行道樹靶標(biāo)點(diǎn)云在線分割方法

摘要：【目的】針對(duì)行道樹對(duì)靶施藥技術(shù)中的靶標(biāo)實(shí)時(shí)在線分割需求，研究基于移動(dòng)激光掃描（mobile laser scanning，MLS）的行道樹靶標(biāo)點(diǎn)云在線實(shí)時(shí)分割方法，建立能夠?qū)崟r(shí)在線準(zhǔn)確分割行道樹靶標(biāo)點(diǎn)云的點(diǎn)云實(shí)例分割算法。【方法】本研究以300 m長(zhǎng)街道一側(cè)的行道樹為研究對(duì)象，通過建立FIFO（first input first output）緩沖區(qū)，每隔一段時(shí)間讀取MLS采集到的三維街道點(diǎn)云數(shù)據(jù)中的若干幀街道點(diǎn)云數(shù)據(jù)。將讀取過后FIFO緩沖區(qū)中的街道點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為三通道街道圖像，使用圖像實(shí)例分割模型對(duì)街道圖像進(jìn)行分割，得到行道樹候選實(shí)例。然后，對(duì)行道樹候選實(shí)例與已檢測(cè)到的行道樹實(shí)例進(jìn)行實(shí)例融合，對(duì)已檢測(cè)到的行道樹實(shí)例進(jìn)行完整性檢測(cè)，對(duì)檢測(cè)完整的行道樹實(shí)例執(zhí)行圖像-點(diǎn)云映射，得到行道樹點(diǎn)云實(shí)例。最后，使用閾值濾波與K最近鄰（K-nearest neighbor，KNN）兩種方法在點(diǎn)云層面對(duì)行道樹點(diǎn)云實(shí)例進(jìn)行優(yōu)化?！窘Y(jié)果】在閾值濾波參數(shù)設(shè)置為0.65 m、KNN的半徑參數(shù)設(shè)置為0.5 m時(shí)，行道樹靶標(biāo)點(diǎn)云實(shí)例分割結(jié)果最優(yōu)，準(zhǔn)確率為0.986 5，召回率為0.940 7，F(xiàn)1分?jǐn)?shù)為0.957 6，平均每幀分割時(shí)間為5.261 ms?！窘Y(jié)論】本研究提出的行道樹靶標(biāo)點(diǎn)云在線分割方法有效，可以滿足行道樹靶標(biāo)實(shí)時(shí)在線分割的要求。

關(guān)鍵詞：行道樹靶標(biāo)噴霧；行道樹在線分割；實(shí)例分割；K近鄰；二維激光雷達(dá)（LiDAR）

中圖分類號(hào)：S758;TP391"""""" 文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）04-0141-09

Online segmentation method of target point cloud in roadside tree

YAN Yu，LI Qiujie*

（College of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing 210037，China）

Abstract： 【Objective】 Aiming at" meeting the needs of real-time online segmentation of target in the target application technology of street trees， an online real-time segmentation method of street tree target point cloud based on mobile laser scanning （MLS） was studied， and a point cloud instance segmentation algorithm that can accurately segment the target point cloud of street trees in real time and online was established. 【Method】 A street tree on one side of a 300 m long street was used as the research object. By establishing a FIFO （first input， first output） buffer， several frames of three-dimensional street point cloud data collected by MLS were read at regular intervals. The street point cloud data in the FIFO buffer after reading was converted into a three-channel street image， and the street image was segmented by image instance segmentation model to obtain street tree candidate instances. Subsequently， the street tree candidate instances were fused with the detected street tree instances， the integrity of the detected street tree instances was determined， and image-point cloud mapping was performed on the detected complete street tree instances to obtain the street tree point cloud instances. Finally， threshold filtering and K-nearest neighbor （KNN） were used to optimize the point cloud instances of street trees facing point clouds. 【Result】 When the threshold filter parameter was set to 0.65 m and the radius parameter of KNN was set to 0.5 m， the segmentation results of the street tree target point cloud instance were optimal， with an accuracy rate of 0.986 5， a recall rate of 0.940 7， an F1 score of 0.957 6， and an average segmentation time of each frame of 5.261 ms. 【Conclusion】 The online segmentation method of street tree target cloud proposed in this study is effective and meets the requirements of real-time online segmentation of street tree targets.

Keywords：targeted spraying of roadside tree; online segmentation of roadside trees; instance segmentation; K-nearest neighbor; light detection and ranging（LiDAR）

行道樹是城市生態(tài)系統(tǒng)的重要組成部分，具有緩解溫室效應(yīng)、遮陰降噪、提升城市美觀性等重要作用，是城市綠化建設(shè)的重點(diǎn)對(duì)象[1-2]。近年來隨著病蟲害的加劇，行道樹的養(yǎng)護(hù)治理成為了城市綠化建設(shè)中的重點(diǎn)問題，在行道樹的養(yǎng)護(hù)治理手段中，對(duì)行道樹進(jìn)行農(nóng)藥噴灑是常規(guī)的手段之一，但若采取人工噴灑的方式[3]，農(nóng)藥的用量難以把握，易導(dǎo)致大量的農(nóng)藥揮發(fā)到空氣中，對(duì)城市的生態(tài)環(huán)境造成影響[4]。針對(duì)人工施藥存在的問題，有學(xué)者提出了靶向施藥的概念，即通過傳感器獲取城市街道數(shù)據(jù)，通過計(jì)算確定街道中行道樹靶標(biāo)的空間信息，依據(jù)行道樹靶標(biāo)的空間信息對(duì)行道樹靶標(biāo)進(jìn)行精準(zhǔn)施藥，可以有效解決人工施藥存在的問題[5-7]。

對(duì)靶施藥技術(shù)采用的眾多傳感器中，二維激光雷達(dá)（light detection and ranging，LiDAR）通過激光測(cè)距可以快速獲取周邊環(huán)境的信息[8-10]，采集到的點(diǎn)云數(shù)據(jù)不僅具有高分辨率、高精度等優(yōu)點(diǎn)，而且可以通過第1回波和第2回波測(cè)量的總網(wǎng)格面積來估計(jì)單個(gè)樹冠的葉總面積[11]，為行道樹靶標(biāo)施藥提供有力數(shù)據(jù)支持，因此在對(duì)靶施藥中得到了廣泛的應(yīng)用[12-14]。

在點(diǎn)云中確定行道樹靶標(biāo)的空間信息，需要對(duì)行道樹進(jìn)行實(shí)例分割。在點(diǎn)云實(shí)例分割的方法中，基于超體素的方法，將空間劃分為三維體素，對(duì)體素進(jìn)行超體素分割，在超體素的基礎(chǔ)上濾除非行道樹點(diǎn)，最后對(duì)剩余的超體素進(jìn)行聚類實(shí)現(xiàn)行道樹實(shí)例分割[15-17]?；谏疃葘W(xué)習(xí)的一類方法是將原始點(diǎn)云直接作為輸入，自動(dòng)挖掘點(diǎn)云數(shù)據(jù)的深層特征，最后輸出點(diǎn)云的實(shí)例分割模型[18-21]。上面這兩類方法雖分割精度較高，但時(shí)間/空間復(fù)雜度都較高?；谏疃葘W(xué)習(xí)的另一類時(shí)間/空間復(fù)雜度較低的方法是將點(diǎn)云無損轉(zhuǎn)換為二維圖像，在圖像實(shí)例分割的基礎(chǔ)上建立點(diǎn)云實(shí)例分割模型[22-23]。已有研究提出的方法將二維LiDAR采集到的點(diǎn)云數(shù)據(jù)無損轉(zhuǎn)換為三通道圖像，然后使用圖像實(shí)例分割算法訓(xùn)練行道樹靶標(biāo)圖像實(shí)例分割模型，此方法雖實(shí)現(xiàn)了行道樹靶標(biāo)的快速準(zhǔn)確分割，但離線處理點(diǎn)云數(shù)據(jù)不能實(shí)現(xiàn)行道樹靶標(biāo)在線分割[23]。

將二維LiDAR用于行道樹對(duì)靶施藥，LiDAR與施藥裝置裝載在同一移動(dòng)設(shè)備上，通過分析LiDAR實(shí)時(shí)采集到的點(diǎn)云數(shù)據(jù)來確定行道樹的信息從而實(shí)現(xiàn)靶向施藥。這就要求對(duì)當(dāng)前采集到的數(shù)據(jù)進(jìn)行實(shí)時(shí)在線處理，才能對(duì)行道樹進(jìn)行精準(zhǔn)施藥。移動(dòng)激光掃描（mobile laser scanning，MLS）前后采集到的點(diǎn)云數(shù)據(jù)是一段連續(xù)的場(chǎng)景，若是單獨(dú)對(duì)當(dāng)前采集到的點(diǎn)云數(shù)據(jù)進(jìn)行處理難以取得好的效果，需要將當(dāng)前采集到的點(diǎn)云數(shù)據(jù)與之前采集到的點(diǎn)云數(shù)據(jù)聯(lián)合構(gòu)成一段連續(xù)的街道點(diǎn)云數(shù)據(jù)進(jìn)行處理。FIFO（first input first output）緩沖區(qū)是一種先進(jìn)先出的數(shù)據(jù)緩存器[24]，先進(jìn)入的數(shù)據(jù)先從FIFO緩存器中讀出，可以用于存儲(chǔ)MLS前后采集到的一小段街道的點(diǎn)云數(shù)據(jù)。針對(duì)上述問題，本研究在文獻(xiàn)[23]的基礎(chǔ)上，研究了基于MLS的行道樹靶標(biāo)點(diǎn)云在線分割算法，提出了行道樹靶標(biāo)點(diǎn)云的在線分割框架，同時(shí)，對(duì)行道樹點(diǎn)云實(shí)例在點(diǎn)云層面進(jìn)行了優(yōu)化，提升了點(diǎn)云行道樹實(shí)例分割的精度，滿足行道樹靶標(biāo)點(diǎn)云的在線分割的需求。

1 材料與方法

本研究方法包括緩沖區(qū)更新、點(diǎn)云-圖像映射、行道樹圖像實(shí)例分割、行道樹圖像實(shí)例融合、圖像-點(diǎn)云映射、行道樹點(diǎn)云實(shí)例優(yōu)化6個(gè)步驟，具體流程如圖1所示。

首先，利用MLS采集街道點(diǎn)云數(shù)據(jù)，更新FIFO緩沖區(qū)，使之保存最近采集的若干幀點(diǎn)云數(shù)據(jù)；其次，將FIFO緩沖區(qū)中的點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為二維圖像；之后，對(duì)二維圖像進(jìn)行圖像行道樹實(shí)例分割，得到行道樹候選實(shí)例；然后，將得到的行道樹候選實(shí)例與已檢出的行道樹實(shí)例進(jìn)行實(shí)例融合；融合完成后對(duì)行道樹實(shí)例進(jìn)行完整性檢測(cè)，對(duì)于檢測(cè)完整的行道樹實(shí)例執(zhí)行圖像-點(diǎn)云映射得到行道樹點(diǎn)云實(shí)例；最后，使用閾值濾波與K最近鄰（K-nearest neighbor，KNN）[25]在點(diǎn)云層面對(duì)行道樹點(diǎn)云實(shí)例進(jìn)行優(yōu)化。

1.1 緩沖區(qū)更新

為了能夠在線處理采集到的街道點(diǎn)云數(shù)據(jù)，采用了構(gòu)建FIFO緩沖區(qū)的方法，用于存儲(chǔ)當(dāng)前一小段街道的點(diǎn)云數(shù)據(jù)。首先，從采集到的MLS街道點(diǎn)云數(shù)據(jù)中讀取N幀掃描線數(shù)據(jù)寫入FIFO緩沖區(qū)，初始化處理時(shí)刻t=1，F(xiàn)IFO緩沖區(qū)首次寫滿后執(zhí)行下一步。在后續(xù)處理中，為了防止相鄰兩張街道圖像對(duì)應(yīng)到街道點(diǎn)云中的區(qū)域跨度過大，從而導(dǎo)致行道樹實(shí)例的漏檢，選擇每次向FIFO緩沖區(qū)更新ΔN幀點(diǎn)云數(shù)據(jù)，ΔN的數(shù)值設(shè)置不應(yīng)過大。

FIFO緩沖區(qū)數(shù)據(jù)更新過程如圖1所示，更新一幀數(shù)據(jù)首先要將當(dāng)前FIFO緩沖區(qū)中最先讀入的一幀點(diǎn)云數(shù)據(jù)讀出，讀出后將整體的后一位數(shù)據(jù)向前移一位，再將更新的一幀數(shù)據(jù)寫入FIFO中，依照此步驟依次向FIFO緩沖區(qū)更新ΔN幀數(shù)據(jù)。

N幀街道點(diǎn)云數(shù)據(jù)和ΔN幀街道點(diǎn)云更新數(shù)據(jù)采用下述公式（1）獲取：

N=LvΔt

ΔN=ΔLvΔt。（1）

式中：L為每次在線分割的街道長(zhǎng)度；v是二維激光雷達(dá)的移動(dòng)速度；ΔL為街道更新長(zhǎng)度；Δt是二維LiDAR獲取一幀點(diǎn)云數(shù)據(jù)的時(shí)間。

初次寫入FIFO緩沖區(qū)的點(diǎn)云數(shù)據(jù)默認(rèn)其為非行道樹點(diǎn)，為其分配標(biāo)簽TP=0，用于接下來進(jìn)行圖像-點(diǎn)云映射與行道樹點(diǎn)云實(shí)例優(yōu)化，TP的值代表點(diǎn)所屬行道樹實(shí)例的序號(hào)。

1.2 行道樹點(diǎn)云-圖像映射、圖像分割、實(shí)例融合及圖像-點(diǎn)云映射

對(duì)三維點(diǎn)云進(jìn)行直接處理對(duì)硬件性能有著較高的要求，并且難以滿足實(shí)時(shí)性的要求。本研究采用了點(diǎn)云-圖像映射的方法，對(duì)當(dāng)前時(shí)刻FIFO緩沖區(qū)中的點(diǎn)云數(shù)據(jù)提取其深度坐標(biāo)（y）、一次回波強(qiáng)度（I1）和回波次數(shù)信息（n），根據(jù)公式（2）將三者范圍調(diào)整到0～255后轉(zhuǎn)換為三通道街道二維圖像C，轉(zhuǎn)換后的二維圖像C與其對(duì)應(yīng)的點(diǎn)云如圖2a、2b所示，一幀點(diǎn)云數(shù)據(jù)對(duì)應(yīng)一列像素，一個(gè)點(diǎn)對(duì)應(yīng)一個(gè)像素。

a′=255×a-aminamax-amin。（2）

式中：a′為表示深度坐標(biāo)、一次回波強(qiáng)度和回波次數(shù)歸一化后的數(shù)值，歸一化后分別作為三通道圖像的各個(gè)通道的值；a∈{y，I1，n}，a為表示深度坐標(biāo)、一次回波強(qiáng)度和回波次數(shù)歸一化前的數(shù)值，amin、amax分別表示各通道的最小值和最大值。

采用實(shí)時(shí)行道樹圖像實(shí)例分割算法從街道圖像C中分割出行道樹作為行道樹候選實(shí)例，并得到行道樹掩模圖M，如圖2c、2d所示。

根據(jù)掩膜圖M計(jì)算行道樹候選實(shí)例在全部點(diǎn)云中的起始幀序號(hào)fL和結(jié)束幀序號(hào)fR，用于下一步驟的行道樹圖像實(shí)例融合，計(jì)算公式為：

fL=CL+ΔN（t-1）

fR=CR+ΔN（t-1）。（3）

式中：CL和CR分別為行道樹候選實(shí)例在掩膜圖M中的起始列和結(jié)束列序號(hào)。

由于街道圖像間存在重疊，同一棵行道樹在相鄰圖像間可能有多個(gè)重復(fù)分割，其在相鄰時(shí)刻圖像上實(shí)例分割出的掩膜圖如圖2e、2f所示。從圖中可知，兩張掩膜圖雖對(duì)應(yīng)于同一棵行道樹，但明顯可以觀察到右圖比左圖分割得更加完整，依據(jù)右圖提取到的行道樹實(shí)例信息相比于左圖也更能代表此棵行道樹，所以要對(duì)當(dāng)前分割出來的行道樹候選實(shí)例與已有行道樹實(shí)例進(jìn)行重復(fù)性檢測(cè)，將同一行道樹實(shí)例的重復(fù)分割結(jié)果進(jìn)行比較，保留最優(yōu)實(shí)例的信息以用于下階段的圖像-點(diǎn)云映射。

將當(dāng)前時(shí)刻各行道樹候選實(shí)例的幀范圍與所有行道樹實(shí)例進(jìn)行幀重疊對(duì)比，若存在幀重疊，對(duì)于存在重疊的行道樹候選實(shí)例，依據(jù)公式（4）計(jì)算該行道樹候選實(shí)例和與之重疊的行道樹實(shí)例的幀交并比（fIoU），并進(jìn)行實(shí)例融合，否則，將該行道樹候選實(shí)例作為新的行道樹實(shí)例。

fIoU=min（fR，fTR）-max（fL，fTL）max（fR，fTR）-min（fL，fTL）。（4）

式中：T表示行道樹實(shí)例的計(jì)數(shù)標(biāo)簽；fTL和fTR分別為第T棵行道樹實(shí)例在全部點(diǎn)云中的起始幀序號(hào)和結(jié)束幀序號(hào)。

若fIoUgt;0.5，則判定此行道樹候選實(shí)例為行道樹實(shí)例的重復(fù)分割，需要對(duì)行道樹候選實(shí)例與行道樹實(shí)例進(jìn)行實(shí)例融合，根據(jù)此行道樹候選實(shí)例與行道樹實(shí)例掩膜圖計(jì)算各自占據(jù)的像素面積，分別記為A和AT。將A與AT進(jìn)行比較，若Agt;AT，則判定此行道樹候選實(shí)例比行道樹實(shí)例更完整，將行道樹實(shí)例的掩膜圖、列范圍、幀范圍以及分割時(shí)刻替換為該行道樹候選實(shí)例的掩膜圖、列范圍、幀范圍以及分割時(shí)刻，刪除該行道樹候選實(shí)例。否則，判定此行道樹候選實(shí)例不如行道樹實(shí)例完整，刪除該行道樹候選實(shí)例。

圖像實(shí)例融合后，檢測(cè)是否存在已分割完整的行道樹實(shí)例及何時(shí)分割完整通過圖2g來說明。圖2g中的長(zhǎng)圖是街道點(diǎn)云的前一部分通過點(diǎn)云-圖像映射轉(zhuǎn)換得到的截取圖，其下是某時(shí)刻的街道圖像經(jīng)過圖像行道樹實(shí)例分割所得到的截圖，共分割出兩棵行道樹候選實(shí)例。圖2g中上圖與下圖的擺放在空間上是上下對(duì)齊的，藍(lán)線是街道圖像的第1列像素所處的位置，從圖中可以觀察到此時(shí)藍(lán)線的位置恰好大于第1棵行道樹實(shí)例的CL所處的位置。這種情形下，在下一時(shí)刻，街道圖像在空間上對(duì)應(yīng)到長(zhǎng)圖的位置會(huì)向右移動(dòng)ΔN列像素，那么上一時(shí)刻街道圖像中的第1棵行道樹實(shí)例在此時(shí)刻會(huì)丟失左邊的一部分區(qū)域，依此類推，在后續(xù)的緩沖區(qū)更新處理中，該行道樹實(shí)例在街道圖像中的區(qū)域會(huì)越來越少直至消失。綜上，當(dāng)更新后街道圖像的第1列像素在全部點(diǎn)云中的幀序號(hào)首次大于已有行道樹實(shí)例的FL時(shí)，認(rèn)定此行道樹實(shí)例已分割完整。

根據(jù)公式（5）計(jì)算當(dāng)前時(shí)刻t街道圖像C的第1列像素在全部點(diǎn)云中的幀序號(hào)f1：

f1=ΔN（t-1）+1。（5）

對(duì)于時(shí)刻t所有的未映射回點(diǎn)云的各行道樹實(shí)例，若f1大于其fL，通過公式（6）為該行道樹實(shí)例覆蓋的所有像素查找對(duì)應(yīng)點(diǎn)的幀內(nèi)序號(hào)s和幀序號(hào)f，依據(jù)掩膜圖中的像素與點(diǎn)云中點(diǎn)的對(duì)應(yīng)關(guān)系，執(zhí)行圖像-點(diǎn)云映射，將圖像分割結(jié)果映射回點(diǎn)云，得到行道樹點(diǎn)云實(shí)例。

s=r

f=c+ΔN（t′-1）。（6）

式中：r表示掩膜圖M中像素的行號(hào)；c表示掩膜圖M中像素的列號(hào)；t′表示行道樹實(shí)例的分割時(shí)刻；當(dāng)像素值為255，令點(diǎn)的標(biāo)簽TP等于該行道樹實(shí)例的計(jì)數(shù)標(biāo)簽T，否則，不做處理。

圖像-點(diǎn)云映射后得到的行道樹點(diǎn)云實(shí)例分割結(jié)果如圖3所示，主要存在兩類誤判情況：其一為二維激光雷達(dá)穿過枝葉縫隙測(cè)量到的非行道樹點(diǎn)云被錯(cuò)誤分割為行道樹點(diǎn)云；其二為行道樹樹梢點(diǎn)云被錯(cuò)誤分割為非行道樹點(diǎn)云。

1.3 行道樹點(diǎn)云實(shí)例優(yōu)化

為提升行道樹點(diǎn)云實(shí)例分割的精度，需要對(duì)兩類點(diǎn)云誤判進(jìn)行糾正。對(duì)于第1類誤判，考慮到此類誤判的點(diǎn)云在深度距離上與點(diǎn)云行道樹實(shí)例有較大的差別，選擇采用閾值濾波的方法對(duì)此類誤判的點(diǎn)云進(jìn)行濾除，即濾除行道樹點(diǎn)云中深度坐標(biāo)超過設(shè)定區(qū)域的點(diǎn)云，令其標(biāo)簽TP=0。

對(duì)于第2類誤判，在閾值濾波結(jié)果的基礎(chǔ)上，采用限定半徑KNN分類器對(duì)行道樹點(diǎn)云實(shí)例進(jìn)行優(yōu)化。根據(jù)當(dāng)前行道樹點(diǎn)云實(shí)例的幀范圍{fTL，fTR}與前一棵行道樹點(diǎn)云實(shí)例的幀范圍{fT-1L，fT-1R}，fTL和fTR初始為0，對(duì)滿足以下3個(gè)條件的點(diǎn)云，采用限定半徑最近鄰分類器重新分配標(biāo)簽TP。

1）幀序號(hào)在fT-1L+fT-1R2，fTL+fTR2范圍內(nèi)，如果直接對(duì)當(dāng)前行道樹點(diǎn)云實(shí)例進(jìn)行KNN優(yōu)化，若當(dāng)前行道樹點(diǎn)云實(shí)例與下一顆行道樹點(diǎn)云實(shí)例間存在黏連，則會(huì)導(dǎo)致黏連部分未被分類的點(diǎn)云傾向于被分類到當(dāng)前行道樹點(diǎn)云實(shí)例，為避免這種情況，使用KNN進(jìn)行優(yōu)化時(shí)，將幀范圍限定在fT-1L+fT-1R2，fT-1L+fTR2間。

2）高度坐標(biāo)z≥2 m，由于樹根部分較為規(guī)則，圖像實(shí)例分割模型的分割精度較高，而樹冠部分形狀差異較大，圖像實(shí)例分割模型對(duì)其分割精度較低，因此當(dāng)前行道樹點(diǎn)云實(shí)例的誤判主要發(fā)生在樹冠部位;其次，高度較低的區(qū)域有較多緊貼行道樹的物體，如地面、廣告牌、垃圾桶等，在使用KNN進(jìn)行優(yōu)化時(shí)，此類物體會(huì)被錯(cuò)誤歸類到當(dāng)前行道樹點(diǎn)云實(shí)例。綜上，選擇高度不低于2 m的區(qū)域進(jìn)行KNN優(yōu)化。

3）標(biāo)簽TP=0。分類規(guī)則為：統(tǒng)計(jì)以待分類點(diǎn)為中心、半徑為r的球內(nèi)所有點(diǎn)的標(biāo)簽，令待分類點(diǎn)的標(biāo)簽等于點(diǎn)數(shù)最多的標(biāo)簽。

1.4 試驗(yàn)平臺(tái)和數(shù)據(jù)

本研究試驗(yàn)設(shè)備為搭載Windows 11 64位操作系統(tǒng)的計(jì)算機(jī)，運(yùn)行內(nèi)存16 GB，CPU為Intel i5-11400F，GPU為NVIDIA GeForce RTX 3060，GPU加速為CUDA 11.5+cuDNN 8.3.1。使用Spyder設(shè)計(jì)程序。

采用與文獻(xiàn)[23]相同的點(diǎn)云數(shù)據(jù)集來進(jìn)行實(shí)驗(yàn)，采集該點(diǎn)云數(shù)據(jù)集的二維LiDAR的型號(hào)為UTM-30LX-EW[26]。該LiDAR每次發(fā)射一幀掃描線的激光束，掃描線的掃描范圍為[-135°， 135°]，相鄰兩幀掃描線發(fā)射的時(shí)間間隔為25 ms，每幀掃描線包含1 081個(gè)激光束，一幀掃描線中的相鄰兩個(gè)激光束之間的角度相差0.25°，該款雷達(dá)記錄前3次回波的距離和強(qiáng)度信息，記為r1、r2、r3和I1、I2、I3，如果沒有接收到回波，距離為最大測(cè)量距離60 m，強(qiáng)度為0。

以LiDAR的初始位置為坐標(biāo)原點(diǎn)建立坐標(biāo)系，如圖4所示，其中x軸為小車行駛方向，y軸為深度方向，z軸垂直地面向上。一幀掃描線保留其內(nèi)[-90°， 90°]之間720個(gè)測(cè)量點(diǎn)。數(shù)據(jù)集采集于一段長(zhǎng)300 m的校園街道，LiDAR的掃描方向沿y軸垂直于地面，通過控制小車按0.4 m/s的速度沿道路方向勻速直線行駛，得到30 000幀掃描線的數(shù)據(jù)，共21 600 000個(gè)測(cè)量點(diǎn)。

將LiDAR采集到的點(diǎn)云轉(zhuǎn)換為三維點(diǎn)云數(shù)據(jù)，第i幀掃描線內(nèi)第j個(gè)測(cè)量點(diǎn)的三維坐標(biāo)為：

x（i，j）=ivΔt

y（i，j）=r1（i，j） cos θ（j）

z（i，j）=r1（i，j） sin θ（j）。（7）

式中：r1（i，j）為第i幀掃描線中第j個(gè)測(cè)量點(diǎn)的一次回波距離；θ（j）為掃描線內(nèi)第j個(gè)測(cè)量點(diǎn)的掃描角度，Δt是二維激光雷達(dá)獲取一幀點(diǎn)云數(shù)據(jù)的時(shí)間。

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)處理與實(shí)例分割實(shí)驗(yàn)

使用CloudCompare對(duì)300 m街道點(diǎn)云數(shù)據(jù)中的行道樹進(jìn)行手動(dòng)實(shí)例標(biāo)注，然后按1.5∶8.5的比例將點(diǎn)云數(shù)據(jù)劃分為測(cè)試集和訓(xùn)練集，訓(xùn)練集用于學(xué)習(xí)行道樹圖像實(shí)例分割模型，測(cè)試集用于評(píng)價(jià)行道樹點(diǎn)云在線分割算法性能。其中訓(xùn)練集長(zhǎng)度為254.988 m，包含46棵行道樹，共計(jì)25 498 797個(gè)點(diǎn)；測(cè)試集的長(zhǎng)度為45.012 m，包含14棵行道樹，共計(jì)4 501 203個(gè)點(diǎn)，分別如圖5所示。

按照文獻(xiàn)[23]描述的步驟訓(xùn)練行道樹圖像實(shí)例分割模型。首先，將訓(xùn)練集轉(zhuǎn)換為三通道圖像，對(duì)三通道長(zhǎng)圖切片，得到的每張圖像上包含1～2棵行道樹，之后對(duì)切片得到的圖像進(jìn)行水平翻轉(zhuǎn)擴(kuò)充，最終得到1 144張720×720的街道點(diǎn)云圖像。通過Labelme對(duì)街道圖像中的行道樹進(jìn)行實(shí)例標(biāo)注，使用標(biāo)注好的數(shù)據(jù)訓(xùn)練YOALCT[27]行道樹圖像實(shí)例分割模型，訓(xùn)練參數(shù)為默認(rèn)參數(shù)，經(jīng)過160輪迭代后得到行道樹圖像實(shí)例分割模型，共計(jì)迭代23 115次，損失曲線如圖6所示。

2.1.1 分割精度評(píng)價(jià)指標(biāo)

本研究方法要實(shí)現(xiàn)行道樹靶標(biāo)點(diǎn)云在線準(zhǔn)確分割，需在點(diǎn)云層面對(duì)分割精度進(jìn)行評(píng)價(jià)。另一方面，本研究的行道樹靶標(biāo)點(diǎn)云分割要借助圖像實(shí)例分割來實(shí)現(xiàn)，圖像實(shí)例分割模型精度決定了點(diǎn)云行道樹實(shí)例分割的精度。因此，需要在圖像層面和點(diǎn)云層面分別評(píng)價(jià)模型的分割精度。

在圖像層面對(duì)訓(xùn)練的圖像實(shí)例分割模型進(jìn)行精度評(píng)價(jià)，令檢測(cè)掩膜與真值掩膜的交并比閾值為0.5～0.9，以0.05為步長(zhǎng)增加，若檢測(cè)掩膜與真值掩膜的交并比（intersection over union，IoU）大于閾值，判定為正確檢出的行道樹，否則判定為錯(cuò)誤檢出，并以此計(jì)算各IoU閾值下的精度（mean average precision，mAP），最后得到在全部IoU閾值下的mAP。以得到的mAP來衡量圖像實(shí)例分割模型的精度。

在點(diǎn)云層面，本試驗(yàn)使用準(zhǔn)確率Pr、召回率Re和F1分?jǐn)?shù)作為評(píng)估行道樹點(diǎn)云實(shí)例分割精度的性能指標(biāo)。準(zhǔn)確率、召回率、F1分?jǐn)?shù)的計(jì)算方式如公式（8）、（9）和（10）所示。

Pr=PT/（PT+PF）;（8）

Re=PT/（PT+NF）;（9）

F1=2×Pr×Re/（Pr+Re）。（10）

式中：PT為預(yù)測(cè)是行道樹點(diǎn)云實(shí)例且真實(shí)為行道樹點(diǎn)云實(shí)例的點(diǎn)數(shù)；PF為預(yù)測(cè)是行道樹點(diǎn)云實(shí)例但不是行道樹點(diǎn)云實(shí)例的點(diǎn)數(shù)；NF為預(yù)測(cè)不是行道樹點(diǎn)云實(shí)例但真實(shí)為行道樹點(diǎn)云實(shí)例的點(diǎn)數(shù)。

2.1.2 分割精度評(píng)價(jià)結(jié)果

設(shè)置L、ΔL分別為10 m與0.4 m，用此模型在訓(xùn)練集上進(jìn)行行道樹靶標(biāo)點(diǎn)云實(shí)例分割，之后，為測(cè)試模型的泛化能力，使用模型對(duì)測(cè)試集進(jìn)行測(cè)試，得到的分割結(jié)果見圖7a。

從圖中可以明顯觀察到圖3所示的兩類誤判。使用mAP、準(zhǔn)確率、召回率、F1分?jǐn)?shù)分別對(duì)模型進(jìn)行圖像分割與點(diǎn)云分割兩個(gè)層面的精度評(píng)價(jià)，具體如表1所示。

2.2 行道樹點(diǎn)云實(shí)例優(yōu)化實(shí)驗(yàn)

為提升行道樹點(diǎn)云實(shí)例分割的精度，采用閾值濾波優(yōu)化與KNN優(yōu)化對(duì)兩類點(diǎn)云誤判進(jìn)行糾正，并通過實(shí)驗(yàn)對(duì)比為兩種優(yōu)化方法選擇合適的參數(shù)。

2.2.1 閾值濾波優(yōu)化實(shí)驗(yàn)

通過對(duì)比不同閾值下閾值濾波的優(yōu)化結(jié)果來選定合適的閾值參數(shù)，結(jié)果如表2所示。從表2看出，閾值大于0.50 m時(shí)，準(zhǔn)確率、F1分?jǐn)?shù)都能得到提升，召回率與表1相比略微下降是因?yàn)殚撝禐V波會(huì)濾除掉一部分真實(shí)屬于行道樹點(diǎn)云實(shí)例的點(diǎn)，但此類錯(cuò)誤可以通過下一階段的KNN優(yōu)化進(jìn)行糾正，所以召回率的略微下降不影響閾值的選定。在閾值設(shè)置大于0.60 m之后，優(yōu)化效果趨于穩(wěn)定；當(dāng)不同閾值下的優(yōu)化結(jié)果進(jìn)行點(diǎn)云可視化后觀察發(fā)現(xiàn)，在閾值設(shè)置大于0.65 m之后，閾值濾波不能很好地濾除行道樹背后的物體，于是最終選擇0.65 m作為閾值濾波中閾值的給定參數(shù)。

2.2.2 KNN優(yōu)化實(shí)驗(yàn)

以0.65 m作為閾值濾波中閾值的給定參數(shù)對(duì)行道樹點(diǎn)云實(shí)例實(shí)行閾值濾波優(yōu)化，為選定合適的半徑參數(shù)，對(duì)閾值濾波后的行道樹點(diǎn)云實(shí)例進(jìn)行KNN優(yōu)化，并設(shè)置不同的半徑參數(shù)對(duì)結(jié)果進(jìn)行對(duì)比，結(jié)果如表3所示。由表3可知，使用KNN優(yōu)化后，準(zhǔn)確率、召回率、F1分?jǐn)?shù)都得到了提升，但在KNN半徑參數(shù)大于0.30 m后優(yōu)化效果趨于穩(wěn)定，并且在KNN半徑參數(shù)大于0.50 m后，準(zhǔn)確率與F1分?jǐn)?shù)呈下降趨勢(shì)，同時(shí)考慮到在線分割的實(shí)時(shí)性，選擇0.50 m作為KNN的半徑參數(shù)，最終的優(yōu)化結(jié)果如圖7b的效果所示，可見，圖3所示的兩類誤判情況得到了明顯的改善。

2.3 行道樹在線分割實(shí)時(shí)性測(cè)試

為驗(yàn)證本研究的行道樹靶標(biāo)點(diǎn)云在線分割算法的實(shí)時(shí)性，將分割算法分為點(diǎn)云-圖像映射與行道樹圖像實(shí)例分割、行道樹圖像實(shí)例融合與圖像-點(diǎn)云映射、行道樹點(diǎn)云實(shí)例優(yōu)化3個(gè)階段，對(duì)分割算法各階段的處理速度進(jìn)行測(cè)試，得到的3個(gè)階段的幀平均處理速度分別為3.354、0.808與1.099 ms/幀，合計(jì)5.261 ms/幀。結(jié)果表明，本研究的在線分割算法平均到每幀的處理時(shí)間僅為5.261 ms，小于二維激光雷達(dá)獲取一幀點(diǎn)云數(shù)據(jù)的時(shí)間25 ms，滿足在線分割實(shí)時(shí)性的要求。

已有研究通過將整體點(diǎn)云轉(zhuǎn)換為體素，在體素的基礎(chǔ)上進(jìn)行超體素分割，對(duì)生成的超體素進(jìn)行區(qū)域生長(zhǎng)，進(jìn)而濾除點(diǎn)云中的平面物體與桿狀物體，接下來對(duì)剩余的超體素進(jìn)行聚類篩選出樹冠后將樹冠與檢測(cè)到的桿狀物體進(jìn)行匹配，即可完成行道樹的實(shí)例分割，此方法能有效地在測(cè)試集中濾除地面、廣告牌等物體，從而能對(duì)測(cè)試集中的行道樹實(shí)現(xiàn)精準(zhǔn)分割[16]。為驗(yàn)證本研究的行道樹靶標(biāo)點(diǎn)云在線分割算法在分割精度與效率的優(yōu)勢(shì)，將本研究方法與文獻(xiàn)[16]方法在測(cè)試集上進(jìn)行對(duì)比，表明本研究方法在測(cè)試集上的分割精度與速度完全優(yōu)于文獻(xiàn)[16]中的方法（表4）。

3 討 論

將二維LiDAR用于行道樹對(duì)靶施藥，LiDAR與施藥裝置置于同一移動(dòng)設(shè)備上，LiDAR隨著移動(dòng)設(shè)備移動(dòng)不斷地采集數(shù)據(jù)，分割算法對(duì)當(dāng)前采集到的數(shù)據(jù)進(jìn)行在線分割。為保證算法準(zhǔn)確分割出行道樹時(shí)移動(dòng)設(shè)備并沒有遠(yuǎn)離該行道樹，要求分割算法平均到每幀數(shù)據(jù)的處理速度要小于每幀數(shù)據(jù)的采集時(shí)間，這樣才能及時(shí)使用施藥裝置對(duì)該行道樹進(jìn)行精準(zhǔn)施藥。

本研究提出了一種基于MLS的行道樹靶標(biāo)點(diǎn)云在線分割框架，該方法先通過建立FIFO緩沖區(qū)，F(xiàn)IFO緩沖區(qū)讀取MLS采集到的點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為三通道圖像，然后使用圖像實(shí)例分割模型對(duì)圖像進(jìn)行分割，最后將分割結(jié)果映射回點(diǎn)云，并在點(diǎn)云層面對(duì)分割結(jié)果進(jìn)行了優(yōu)化。

通過點(diǎn)云層面的優(yōu)化提高了點(diǎn)云行道樹實(shí)例分割的精度，結(jié)果準(zhǔn)確率為0.986 5、召回率為0.940 7、F1分?jǐn)?shù)為0.957 6，相比于未優(yōu)化分別提高了0.013 9、0.034 9、0.035 6，兩類誤判情況得到了明顯改善。同時(shí)，實(shí)現(xiàn)了實(shí)時(shí)分割，整個(gè)分割過程平均到每幀的處理時(shí)間為5.261 ms，滿足在線分割準(zhǔn)確性與實(shí)時(shí)性的要求。

對(duì)比已有算法[16]，本研究的方法對(duì)行道樹的分割精度更優(yōu)于文獻(xiàn)，對(duì)其進(jìn)行分析，可將原因歸結(jié)為兩點(diǎn)：首先，文獻(xiàn)[16]的方法對(duì)樹冠點(diǎn)云進(jìn)行聚類從而實(shí)現(xiàn)對(duì)行道樹的分割，最后的兩棵樹的樹冠由于過于貼近從而導(dǎo)致了兩個(gè)樹冠被誤分割成一個(gè)；其次，本研究的方法最后在點(diǎn)云層面對(duì)分割結(jié)果進(jìn)行了優(yōu)化，對(duì)易存在的誤分割進(jìn)行了修正，從而能使本研究方法最后的行道樹分割精度高于文獻(xiàn)[16]的結(jié)果。

本研究方法并未在實(shí)際中進(jìn)行在線分割試驗(yàn)，而是通過建立FIFO緩沖區(qū)讀取已采集到的街道點(diǎn)云數(shù)據(jù)中的數(shù)據(jù)并對(duì)其實(shí)時(shí)處理來模擬實(shí)際在線分割的過程，若要投入實(shí)際應(yīng)用還需要考慮如下問題：本研究用于訓(xùn)練圖像實(shí)例分割模型的數(shù)據(jù)偏少，雖在背景相似的測(cè)試集上取得了好的分割效果，但若要應(yīng)對(duì)不同背景下的城市街道，還需要采集更多的數(shù)據(jù)來訓(xùn)練模型。

參考文獻(xiàn)（reference）：

［1］金小軍，張軍，楊凡，等．城市行道樹生長(zhǎng)健康狀況與種植形式的相關(guān)性分析[J]．城市建筑，2021，18（34）：188-192．JIN X J，ZHANG J，YANG F，et al．Correlation analysis between the growth and health of urban street trees and their planting forms[J]．Urban Archit，2021，18（34）：188-192．DOI： 10.19892/j.cnki.csjz.2021.34.42.

［2］姚麗敏，孫永明，騫軍彥．晉中市榆次區(qū)行道樹常見病蟲害防治技術(shù)[J]．山西林業(yè)，2019（2）：46-47．YAO L M，SUN Y M，QIAN J Y．Control techniques of common diseases and pests of street trees in Yuci District of Jinzhong City[J]．For Shanxi，2019（2）：46-47．DOI： 10.3969/j.issn.1005-4707.2019.02.022.

［3］商艷上，蘇田，李臻，等．園林行道樹復(fù)壯技術(shù)[J]．現(xiàn)代農(nóng)業(yè)科技，2021（12）：176-177．SHANG Y S，SU T，LI Z，et al．Rejuvenation technology of garden street trees[J]．Mod Agric Sci Technol，2021（12）：176-177．DOI： 10.3969/j.issn.1007-5739.2021.12.071.

［4］許秋穎．城市行道樹種植存在的問題及其養(yǎng)護(hù)管理措施[J]．現(xiàn)代園藝，2019（22）：180-181．XU Q Y．Problems existing in urban street tree planting and its maintenance and management measures[J]．Xiandai Hortic，2019（22）：180-181．DOI： 10.14051/j.cnki.xdyy.2019.22.116.

［5］權(quán)龍哲，酈亞軍，王旗，等．考慮風(fēng)擾的對(duì)靶噴霧機(jī)械臂藥液噴灑動(dòng)力學(xué)建模與試驗(yàn)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（6）：48-59．QUAN L Z，LI Y J，WANG Q，et al．Modeling and testing on liquid pesticide spray of serial manipulator target weeding robot considering wind disturbance[J]．Trans Chin Soc Agric Mach，2018，49（6）：48-59．DOI： 10.6041/j.issn.1000-1298.2018.06.006.

［6］ZHOU M C，JIANG H Y，BING Z S，et al．Design and evaluation of the target spray platform[J]．Int J Adv Rob Syst，2021，18（2）：1729881421996146．DOI： 10.1177/1729881421996146.

［7］DOU H J，ZHAI C Y，CHEN L P，et al．Comparison of orchard target-oriented spraying systems using photoelectric or ultrasonic sensors[J]．Agriculture，2021，11（8）：753．DOI： 10.3390/agriculture11080753.

［8］谷趁趁，翟長(zhǎng)遠(yuǎn)，陳立平，等．基于激光雷達(dá)的樹形靶標(biāo)冠層葉面積探測(cè)模型研究[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（11）：278-286．GU C C，ZHAI C Y，CHEN L P，et al．Detection model of tree canopy leaf area based on LiDAR technology[J]．Trans Chin Soc Agric Mach，2021，52（11）：278-286．DOI： 10.6041/j.issn.1000-1298.2021.11.030.

［9］MARSELIS S M，ABERNETHY K，ALONSO A，et al．Evaluating the potential of full-waveform lidar for mapping pan-tropical tree species richness[J]．Global Ecol Biogeogr，2020，29（10）：1799-1816．DOI： 10.1111/geb.13158.

[10]JASKIERNIAK D，LUCIEER A，KUCZERA G，et al．Individual tree detection and crown delineation from unmanned aircraft system （UAS） LiDAR in structurally complex mixed species eucalypt forests[J]．ISPRS J Photogramm Remote Sens，2021，171：171-187．DOI： 10.1016/j.isprsjprs.2020.10.016.

[11]LI Q J，XUE Y X．Total leaf area estimation based on the total grid area measured using mobile laser scanning[J]．Comput Electron Agric，2023，204：107503．DOI： 10.1016/j.compag.2022.107503.

[12]HOSSEIN S A，HEIDAR R，ALIREZA S，et al．Automated street tree inventory using mobile LiDAR point clouds based on Hough transform and active contours[J]．ISPRS J Photogramm Remote Sens，2021，174：19-34．

[13]BIENERT A，GEORGI L，KUNZ M，et al．Automatic extraction and measurement of individual trees from mobile laser scanning point clouds of forests[J]．Ann Bot，2021，128（6）：787-804．DOI： 10.1093/aob/mcab087.

[14]XU S，SUN X Y，YUN J Y，et al．A new clustering-based framework to the stem estimation and growth fitting of street trees from mobile laser scanning data[J]．IEEE J Sel Top Appl Earth Obs Remote Sens，2020，13：3240-3250．DOI： 10.1109/JSTARS.2020.3001978.

[15]LI J T，CHENG X J，XIAO Z H．A branch-trunk-constrained hierarchical clustering method for street trees individual extraction from mobile laser scanning point clouds[J]．Measurement，2022，189：110440．DOI： 10.1016/j.measurement.2021.110440.

[16]LI J T，CHENG X J．Supervoxel-based extraction and classification of pole-like objects from MLS point cloud data[J]．Opt Laser Technol，2022，146：107562．DOI： 10.1016/j.optlastec.2021.107562.

[17]HAO W，WANG Y H，LI Y，et al．Hierarchical extraction of pole-like objects from scene point clouds[J]．Opt Eng，2018，57（8）：1．DOI： 10.1117/1.oe.57.8.083106.

[18]WANG W Y，YU R，HUANG Q G，et al．SGPN：Similarity group proposal network for 3D point cloud instance segmentation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition．Salt Lake City，UT，USA：IEEE，2018：2569-2578．DOI： 10.1109/CVPR.2018.00272.

[19]PHAM Q H，NGUYEN T，HUA B S，et al．JSIS3D：joint semantic-instance segmentation of 3D point clouds with multi-task pointwise networks and multi-value conditional random fields[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）．Long Beach，CA，USA：IEEE，2019：8819-8828．DOI： 10.1109/CVPR.2019.00903.

[20]YANG B，WANG J N，CLARK R，et al．Learning object bounding boxes for 3D instance segmentation on point clouds[C]//Vancouver， Canada：33rd Conference on Neural Information Processing Systems（Neur IPS 2019），2019：arXiv：1906.01140．http：//arxiv．org/abs/1906.01140.

[21]GUO M H，CAI J X，LIU Z N，et al．PCT： point cloud transformer[J]．Comput Vis Medium，2021，7（2）：187-199．DOI： 10.1007/s41095-021-0229-5.

[22]WU B C，WAN A，YUE X Y，et al．Squeeze Seg：convolutional neural nets with recurrent CRF for real-time road-object segmentation from 3D LiDAR point cloud[C]//2018 IEEE International Conference on Robotics and Automation （ICRA）．Brisbane，QLD，Australia：IEEE，2018：1887-1893．DOI： 10.1109/ICRA.2018.8462926.

[23]李秋潔，童岳凱，薛玉璽，等．基于YOLACT的行道樹靶標(biāo)點(diǎn)云分割方法[J]．林業(yè)工程學(xué)報(bào)，2022，7（4）：144-150．LI Q J，TONG Y K，XUE Y X，et al．Point cloud segment method for street tree target based on YOLACT[J]．J For Eng，2022，7（4）：144-150．DOI： 10.13360/j.issn.2096-1359.202110034.

[24]鄭志旺．基于國(guó)產(chǎn)FPGA的數(shù)據(jù)采集存儲(chǔ)系統(tǒng)的研究與設(shè)計(jì)[D]．太原：中北大學(xué)，2021．ZHENG Z W．Research and design of data acquisition and storage system based on domestic FPGA[D]．Taiyuan：North University of China，2021．

[25]WEINMANN M，URBAN S，HINZ S，et al．Distinctive 2D and 3D features for automated large-scale scene analysis in urban areas[J]．Comput Graph，2015，49：47-57．DOI： 10.1016/j.cag.2015.01.006.

[26]LI Q J，YUAN P C，LIU X，et al．Street tree segmentation from mobile laser scanning data[J]．Int J Remote Sens，2020，41（18）：7145-7162．DOI： 10.1080/01431161.2020.1754495.

[27]BOLYA D，ZHOU C，XIAO F Y，et al．YOLACT：real-time instance segmentation[C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）．Seoul，Republic of Korea： IEEE，2019：9156-9165．DOI： 10.1109/ICCV.2019.00925.

（責(zé)任編輯 孟苗婧 鄭琰燚）

收稿日期Received：2022-10-28""" 修回日期Accepted：2023-11-22

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31901239）。

第一作者：嚴(yán)宇（1356324910@qq.com）。

*通信作者：李秋潔（liqiujie_1@163.com），副教授。

引文格式：嚴(yán)宇，李秋潔.

行道樹靶標(biāo)點(diǎn)云在線分割方法[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（4）：141-149.

YAN Y，LI Q J.

Online segmentation method of target point cloud in roadside tree[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（4）：141-149.

DOI：10.12302/j.issn.1000-2006.202210039.