基于人工智能框架的林木点云DSM单株分离算法
研究目的及意义
森林对二氧化碳下降、动物群落、调节水文流动和巩固土壤起着重要的作用。若森林遭受破坏，则会产生长期和不可逆的影响。因此，如何对森林进行实时监测，准确而又高效地获取森林相关资源信息对研究森林的生长状况及其动态变化具有非常重要的意义。
点云技术对于森林资源调查和可持续森林管理中单株树木的提取和树木结构参数反演具有重要意义。林木参数反演是森林资源管理与培育经营的关键环节，而迅速发展的激光探测与测量技术突破了传统测量方法，可以快速的获取林木的空间三维信息，在林业普查中具备高效率、高精度的优势。在本研究中，我们提出了一种基于人工智能框架的林木点云DSM的树冠分割算法，利用数字表面模型(DSM)进行单株树木精确分割。
国内外同类研究概况
近年来出现了很多基于无人机遥感的林业测绘研究，其中机载激光雷达点云技术和航拍图像处理技术是最为常用的两种测绘手段。对于机载激光雷达点云技术测绘，通常使用的方法是通过点云特征和冠层高度模型(CHM)来检测树木，利用点密度、几何性质、扫描点的空间分布等一系列点特征，从大量的扫描数据中识别出单个树冠模型。继续利用模式识别算法，如均值漂移算法、k -均值聚类算法、区域生长算法、分水岭算法，根据检测到的树顶位置完成树冠分割。此外还有些来自计算机科学的概念被用来从机载激光雷达数据中描绘树冠,如图形学,图像切割算法,自适应窗口大小过滤,多级形态活动轮廓的方法,时频分解的小波变换,和拓扑关系分析方法。然而，这些算法的分割结果往往受到树顶位置的确定、树冠之间交错等因素的影响。对于航拍图像处理技术测绘，近年来多采用深度学习，卷积神经网络的方法，滚动球算法与数学形态学运算强化边缘和参照双峰分布参数分割方法，依据对象的图像分析技术(OBIA)，多尺度滤波和分割的光学图像树冠轮廓分割方法，序列阈值、Canny边缘检测和循环霍夫变换算法，数字表面模型、局部最大滤波技术和区域生长方法，识别局部数据能量项和相邻等高线之间的能量竞争，和依据光谱信息与预测模板信息卷积分割方法等方法来识别高分辨率图像中的林木区域，并分割树冠边界，获得较好分割结果。这些算法在林业测绘领域研究中对我国林业发展具有深远的影响。
本文研究内容
1.利用收集的点云数据生成数字表面模型(DSM)
2.利用Yolo框架或Faster R-CNN框架能够对图片进行特征分解
3.运用人工智能框架对林木点云生成的数字表面模型(DSM)进行单株分离
4.本文创新点
本研究创新之处在于利用机载激光雷达收集到的点云数据通过代码生成数字表面模型(DSM)，并在Yolo框架或Faster R-CNN框架基础上，依据人工智能框架对生成的DSM进行特征分解，对多层分析，最后获得树木单株分离的结果，这是在林业测绘中新的尝试。
5.时间节点
- 2020.1-2020.2：学习python的Yolo框架和Faster R-CNN框架，
能够对图片进行特征分解。
- 2020.2-2020.4：训练数据集，测试代码性能，作进一步改进。
- 2020.5：编写毕业论文。
（4） 2020.6：毕业论文答辩与修改。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
