提取胸徑、冠高、最長(zhǎng)冠幅等6個(gè)測(cè)樹因子作為分類依據(jù)；Seidel等［18］將單木的三維點(diǎn)云結(jié)構(gòu)投影為多角度的2D圖像，從而把點(diǎn)云分類轉(zhuǎn)化為傳統(tǒng)的圖像分類問題。間接型的點(diǎn)云處理方法雖然可以有效利用已有的分類模型與經(jīng)驗(yàn)，但其在點(diǎn)云數(shù)據(jù)轉(zhuǎn)換過程中導(dǎo)致了不可逆的信息損失，在一定程度上限制了點(diǎn)云數(shù)據(jù)的性能發(fā)揮。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，特別是如PointNet［20］，PointNet++［21］等一系列點(diǎn)云分類模型的提出，使得直接處理點(diǎn)云數(shù)據(jù)成為可能。如針對(duì)白樺樹和落葉松的二分類問題，Liu等［22］提出的LayerNet樹種識(shí)別網(wǎng)絡(luò)，實(shí)現(xiàn)了92.5%的識(shí)別準(zhǔn)確率，但該方法更注重樹木的整體結(jié)構(gòu)，缺乏對(duì)局部結(jié)構(gòu)的感知；Chen等［23］提出的PCTSCN模型，其采用改進(jìn)的最遠(yuǎn)點(diǎn)采樣方法，從而達(dá)到了96%的分類精度。然而，已有點(diǎn)云特征學(xué)習(xí)方法并沒有充分考慮樹木自身的形態(tài)屬性，以及由于采集環(huán)境及設(shè)備的多樣性所帶來的點(diǎn)云分布差異，從而限制了該類方法的適用性。

針對(duì)以上問題，本文提出面向激光雷達(dá)點(diǎn)云數(shù)據(jù)的多結(jié)構(gòu)樹種識(shí)別方法（Multi-structured Tree Species Recognition Method，MSTSR）。該方法主要包括兩部分：一是多結(jié)構(gòu)樹種分類模型，其根據(jù)樹木的生長(zhǎng)分布先驗(yàn)知識(shí)，結(jié)合激光雷達(dá)的空間采樣傾向，通過適應(yīng)性地等容量劃分樹木的層次結(jié)構(gòu)，構(gòu)建整體與局部相結(jié)合的點(diǎn)云特征提取模型，為樹種點(diǎn)云識(shí)別提供有效的解決方案；二是組合采樣策略，通過以體素網(wǎng)格（Voxel Grid）為基礎(chǔ)對(duì)點(diǎn)云坐標(biāo)空間進(jìn)行規(guī)范化劃分，進(jìn)而配合隨機(jī)采樣策略，相對(duì)于最遠(yuǎn)點(diǎn)采樣，在保證分類精度的基礎(chǔ)上，把采樣復(fù)雜度由O（n2）降為O（n），提升模型訓(xùn)練及推理速度。

1 樹種點(diǎn)云識(shí)別模型

主流點(diǎn)云分類網(wǎng)絡(luò)，如PointNet［20］、PointNet++［21］等多是面向通用點(diǎn)云物體識(shí)別，該類物體表面的點(diǎn)云分布較為均勻。然而通過直觀觀察，單木點(diǎn)云具有明顯的結(jié)構(gòu)差異與分布差異。結(jié)構(gòu)差異源于樹木自然生長(zhǎng)形態(tài)，如樹冠與主干具有不同的表型特征；分布差異主要來自點(diǎn)云采集激光雷達(dá)的類型與參數(shù)差異，如地面激光雷達(dá)會(huì)獲得較密集的下部枝干采樣與較稀疏的冠層采樣，而機(jī)載激光雷達(dá)則相反。本文提出了面向激光雷達(dá)點(diǎn)云數(shù)據(jù)的多結(jié)構(gòu)樹種識(shí)別網(wǎng)絡(luò)（MSTSR），一方面融合不同尺度的樹木結(jié)構(gòu)特點(diǎn)以獲得更具代表性的點(diǎn)云表征；另一方面借助組合采樣策略從而專注單木的枝干結(jié)構(gòu)特征，緩解由于點(diǎn)云分布差異帶來的性能損失。

1.1 樹種點(diǎn)云分類描述

給定含有c個(gè)樹種，共M棵樹組成的點(diǎn)云數(shù)據(jù)集T=t1，t2，…，tM，其中ti=pi1，pi2，…，piN為第i棵樹中含有的N個(gè)點(diǎn)的集合，且pij∈Rd，j=1，2，…，N，d為每個(gè)點(diǎn)的維度。通常pij中只包含幾何坐標(biāo)（d=3），即pij=（xij，yij，zij）。實(shí)際情況中，每棵樹包含數(shù)量不等的點(diǎn)，為了適配模型輸入，這里假設(shè)每棵樹中的點(diǎn)已降采樣到固定的N個(gè)。

對(duì)于樹種分類任務(wù)，分類模型將第i棵樹的點(diǎn)云集合ti作為輸入，以c個(gè)分類的置信度為輸出，通常選擇置信度最大的樹種作為分類結(jié)果。

1.2 多結(jié)構(gòu)樹種點(diǎn)云識(shí)別網(wǎng)絡(luò)

從結(jié)構(gòu)上看，樹木大致由樹冠和主干兩部分組成，且具有不同的表型特征，為了符合樹木自身的結(jié)構(gòu)特點(diǎn)，本文提出的多結(jié)構(gòu)樹種識(shí)別網(wǎng)絡(luò)（MSTSR）將點(diǎn)云數(shù)據(jù)結(jié)構(gòu)化采樣（Structured Sampling，SS），即依據(jù)高度劃分為上下兩部分，從而形成了上層局部（樹冠）、下層局部（主干）以及整樹三個(gè)尺度的點(diǎn)云集合。雖然嚴(yán)格劃分樹冠與主干區(qū)域可促使模型學(xué)習(xí)更準(zhǔn)確地局部特征，但考慮到樹木形態(tài)的多樣性，引入精確劃分方法不僅會(huì)降低模型的泛化性，而且增加了額外的計(jì)算負(fù)擔(dān)。此外，所提模型中的多尺度融合策略也內(nèi)建了不同生長(zhǎng)區(qū)域的互補(bǔ)機(jī)制。因此，使用啟發(fā)式的等容量劃分方法可以在保證適應(yīng)性的同時(shí)，有效減少劃分時(shí)帶來的算力消耗。

網(wǎng)絡(luò)整體框架如圖1所示，由不同分支聚合的尺度結(jié)構(gòu)特征經(jīng)過拼接后，輸入到一個(gè)多層感知機(jī)（Multi-layer Perceptron，MLP）產(chǎn)生分類結(jié)果。不同分支的配置相似，其核心為本文提出的近鄰感知與增強(qiáng)模塊（Neighborhood Awareness and Enhancement，NAE）。在每個(gè)結(jié)構(gòu)分支中堆疊多個(gè)NAE，同時(shí)搭配降采樣方法，從而形成了一種層次化特征聚合結(jié)構(gòu)（Hierarchical Feature Aggregation，HFA）。具體為：在淺層的處理過程中，點(diǎn)云集合首先經(jīng)過一個(gè)全連接層（Full Connected，F(xiàn)C）以及一個(gè)NAE層，實(shí)現(xiàn)每個(gè)點(diǎn)與其周圍點(diǎn)初步的信息傳遞；進(jìn)而被降采樣后輸入到不同的HFA分支網(wǎng)絡(luò)，經(jīng)過多個(gè)NAE進(jìn)行特征提取，在分層聚合局部信息的同時(shí)對(duì)數(shù)據(jù)點(diǎn)繼續(xù)進(jìn)行降采樣；最終經(jīng)過最大池化層（Max Pooling）輸出每個(gè)分支結(jié)構(gòu)下的單一表示。

1.2.1 近鄰感知與增強(qiáng)模塊

受PointNet++［21］的啟發(fā)，本文提出一種可插拔的近鄰感知與增強(qiáng)模塊（NAE），整體結(jié)構(gòu)如圖2所示。原始的點(diǎn)云數(shù)據(jù)為孤立的點(diǎn)，其無法感知其鄰域的點(diǎn)云分布，因此難以描述復(fù)雜的結(jié)構(gòu)變化。為解決這一問題，NAE對(duì)每個(gè)由MLP特征升維后的點(diǎn)進(jìn)行特征聚合（Feature Aggregation，F(xiàn)A），即使用每個(gè)點(diǎn)的近鄰信息作為該點(diǎn)的補(bǔ)充。特征聚合具體為：給定任意點(diǎn)集內(nèi)的第j個(gè)點(diǎn)pj（為不失一般性，這里省略了用來描述集合歸屬的上標(biāo)），確定其K個(gè)近鄰組成的集合Nj，進(jìn)而通過作用在Nj上的最大池化（Max Pooling）與平均池化（Mean Pooling）操作構(gòu)建pj的局部增強(qiáng)表示fj，如式（1）所示。

1.3 組合點(diǎn)云降采樣策略

影響樹種點(diǎn)云識(shí)別性能的另一個(gè)關(guān)鍵是采樣策略。在本文提出的學(xué)習(xí)模型中包含兩個(gè)步驟的采樣：（1）預(yù)處理階段將原始點(diǎn)云數(shù)據(jù)降采樣到規(guī)定數(shù)量以便輸入網(wǎng)絡(luò)；（2）在網(wǎng)絡(luò)中為了獲得更具語義信息的結(jié)構(gòu)描述而進(jìn)行的逐層降采樣。采樣策略的選擇受到單木點(diǎn)云分布的影響。以本文采用的地面激光雷達(dá)點(diǎn)云數(shù)據(jù)為例，影響采樣結(jié)果的因素主要來自兩方面：一是樹木點(diǎn)云不同部位的密度差異，如圖3（a）所示，樹木主干由于位置較低從而點(diǎn)密度更大；二是由于樹冠易受到密集枝葉的影響，從而產(chǎn)生過多的噪聲點(diǎn)。特別是對(duì)于落葉性樹種，其識(shí)別精度不應(yīng)受到季節(jié)影響。因此，在預(yù)處理階段的采樣方法應(yīng)傾向于保留單木的枝干屬性。然而，目前常用的最遠(yuǎn)點(diǎn)采樣方法［21］，其通過由隨機(jī)種子構(gòu)成的集合開始，通過迭代式地查找距離當(dāng)前集合最遠(yuǎn)的點(diǎn)，從而逐漸擴(kuò)充采樣集合。該種采樣方式更傾向于描述物體的外圍輪廓，如圖3（b）所示，最遠(yuǎn)點(diǎn)采樣保留了更多的樹冠葉片分布，而失去了內(nèi)在的枝干結(jié)構(gòu)。不僅如此，該采樣算法的復(fù)雜度為O（n2），當(dāng)點(diǎn)集容量過大時(shí)，采樣效率會(huì)明顯降低。

針對(duì)以上問題，本文提出了一種兩階段的組合采樣策略，從而在有效緩解點(diǎn)云密度差異，凸顯枝干結(jié)構(gòu)分布的同時(shí)，把采樣復(fù)雜度降至O（n）。具體做法如下：第一階段使用體素降采樣（Voxel Grid Down-sampling），該方法通過把空間劃分為若干固定邊長(zhǎng)大小的立方體體素塊，并在每個(gè)體素塊內(nèi)保留固定數(shù)量的點(diǎn)，以實(shí)現(xiàn)采樣結(jié)果的均勻化；第二階段為以體素塊為單位進(jìn)行隨機(jī)采樣，從而保證了采樣效率。經(jīng)過采樣后的結(jié)果如圖3（c）所示，可以看出相比最遠(yuǎn)點(diǎn)采樣，本文采用的方法可以更有效地捕捉枝干信息。此外，由于在預(yù)處理采樣階段已提升了輸入點(diǎn)的均勻性，為了確保模型訓(xùn)練和推理的效率，在網(wǎng)絡(luò)中的降采樣也均使用隨機(jī)采樣方法。

2 試驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集及預(yù)處理

數(shù)據(jù)集采用由Seidel等［18］搜集并整理的Single Tree Point Clouds from Terrestrial Laser Scanning （STPCTLS）Symbol`@@數(shù)據(jù)集。該數(shù)據(jù)集匯總了近年來若干項(xiàng)樹木地面激光雷達(dá)點(diǎn)云研究所使用的數(shù)據(jù)，采集地點(diǎn)為德國(guó)和美國(guó)的人工森林和天然森林，采集土壤條件、氣候特征具有較大差異，采集設(shè)備為Faro Focus 3D 120和Zoller and Frhlich Imager 5006地面激光雷達(dá)。Seidel通過掃描儀設(shè)備提供的處理軟件對(duì)掃描結(jié)果進(jìn)行后處理，過濾部分明顯的噪聲點(diǎn)、反射不清晰的點(diǎn)和分裂激光束產(chǎn)生的點(diǎn)，并使用3D可視化軟件CloudCompare從森林點(diǎn)云中手動(dòng)分割出單木點(diǎn)云數(shù)據(jù)。最終，該數(shù)據(jù)集由7類樹種、共690棵樹木組成，其中橡樹（Oak）22棵、紅橡樹（Red Oak）100棵、梣樹（Ash）39棵、云杉（Spruce）158棵、松樹（Pine）25棵、山毛櫸（Beech）163 棵、花旗松（Douglas Fir）183棵，代表性樹種樣例如圖4所示。

為了滿足模型的輸入要求，需要統(tǒng)一樣本點(diǎn)云容量。由于樣本容量由7萬～240萬不等，采用文本提出的組合采樣策略，首先對(duì)其進(jìn)行邊長(zhǎng)2 cm規(guī)格的體素采樣，每個(gè)體素內(nèi)僅保留距離中心點(diǎn)最近的點(diǎn)，再應(yīng)用隨機(jī)采樣將樣本降采樣到4 096個(gè)點(diǎn)，并進(jìn)行歸一化處理，使點(diǎn)云中心位于（0， 0， 0）處。為了確保試驗(yàn)的公平性，本文采用與文獻(xiàn)［18］類似的數(shù)據(jù)增強(qiáng)及隨機(jī)劃分協(xié)議。具體方法如下：繞Z軸隨機(jī)選擇0°～360°作為數(shù)據(jù)增強(qiáng)方式，對(duì)4類數(shù)量較多的樹種（紅橡樹、云杉、山毛櫸和花旗松）增強(qiáng)4次；對(duì)剩下3類樹種（橡樹、梣樹和松樹）增強(qiáng)10次，設(shè)置如表2所示。

2.2 試驗(yàn)設(shè)置

所有試驗(yàn)均在同一臺(tái)計(jì)算機(jī)進(jìn)行，硬件配置為 Intel（R）Core（TM）i9-9900X，單塊NVIDIA GeForce RTX 2080Ti GPU，軟件環(huán)境為64位ubuntu 20系統(tǒng)，TensorFlow 1.11深度學(xué)習(xí)框架。訓(xùn)練時(shí)批處理大小（Batch Size）為12，使用Adam優(yōu)化器且初始學(xué)習(xí)率（Learning Rate）為0.001，權(quán)值衰減（Decay）為0.95。訓(xùn)練時(shí)近鄰聚合的范圍設(shè)置為16，最大迭代次數(shù)設(shè)置為50。

2.3 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)采用總體分類精度（Overall Accuracy，OA），其可以直接評(píng)價(jià)分類正確的比例，如式（4）所示。

2.4 樹種識(shí)別結(jié)果與分析

表3為主流樹種識(shí)別方法的結(jié)果對(duì)比，本文所提的方法取得了最高的分類準(zhǔn)確率及Kappa系數(shù)。其中7類樹種的總體分類準(zhǔn)確率為94.20%，Kappa系數(shù)為0.927 6，橡樹、紅橡樹全部分類正確，云杉、山毛櫸和花旗松準(zhǔn)確率分別達(dá)到96.77%、94.29%和91.89%，而梣樹和松樹由于樣本量過少，準(zhǔn)確率相對(duì)較低，為85.71%和80.00%。試驗(yàn)對(duì)比方法選擇三類典型的樹種識(shí)別算法，分別為：基于典型測(cè)樹因子配合隨機(jī)森林的方法［19］、點(diǎn)云深度網(wǎng)絡(luò)分類方法［20， 21］以及多視角點(diǎn)云2D投影方法［18］。

2.4.1 與傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)比

本文選取王佳等［19］提出的測(cè)樹因子配合隨機(jī)森林方法作為對(duì)比。該方法從點(diǎn)云中提取了6種測(cè)樹因子，并使用決策樹、支持向量機(jī)和隨機(jī)森林三類常見的分類器進(jìn)行識(shí)別。從表3可以看出，采用測(cè)樹因子配合傳統(tǒng)機(jī)器學(xué)習(xí)分類方法的結(jié)果欠佳，總體準(zhǔn)確率僅為69.57%，Kappa系數(shù)為0.641 2。原因如下：（1）該數(shù)據(jù)集中的樹木點(diǎn)云采集于多個(gè)地點(diǎn)，且環(huán)境差異過大，僅六個(gè)測(cè)樹因子無法充分體現(xiàn)樹木的結(jié)構(gòu)特征；（2）數(shù)據(jù)集質(zhì)量不理想，存在樣本掃描不全的現(xiàn)象，導(dǎo)致對(duì)應(yīng)因子存在缺失或誤差；（3）傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)特征學(xué)習(xí)能力不足。

2.4.2 與典型點(diǎn)云網(wǎng)絡(luò)對(duì)比

將典型點(diǎn)云分類網(wǎng)絡(luò)PointNet［20］和PointNet++［21］應(yīng)用于該數(shù)據(jù)集，試驗(yàn)結(jié)果如表3所示。其中PointNet總體準(zhǔn)確率為81.16%，Kappa系數(shù)為0.770 6，由于其僅對(duì)整體結(jié)構(gòu)進(jìn)行特征聚合，傾向于學(xué)習(xí)單木的整體結(jié)構(gòu)，導(dǎo)致其對(duì)枝干尺度和整體結(jié)構(gòu)相似的橡樹、紅橡樹、梣樹、松樹和山毛櫸五類樹種分類結(jié)果均不理想；PointNet++在PointNet的基礎(chǔ)上增加了層次化特征提取，總體準(zhǔn)確率提升至84.78%，Kappa系數(shù)為0.815 3，對(duì)于橡樹、紅橡樹、梣樹和松樹分類精度有了較大幅度的提升，但云杉和山毛櫸兩種樹的分類精度有所下降。本文提出的多結(jié)構(gòu)樹種識(shí)別網(wǎng)絡(luò)充分考慮了樹木的整體和局部形態(tài)結(jié)構(gòu)，同時(shí)有針對(duì)性地設(shè)計(jì)了采樣方法，因此識(shí)別準(zhǔn)確率較大幅度領(lǐng)先這兩種方法。

2.4.3 與2D點(diǎn)云投影方法對(duì)比

Seidel等［18］將該數(shù)據(jù)集中的點(diǎn)云數(shù)據(jù)投影為多幅2D圖像，進(jìn)而采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。如表3所示，該方式雖然利用多角度2D圖像的互補(bǔ)性，最終取得了優(yōu)于PointNet++的綜合性能，但其并沒有充分挖掘3D點(diǎn)云對(duì)空間結(jié)構(gòu)的描述能力。圖5為該方法與本文所提方法的混淆矩陣對(duì)比。

從圖5可以看出，由于2D投影的方法更專注于輪廓信息，導(dǎo)致輪廓相似的樹種間混淆程度較高，如梣樹主要與山毛櫸混淆，云杉與花旗松混淆，紅橡樹與其他樹種均發(fā)生混淆。然而，本文方法由于充分考慮了不同尺度的結(jié)構(gòu)特征，對(duì)于輪廓相似的樹種，可通過進(jìn)一步學(xué)習(xí)其枝干走向、尺度等特征以提高識(shí)別精度。因此，有效降低了梣樹及云杉對(duì)其他樹種的混淆度，特別是針對(duì)橡樹和紅橡樹的識(shí)別準(zhǔn)確率提升至100%，整體結(jié)果提升了8.2%。

2.5 主要參數(shù)分析

在所提模型中，具有采樣點(diǎn)的數(shù)量、采樣方式的選擇、多尺度劃分方式等主要參數(shù)，本節(jié)主要分析這些參數(shù)的取值以及對(duì)模型性能的影響，并給出一些較為通用的參數(shù)設(shè)置方案。

2.5.1 采樣點(diǎn)數(shù)量的影響

樣本點(diǎn)云的降采樣數(shù)量對(duì)模型的分類精度和執(zhí)行效率有重要影響，過少的采樣量不足以描述樹木結(jié)構(gòu)特性，而過多的采樣量會(huì)引入更多的噪聲點(diǎn)，同時(shí)降低模型的執(zhí)行效率。圖6為不同降采樣數(shù)量（從256～8 192）對(duì)算法性能的影響?？梢钥闯鼋Y(jié)果符合預(yù)期，雖然由于種間的結(jié)構(gòu)差異導(dǎo)致個(gè)別樹種（如云杉）的結(jié)果不夠穩(wěn)定，但整體的分類準(zhǔn)確度隨著采樣點(diǎn)數(shù)量的增加而提升，在達(dá)到4 096個(gè)時(shí)結(jié)果最佳。此外，過多的采樣點(diǎn)也會(huì)增幅噪聲的影響，因此在采樣點(diǎn)達(dá)到8 192個(gè)時(shí)，準(zhǔn)確率會(huì)有所下降。

2.5.2 降采樣方式的影響

為了驗(yàn)證點(diǎn)云集合的降采樣方式對(duì)模型精度的性能，本節(jié)在數(shù)據(jù)預(yù)處理階段和分類模型中分別應(yīng)用了組合采樣、最遠(yuǎn)點(diǎn)采樣、隨機(jī)采樣三種策略，結(jié)果如表4所示。

由表4可以看出：（1）在預(yù)處理階段采用組合采樣的綜合結(jié)果高于最遠(yuǎn)點(diǎn)采樣和隨機(jī)采樣，這是由于對(duì)于單木點(diǎn)云，最遠(yuǎn)點(diǎn)采樣弱化對(duì)內(nèi)部的枝干走向的建模，而這些枝干的生長(zhǎng)結(jié)構(gòu)對(duì)樹種分類起到了重要作用；（2）網(wǎng)絡(luò)內(nèi)采用隨機(jī)采樣或最遠(yuǎn)點(diǎn)采樣對(duì)結(jié)果影響不大，但隨機(jī)采樣在時(shí)間復(fù)雜度方面占有優(yōu)勢(shì)；（3）本文提出的預(yù)處理階段的組合采樣配合網(wǎng)絡(luò)內(nèi)的隨機(jī)采樣，同時(shí)兼顧識(shí)別準(zhǔn)確性與識(shí)別效率。

2.5.3 尺度劃分方式的影響

本文增加樹冠與主干兩個(gè)尺度的特征提取分支，輔助整樹分支以提升分類正確率。為了驗(yàn)證不同尺度劃分方式對(duì)結(jié)果的影響，測(cè)試4種設(shè)置：（1）等高劃分上下兩部分；（2）等容量劃分上下兩部分；（3）按容量比例1∶3劃分上下兩部分；（4）按容量比例3∶1劃分上下兩部分。

不同劃分尺度的對(duì)比結(jié)果如圖7所示。

可以看出：（1）由于種間的形態(tài)差異，沒有任何一種劃分方式在所有七類樹種上均取得最佳結(jié)果。其中，由于云杉和花旗松由于樹冠縱向覆蓋區(qū)域較廣，因此按容量3∶1的方式劃分的性能最佳；山毛櫸的樹冠與主干占比近似，等高劃分的性能最佳；（2）按高度劃分由于兼容性較高，在所有四種劃分方式中取得了次優(yōu)的結(jié)果；（3）等容劃分實(shí)際是在近似等高劃分的基礎(chǔ)上兼顧了不同分支的平衡，因此取得了最佳的結(jié)果。等容劃分也是本文所提方法最終采納的劃分方式。

2.6 不同樹木結(jié)構(gòu)的影響

本文提出的樹種點(diǎn)云識(shí)別方法同時(shí)考慮樹冠、主干以及整樹的結(jié)構(gòu)，為了驗(yàn)證每種結(jié)構(gòu)對(duì)最終識(shí)別結(jié)果的影響，表5為不同結(jié)構(gòu)分支下的消融試驗(yàn)。

由表5可以看出：（1）只學(xué)習(xí)主干結(jié)構(gòu)的結(jié)果最差，因?yàn)橹鞲傻慕Y(jié)構(gòu)形態(tài)在大多數(shù)情況下區(qū)分度較差；（2）同時(shí)考慮主干和樹冠略優(yōu)于只包含整體結(jié)構(gòu)的結(jié)果，這是由于前者促使網(wǎng)絡(luò)更加專注并融合多個(gè)局部區(qū)域；（3）整體和局部相結(jié)合的方式同時(shí)考慮多個(gè)尺度結(jié)構(gòu)下的結(jié)構(gòu)特征，取得最佳的識(shí)別結(jié)果，從而驗(yàn)證多結(jié)構(gòu)學(xué)習(xí)的有效性。

3 結(jié)論

1）? 本文提出一種面向激光雷達(dá)點(diǎn)云數(shù)據(jù)的多結(jié)構(gòu)樹種識(shí)別方法，其將單木點(diǎn)云數(shù)據(jù)劃分為三個(gè)尺度結(jié)構(gòu)（樹冠、主干及整體），分別提取特征并加以融合；同時(shí)，搭配內(nèi)建的近鄰感知與增強(qiáng)模塊，使模型分類總體準(zhǔn)確率達(dá)到94.2%，Kappa系數(shù)為0.927 6。較基于多個(gè)測(cè)樹因子的隨機(jī)森林方法，OA提高24.63%，Kappa系數(shù)提高0.286 4；較經(jīng)典點(diǎn)云網(wǎng)絡(luò)PointNet和PointNet++，OA分別提高13.04%和9.42%，Kappa系數(shù)分別提高0.157 0和0.112 3；較多視圖點(diǎn)云2D投影方法，OA提高8.2%，Kappa系數(shù)提高0.099 4，從而驗(yàn)證點(diǎn)云網(wǎng)絡(luò)直接處理3D樹木點(diǎn)云的潛力。

2）? 樹木點(diǎn)云數(shù)據(jù)具有相對(duì)復(fù)雜的結(jié)構(gòu)特征，通過應(yīng)用體素采樣與隨機(jī)采樣相結(jié)合的采樣策略，突出樹木枝干結(jié)構(gòu)信息，減弱葉片以及噪聲點(diǎn)的干擾，較最遠(yuǎn)點(diǎn)采樣和隨機(jī)采樣，OA分別提高3.62%和1.45%，為樹種點(diǎn)云識(shí)別提供高效且通用的降采樣方案。

3）? 模型采用的多尺度融合方法，相比整樹或樹冠的單一尺度，OA分別提升3.62%及5.07%，從而證明該方法對(duì)樹種點(diǎn)云識(shí)別的適用性。

參 考 文 獻(xiàn)

［1］ 張軍國(guó)， 閆浩， 胡春鶴， 等. 無人機(jī)在林業(yè)中的應(yīng)用及前景展望［J］. 林業(yè)工程學(xué)報(bào)， 2019， 4（1）： 8-16.

Zhang Junguo， Yan Hao， Hu Chunhe， et al. Application and future development of unmanned aerial vehicle in forestry ［J］. Journal of Forestry Engineering， 2019， 4（1）： 8-16.

［2］ Macfarlane D W， Kane B. Neighbour effects on tree architecture：Functional trade-offs balancing crown competitiveness with wind resistance ［J］. Functional Ecology， 2017， 31（8）： 1624-1636.

［3］ 孫鈺， 周焱， 袁明帥， 等. 基于深度學(xué)習(xí)的森林蟲害無人機(jī)實(shí)時(shí)監(jiān)測(cè)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（21）： 74-81.

Sun Yu， Zhou Yan， Yuan Mingshuai， et al. UAV real-time monitoring for forest pest based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（21）： 74-81.

［4］ Jia K， Yao Y J， Wei X Q， et al. A review on fractional vegetation cover estimation using remote sensing ［J］. Advances in Earth Science， 2013， 28（7）： 774-782.

［5］ Fender A C， Gansert D， Jungkunst H F， et al. Root-induced tree species effects on the source/sink strength for greenhouse gases （CH4， N2O and CO2） of a temperate deciduous forest soil ［J］. Soil Biology and Biochemistry， 2013， 57： 587-597.

［6］ 馮海林， 胡明越， 楊垠暉， 等. 基于樹木整體圖像和集成遷移學(xué)習(xí)的樹種識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（8）： 235-242.

Feng Hailin， Hu Mingyue， Yang Yinhui， et al. Tree species recognition based on overall tree image and ensemble of transfer learning ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（8）： 235-242.

［7］ 滕文秀， 溫小榮， 王妮， 等. 基于深度遷移學(xué)習(xí)的無人機(jī)高分影像樹種分類與制圖［J］. 激光與光電子學(xué)進(jìn)展， 2019， 56（7）： 277-286.

Teng Wenxiu， Wen Xiaorong， Wang Ni， et al. Tree species classification and mapping based on deep transfer learning with unmanned aerial vehicle high resolution images ［J］. Laser & Optoelectronics Progress， 2019， 56（7）： 277-286.

［8］ 趙鵬超， 戚大偉. 基于卷積神經(jīng)網(wǎng)絡(luò)和樹葉紋理的樹種識(shí)別研究［J］. 森林工程， 2018， 34（1）： 56-59.

Zhao Pengchao， Qi Dawei. Study on tree species identification based on convolution neural network and leaf texture image ［J］. Forest Engineering， 2018， 34（1）： 56-59.

［9］ Zhao Y， Gao X， Hu J， et al. Tree species identification based on the fusion of bark and leaves ［J］. Mathematical Biosciences and Engineering， 2020， 17（4）： 4018-4033.

［10］ Zhang B， Zhao L， Zhang X. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images ［J］. Remote Sensing of Environment， 2020， 247： 111938.

［11］ 姜玉峰， 齊建國(guó)， 陳博偉， 等. 基于無人機(jī)高光譜影像和機(jī)器學(xué)習(xí)的紅樹林樹種精細(xì)分類［J］. 遙感技術(shù)與應(yīng)用， 2022， 36（6）： 1416-1424.

Jiang Yufeng， Qi Jianguo， Chen Bowei， et al. Classification of mangrove species with UAV hyperspectral imagery and machine learning methods ［J］. Remote Sensing Technology and Application， 2021， 36（6）： 1416-1424.

［12］ 趙慶展， 江萍， 王學(xué)文， 等. 基于無人機(jī)高光譜遙感影像的防護(hù)林樹種分類［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（11）： 190-199.

Zhao Qingzhan， Jiang Ping， Wang Xuewen， et al. Classification of protection forest tree species based on UAV hyperspectral data ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（11）： 190-199.

［13］ Michaowska M， Rapiński J. A review of tree species classification based on airborne LiDAR data and applied classifiers ［J］. Remote Sensing， 2021， 13（3）： 353.

［14］ Disney M. Terrestrial LiDAR： A three-dimensional revolution in how we look at trees ［J］. New Phytologist， 2019， 222（4）： 1736-1741.

［15］ Terryn L， Calders K， Disney M， et al. Tree species classification using structural features derived from terrestrial laser scanning ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 168： 170-181.

［16］ Mizoguchi T， Ishii A， Nakamura H. Individual tree species classification based on terrestrial laser scanning using curvature estimation and convolutional neural network ［J］. International Archives of the Photogrammetry， Remote Sensing & Spatial Information Sciences， 2019， 42： 1077-1082.

［17］ Guan H， Yu Y， Ji Z， et al. Deep learning-based tree classification using mobile LiDAR data ［J］. Remote Sensing Letters， 2015， 6（11）： 864-873.

［18］ Seidel D， Annighfer P， Thielman A， et al. Predicting tree species from 3D laser scanning point clouds using deep learning ［J］. Frontiers in Plant Science， 2021， 12： 635440.

［19］ 王佳， 張隆裕， 呂春東， 等. 基于地面激光雷達(dá)點(diǎn)云數(shù)據(jù)的樹種識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（11）：180-188.

Wang Jia， Zhang Longyu， Lü Chundong， et al. Tree species identification methods based on point cloud data using ground-based LiDAR ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（11）： 180-188.

［20］ Qi C R， Su H， Mo K， et al. PointNet： Deep learning on point sets for 3D classification and segmentation ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 652-660.

［21］ Qi C R， Yi L， Su H， et al. PointNet++： Deep hierarchical feature learning on point sets in a metric space ［J］. Advances in neural Information Processing Systems， 2017， 30.

［22］ Liu M， Han Z， Chen Y， et al. Tree species classification of LiDAR data based on 3D deep learning ［J］. Measurement， 2021， 177： 109301.

［23］ Chen J， Chen Y， Liu Z. Classification of typical tree species in laser point cloud based on deep learning ［J］. Remote Sensing， 2021， 13（23）： 4750.

［24］ He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.