Модель и алгоритмы интегрированной семантически поддерживаемой пространственной фрагментации и биоморфологической сегментации леса по данным наземного лазерного сканирования: послойные динамические признаки связности как ключевой фактор точности восстанов
(Стр. 82-94)
Подробнее об авторах
Гришин Илья Алексеевич
аспирант
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Афанасьев Геннадий Иванович кандидат технический наук, доцент; доцент; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация Терехов Валерий Игоревич доктор технических наук, доцент; заведующий, кафедра систем обработки информации и управления; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Афанасьев Геннадий Иванович кандидат технический наук, доцент; доцент; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация Терехов Валерий Игоревич доктор технических наук, доцент; заведующий, кафедра систем обработки информации и управления; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Разделение лесного участка на отдельные деревья и автоматическое выделение их стволовых структур по данным наземного лазерного сканирования затруднено плотными насаждениями, окклюзиями и разнообразием биоморфологических форм. Существующие алгоритмы, как правило, решают задачи пространственного разделения сцены, классификации вокселей и выращивания дерева независимо, что ведет к накоплению ошибок на каждом последующем этапе. Предлагается единая модель пространственной фрагментации и биоморфологической сегментации леса, включающая три взаимосвязанных этапа: разбиение сцены по оцененным координатам стволов на основе диаграммы Вороного, вероятностную классификацию вокселей или точек и выращивание дерева снизу вверх по критериям пространственной связности и принадлежности к стволу. Для семантического модуля сравниваются табличные, объемные и point-based подходы: градиентный бустинг с послойным инференсом, TabNet, трехмерная сверточная сеть, PointNet2 и двухэтапные конвейеры, в которых градиентный бустинг строит первичную стволовую маску для последующей нейросетевой сегментации. Эксперимент проводился на 567 деревьях смешанных пород. С учетом качества и производительности в качестве предпочтительного решения выбран конвейер {CatBoost; CNN3D}, достигающий AUC = 0,9966 и IoU = 0,9831. Полученные результаты показывают, что совмещение интерпретируемой послойной классификации с последующим пространственным анализом повышает качество восстановления стволовой структуры, существенное для задач автоматической лесной таксации.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Гришин И.А., Афанасьев Г.И., Терехов В.И. Модель и алгоритмы интегрированной семантически поддерживаемой пространственной фрагментации и биоморфологической сегментации леса по данным наземного лазерного сканирования: послойные динамические признаки связности как ключевой фактор точности восстановления стволовой структуры // Computational Nanotechnology. 2026. Т. 13. № 2. С. 82-94. DOI: 10.33693/2313-223X-2026-13-2-82-94. EDN: ZMBPYF
Список литературы:
Митрофанов Е.М., Митрофанова С.А., Карминов В.Н., Чумаченко С.И. Оценивание повторяемости и воспроизводимости результатов измерений высоты деревьев мобильным лазерным сканером // Законодательная и прикладная метрология. 2024. № 4 (190). С. 11–18. DOI: 10.32446/2782-5418.2024-4-ll-18. EDN: ERMOLK.
Митрофанов Е.М., Чернякова В.В., Кабанова М.М., Устинов С.М. Способ формирования выборки для обучения нейронной сети с целью дешифрирования породного состава древостоя по ортофотоплану высокого разрешения на основе их трехмерных образов // Славянский форум. 2023. № 2 (40). С. 391–399. EDN: IJTKMO.
Митрофанова С.А., Митрофанов Е.М., Карминов В.Н., Чумаченко С.И. Актуализация методики измерений диаметра ствола дерева на основе робастного проектирования // Измерительная техника. 2025. Т. 74. № 3. С. 23–32. DOI: 10.32446/0368-1025it.2025-3-23-32. EDN: IXIKJW.
Устинов С.М., Митрофанов Е.М., Устинов М.В. Исследование возможности использования наземного мобильного лазерного сканера для определения высот и диаметров деревьев в сосновых насаждениях // Вестник Бурятской государственной сельскохозяйственной академии им. В.Р. Филиппова. 2023. № 1 (70). С. 134–140. DOI: 10.34655/bgsha.2023.70.1.016. EDN: AECFQE.
Чумаченко С.И., Терехов В.И., Митрофанов Е.М., Гришин И.А. Подход к автоматической оценке таксационных параметров деревьев с помощью данных Lidar // Динамика сложных систем – XXI век. 2022. Т. 16. № 4. С. 63–73. DOI: 10.18127/j19997493-202204-06. EDN: XDQNDC.
Шайтура С.В., Митрофанов Е.М., Жаров В.Г., Феоктистова В.М. Инфраструктура пространственных данных для цифрового двойника лесной экосистемы // Дизайн и технологии. 2022. № 91–92 (133–134). С. 160–168. EDN: BVTVAX.
Шайтура С.В., Шайтура Н.С., Митрофанов Е.М. и др. Применение наземных лазерных сканеров для мониторинга леса // Природообустройство. 2024. № 4. С. 124–132. DOI: 10.26897/1997-6011-2024-4-124-132. EDN: BVDMLA.
Arik S.Ö., Pfister T. TabNet: Attentive interpretable tabular learning // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35. No. 8. Pp. 6679–6687. DOI: 10.1609/aaai.v35i8.16826.
Begliarov N., Mitrofanov E.M., Kiseleva V. Generating a three-dimensional measuring scene for the forest sector as based on modern geodetic technologies // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 875. No. 1. Art. 012083. DOI: 10.1088/1755-1315/875/1/012083. EDN: AWGPJS.
Calders K., Adams J., Armston J. et al. Terrestrial laser scanning in forest ecology: Expanding the horizon // Remote Sensing of Environment. 2020. Vol. 251. Art. 112102. DOI: 10.1016/j.rse.2020.112102.
Cicek Ö., Abdulkadir A., Lienkamp S.S. et al. 3D U-Net: Learning dense volumetric segmentation from sparse annotation // Lecture Notes in Computer Science. 2016. Vol. 9901. Pp. 424–432. DOI: 10.1007/978-3-319-46723-8_49.
Grishin I.A., Goryachkin B.S., Terekhov V.I. Chumachenko S.I. An efficient technique for determining tree coordinates using LiDAR data via deep learning // Proceedings of REEPE. 2024. No. 222. Pp. 1–6. DOI: 10.1109/REEPE60449.2024.10479853. EDN: WWDRDT.
Grishin I.A., Krutov T.Y., Kanev A.I. Terekhov V.I. Individual tree segmentation quality evaluation using deep learning models LiDAR based // Optical Memory and Neural Networks (Information Optics). 2023. Vol. 32. No. S2. Pp. S270–S276. DOI: 10.3103/s1060992x23060061. EDN: SUYZZK.
Grishin I.A., Terekhov V.I. Procedure for locating trees and estimating diameters using LiDAR data // Proceedings of REEPE. 2023. Pp. 1–5. DOI: 10.1109/REEPE57272.2023.10086843. EDN: SJWZYC.
Hackenberg J., Spiecker H., Calders K. et al. SimpleTree: An efficient open source tool to build tree models from TLS clouds // Forests. 2015. Vol. 6. No. 12. Pp. 4245–4294. DOI: 10.3390/f6114245.
Liang X., Kankare V., Hyyppä J. et al. Terrestrial laser scanning in forest inventories // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. Vol. 115. Pp. 63–77. DOI: 10.1016/j.isprsjprs.2016.01.006.
Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems (NeurIPS 2018). Vol. 31. Pp. 6638–6648. Also available as arXiv preprint. DOI: 10.48550/arXiv.1706.09516. EDN: NRYEVS.
Qi C.R., Su H., Mo K., Guibas L.J. PointNet: Deep learning on point sets for 3D classification and segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. Pp. 652–660. DOI: 10.1109/CVPR.2017.16.
Qi C.R., Yi L., Su H., Guibas L.J. PointNet++: Deep hierarchical feature learning on point sets in a metric space // Advances in Neural Information Processing Systems. 2017. Vol. 30. Pp. 717–728. DOI: 10.48550/arXiv.1706.02413.
Raumonen P., Kaasalainen M., Åkerblom M. et al. Fast automatic precision tree models from terrestrial laser scanner data // Remote Sensing. 2013. Vol. 5. No. 2. Pp. 491–520. DOI: 10.3390/rs5020491.
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Lecture Notes in Computer Science. 2015. Vol. 9351. Pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
Thomas H., Qi C.R., Deschaud J.E. et al. KPConv: Flexible and deformable convolution for point clouds // Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019. Pp. 6411–6420. DOI: 10.1109/ICCV.2019.00651.
Wang D., Hollaus M., Pfeifer N. Feasibility of machine learning methods for separating wood and leaf points from terrestrial laser scanning data // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2017. Vol. IV-2/W4. Pp. 157–164. DOI: 10.5194/isprs-annals-IV-2-W4-157-2017.
Митрофанов Е.М., Чернякова В.В., Кабанова М.М., Устинов С.М. Способ формирования выборки для обучения нейронной сети с целью дешифрирования породного состава древостоя по ортофотоплану высокого разрешения на основе их трехмерных образов // Славянский форум. 2023. № 2 (40). С. 391–399. EDN: IJTKMO.
Митрофанова С.А., Митрофанов Е.М., Карминов В.Н., Чумаченко С.И. Актуализация методики измерений диаметра ствола дерева на основе робастного проектирования // Измерительная техника. 2025. Т. 74. № 3. С. 23–32. DOI: 10.32446/0368-1025it.2025-3-23-32. EDN: IXIKJW.
Устинов С.М., Митрофанов Е.М., Устинов М.В. Исследование возможности использования наземного мобильного лазерного сканера для определения высот и диаметров деревьев в сосновых насаждениях // Вестник Бурятской государственной сельскохозяйственной академии им. В.Р. Филиппова. 2023. № 1 (70). С. 134–140. DOI: 10.34655/bgsha.2023.70.1.016. EDN: AECFQE.
Чумаченко С.И., Терехов В.И., Митрофанов Е.М., Гришин И.А. Подход к автоматической оценке таксационных параметров деревьев с помощью данных Lidar // Динамика сложных систем – XXI век. 2022. Т. 16. № 4. С. 63–73. DOI: 10.18127/j19997493-202204-06. EDN: XDQNDC.
Шайтура С.В., Митрофанов Е.М., Жаров В.Г., Феоктистова В.М. Инфраструктура пространственных данных для цифрового двойника лесной экосистемы // Дизайн и технологии. 2022. № 91–92 (133–134). С. 160–168. EDN: BVTVAX.
Шайтура С.В., Шайтура Н.С., Митрофанов Е.М. и др. Применение наземных лазерных сканеров для мониторинга леса // Природообустройство. 2024. № 4. С. 124–132. DOI: 10.26897/1997-6011-2024-4-124-132. EDN: BVDMLA.
Arik S.Ö., Pfister T. TabNet: Attentive interpretable tabular learning // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35. No. 8. Pp. 6679–6687. DOI: 10.1609/aaai.v35i8.16826.
Begliarov N., Mitrofanov E.M., Kiseleva V. Generating a three-dimensional measuring scene for the forest sector as based on modern geodetic technologies // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 875. No. 1. Art. 012083. DOI: 10.1088/1755-1315/875/1/012083. EDN: AWGPJS.
Calders K., Adams J., Armston J. et al. Terrestrial laser scanning in forest ecology: Expanding the horizon // Remote Sensing of Environment. 2020. Vol. 251. Art. 112102. DOI: 10.1016/j.rse.2020.112102.
Cicek Ö., Abdulkadir A., Lienkamp S.S. et al. 3D U-Net: Learning dense volumetric segmentation from sparse annotation // Lecture Notes in Computer Science. 2016. Vol. 9901. Pp. 424–432. DOI: 10.1007/978-3-319-46723-8_49.
Grishin I.A., Goryachkin B.S., Terekhov V.I. Chumachenko S.I. An efficient technique for determining tree coordinates using LiDAR data via deep learning // Proceedings of REEPE. 2024. No. 222. Pp. 1–6. DOI: 10.1109/REEPE60449.2024.10479853. EDN: WWDRDT.
Grishin I.A., Krutov T.Y., Kanev A.I. Terekhov V.I. Individual tree segmentation quality evaluation using deep learning models LiDAR based // Optical Memory and Neural Networks (Information Optics). 2023. Vol. 32. No. S2. Pp. S270–S276. DOI: 10.3103/s1060992x23060061. EDN: SUYZZK.
Grishin I.A., Terekhov V.I. Procedure for locating trees and estimating diameters using LiDAR data // Proceedings of REEPE. 2023. Pp. 1–5. DOI: 10.1109/REEPE57272.2023.10086843. EDN: SJWZYC.
Hackenberg J., Spiecker H., Calders K. et al. SimpleTree: An efficient open source tool to build tree models from TLS clouds // Forests. 2015. Vol. 6. No. 12. Pp. 4245–4294. DOI: 10.3390/f6114245.
Liang X., Kankare V., Hyyppä J. et al. Terrestrial laser scanning in forest inventories // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. Vol. 115. Pp. 63–77. DOI: 10.1016/j.isprsjprs.2016.01.006.
Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems (NeurIPS 2018). Vol. 31. Pp. 6638–6648. Also available as arXiv preprint. DOI: 10.48550/arXiv.1706.09516. EDN: NRYEVS.
Qi C.R., Su H., Mo K., Guibas L.J. PointNet: Deep learning on point sets for 3D classification and segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. Pp. 652–660. DOI: 10.1109/CVPR.2017.16.
Qi C.R., Yi L., Su H., Guibas L.J. PointNet++: Deep hierarchical feature learning on point sets in a metric space // Advances in Neural Information Processing Systems. 2017. Vol. 30. Pp. 717–728. DOI: 10.48550/arXiv.1706.02413.
Raumonen P., Kaasalainen M., Åkerblom M. et al. Fast automatic precision tree models from terrestrial laser scanner data // Remote Sensing. 2013. Vol. 5. No. 2. Pp. 491–520. DOI: 10.3390/rs5020491.
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Lecture Notes in Computer Science. 2015. Vol. 9351. Pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
Thomas H., Qi C.R., Deschaud J.E. et al. KPConv: Flexible and deformable convolution for point clouds // Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019. Pp. 6411–6420. DOI: 10.1109/ICCV.2019.00651.
Wang D., Hollaus M., Pfeifer N. Feasibility of machine learning methods for separating wood and leaf points from terrestrial laser scanning data // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2017. Vol. IV-2/W4. Pp. 157–164. DOI: 10.5194/isprs-annals-IV-2-W4-157-2017.
Ключевые слова:
наземное лазерное сканирование, биоморфологическая сегментация, воксельная классификация, point-based сегментация, CatBoost, PointNet2, трехмерные сверточные сети, лесная таксация.
