CN119723337B 基于地空融合三维激光点云的树木识别方法及系统 （山东大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119723337B(65)同一申请的已公布的文献号地址266237山东省青岛市即墨区滨海路张庆竹王桥GO6V20/10(2022.01)GO6V20/17(2022.01)(56)对比文件审查员杨长庆(74)专利代理机构济南圣达知识产权代理有限公司37221(54)发明名称基于地空融合三维激光点云的树木识别方法及系统本发明提出了基于地空融合三维激光点云的树木识别方法及系统，属于环境遥感数据识别领域，包括：使用无人机获取获取设定森林区域内激光雷达点云数据，使用激光扫描设备采集设定森林区域内点云数据；将两组数据进行预处理，得到预处理后的激光雷达点云，对预处理后的激光雷达点云进行地空数据无缝融合，获得融合后的数据；基于分水岭分割算法生成冠层高度模型，利用该模型对融合后的点云数据进行单木分割；提取单木分割后的矢量边界，为每一棵树分配树木ID,依据树木ID提取单木点云；对单木点云进一步处理构建多角度点云样本数据集；利冠层高度模型局部最大值法检测树顶单木分割参数提取树干垂向轴线厘定单木点云降维树种识别与精度评价21.基于地空融合三维激光点云的树木识别方法，其特征是，包括：使用无人机获取设定森林区域内激光雷达点云数据，使用激光扫描设备采集设定森林区域内点云数据；将两组数据进行预处理，得到预处理后的激光雷达点云，对预处理后的激光雷达点云进行地空数据无缝融合，获得融合后的数据；基于分水岭分割算法生成冠层高度模型，利用该模型对融合后的点云数据进行单木分割；进行单木分割时，利用可变大小的动态窗口在冠层高度模型上搜索局部最大值作为树冠顶点，并以树冠顶点作为标记，采用标记控制分水岭算法勾勒树冠边界，并提取树高、胸径和冠幅参数；提取单木分割后的矢量边界，为每一棵树分配树木ID,依据树木ID提取单木点云；将提取后的单木点云首先进行树干垂向轴线的厘定，在采用分层聚类的基础上，通过多层合并将树木点云P自下而上分为n层，采用由下而上逐层点集聚类处理提取树干位置；得到各个分层的点云Pi后，采用DBSCAN算法逐层聚类得到集合，将各层聚类结果进行合并处理；对单木点云进行处理构建多角度点云样本数据集；绕树干垂向轴线全方位观测形成多个角度的点云影像，与地面实测调查数据相结合构建多角度观测的单立木影像数据集；利用多角度点云样本数据集训练深度学习网络模型，利用训练后深度学习网络模型对待测树种检测。2.如权利要求1所述的基于地空融合三维激光点云的树木识别方法，其特征是，对预处理后的激光雷达点云进行地空数据无缝融合时，使用迭代最近点算法，该算法基于位置与特征匹配方法进行地空数据无缝融合。3.如权利要求1所述的基于地空融合三维激光点云的树木识别方法，其特征是，将各层1)计算各层聚类点集所构成的凸包质心及面积信息；2)以分层聚类处理得到的第1层聚类集合中的任一聚类单元作为各个生长起始单元，从该单元开始分别计算各个聚类单元的凸包质心与上一层凸包质心的距离以及各个聚类在水平面上投影形成的凸包面积；3)根据两个分层点簇的距离和面积进行判断两个聚类是否属于同一地物；3)重复以上步骤直至遍历所有分层，即i=n,得到单株树木的树干点云。4.基于地空融合三维激光点云的树木识别系统，用于执行权利要求1-3任一所述的基于地空融合三维激光点云的树木识别方法，其特点云数据获取模块，被配置为：使用无人机获取设定森林区域内激光雷达点云数据，使用激光扫描设备采集设定森林区域内点云数据；融合模块，被配置为：将两组数据进行预处理，得到预处理后的激光雷达点云，对预处理后的激光雷达点云进行地空数据无缝融合，获得融合后的数据；单木分割模块，被配置为：基于分水岭分割算法生成冠层高度模型，利用该模型对融合后的点云数据进行单木分割；数据集构建模块，被配置为：基提取单木分割后的矢量边界，为每一棵树分配树木ID,3依据树木ID提取单木点云；对单木点云进行处理构建多角度点云样本数据集；树种检测模块，被配置为：利用多角度点云样本数据集训练深度学习网络模型，利用训练后深度学习网络模型对待测树种检测。5.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法。6.一种计算机装置，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-3任一所述的方法的步骤。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行上述权利要求1-3任一所述方法的步骤。4技术领域[0001]本发明属于环境遥感数据识别领域，尤其涉及基于地空融合三维激光点云的树木识别方法及系统。背景技术[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。[0003]随着人类活动的加剧和全球气候变化的影响，森林物种多样性面临着不断减少的严峻挑战，同时，现有的生物多样性监测网络尚不完善，因此对大范围森林资源的快速、准确监测尤为重要。树种调查是森林资源调查的重要环节，目前我国传统的树种调查通常需系列新兴技术的发展，激光雷达LiDAR与无人机航测在林业领域的应用日益广泛，为提升森林资源调查的效率和准确性开辟了新的途径。[0004]激光雷达作为一种先进的主动遥感技术，通过发射激光束来精确测量目标物体的距离，从而获取丰富的空间信息。相比传统光学被动遥感，激光雷达LiDAR数据可以提供目标地物三维信息，精确地提取林分垂直信息，在林业应用领域具有传统光学遥感无法比拟的优势。地基、背包与手持激光雷达通常在林下地面作业，能够获取林分内部的单木尺度结遥感传感器向多样化和轻量化发展，无人机技术的进步更是为遥感领域带来了新的机遇。与其他遥感平台相比，无人机使用成本低、起降灵活、飞行高度低，更易获取高精度遥感数据，弥补了有人机载或星载影像在空间分辨率上的不足。[0005]虽然LiDAR数据能获得树木的空间结构信息，但由于地基LiDAR数据采集时激光光源处于林下层，因此树叶、枝干等遮挡以及地面三维激光扫描角度的限制会使地基激光雷达不利于树冠顶层信息的提取，尤其是在郁闭度较高的林分中，会导致树冠顶层空间结构数据的缺失，这对于提取树木参数产生不利影响，而利用摄影技术可获得森林冠层信息，但易出现无法拍摄到林冠下前后景观等问题。[0006]传统的树种识别可以分为人工判别和机器学习判别。人工判别主要以树木的叶片机器学习的判别通过挖掘宏观特征的隐藏规律，建立树种与特征信息的模型，评判结果客观、识别速度快，但模型受参数设置和特征选取的影响较大。基于传统机器学习的算法难以人工有效提取关键特征。深度学习网络能自动化、智能化挖掘数据中的深层次特征之间的联系，并根据样本不断调整优化，解放了人力，既提高了识别的精度，又增加了方案的普适性，被广泛运用在单木分割与树种识别研究中。[0007]在构建点云数据集方面，传统的点云处理方法多依赖于三维模型的直接分析，但在实际应用中，三维数据的处理复杂度较高且计算资源消耗巨大。[0008]随着技术的发展，现有技术中存在利用LiDAR数据及无人机采集的图像进行融合5[0009]李奕莹等人利用地空融合的三维激光点云数据提取结构特征输入深度学习模型中通过特征整合进行树种识别分类并进一步获取冠幅变化。朱若柠等人提出了一种基于ITPNet网络模型的识别方法，利用高光谱影像和激光雷达数据实现单木识别需求。李丹等人利用地空融合的雷达点云数据通过3D分割框架进行实例分割和生物量反演。[0010]但是，上述技术方案依然存在的问题是：直接基于点云进行树木识别存在效率较低的问题，同时三维样本的标注过程也相对困难。此外，通常需要将点云与其他传感器数据进行多模态数据融合，数据量显著增加，进一步加大了处理的复杂度。点云中树木的重叠与交叉现象，导致个体区分效果不理想。同时，在地物语义识别的过程中，单纯依赖点云的二维或多角度特征信息，未能充分挖掘和利用点云数据的深层次特征，从而影响了识别精度和效果。发明内容[0011]为克服上述现有技术的不足，本发明提供了基于地空融合三维激光点云的树木识别方法，能够实现利用地基-空基融合的三维激光点云实现单木尺度树种语义(定性)智能识别与结构参量(定量)精确提取。[0012]为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：[0013]第一方面，公开了基于地空融合三维激光点云的树木识别方法，包括：[0014]使用无人机获取设定森林区域内激光雷达点云数据，使用激光扫描设备采集设定森林区域内点云数据；[0015]将两组数据进行预处理，得到预处理后的激光雷达点云，对预处理后的激光雷达点云进行地空数据无缝融合，获得融合后的数据；[0016]基于分水岭分割算法生成冠层高度模型，利用该模型对融合后的点云数据进行单木分割；[0017]提取单木分割后的矢量边界，为每一棵树分配树木ID,依据树木ID提取单木点云；[0018]对单木点云进一步处理构建多角度点云样本数据集；[0019]利用多角度点云样本数据集训练深度学习网络模型，利用训练后深度学习网络模型对待测树种检测。[0020]作为进一步的技术方案，将两组数据进行预处理，包括对点云进行去噪、归一化、[0021]作为进一步的技术方案，对预处理后的激光雷达点云进行地空数据无缝融合时，使用迭代最近点算法，该算法基于位置与特征匹配方法进行地空数据无缝融合。[0022]作为进一步的技术方案，进行单木分割时，利用可变大小的动态窗口在冠层高度模型上搜索局部最大值作为树冠顶点，并以树冠顶点作为标记，采用标记控制分水岭算法[0024]作为进一步的技术方案，将提取后的单木点云首先进行树干垂向轴线的厘定，在采用分层聚类的基础上，通过多层合并方法完成树干检测；[0025]其次绕树干垂向轴线全方位观测形成多个角度的点云影像，与地面实测调查数据6相结合构建多角度观测的单立木影像数据集。[0026]作为进一步的技术方案，在采用分层聚类的基础上，通过多层合并方法完成树干[0027]将树木点云P自下而上按照一定距离分为n层，采用由下而上逐层点集聚类处理提取树干位置；[0028]得到各个分层的点云Pi后，采用DBSCAN算法逐层聚类得到集合，将各层聚类结果进行合并处理。[0029]作为进一步的技术方案，将各层聚类结果进行合并处理，具体包括：[0030]1)计算各层聚类点集所构成的凸包质心及面积信息；[0031]2)以分层聚类处理得到的第1层聚类集合中的任一聚类单元作为各个生长起始单元，从该单元开始分别计算各个聚类单元的凸包质心与上一层凸包质心的距离以及各个聚类在水平面上投影形成的凸包面积；[0032]3)根据两个分层点簇的距离和面积进行判断两个聚类是否属于同一地物；[0033]3)重复以上步骤直至遍历所有分层，即i=n,得到单株树木的树干点云。[0034]作为进一步的技术方案，分层时，应保证每个树干分段的点云数目大于Tminpts,分段距离应满足：[0037]作为进一步的技术方案，深度学习网络模型YOLOv11-cls,YOL0v11-cls采用改[0038]C3k2组件用于多尺度特征融合，能够有效捕捉树木的细微特征。[0040]点云数据获取模块，被配置为：使用无人机获取获取设定森林区域内激光雷达点云数据，使用激光扫描设备采集设定森林区域内点云数据；[0041]融合模块，被配置为：将两组数据进行预处理，得到预处理后的激光雷达点云，对预处理后的激光雷达点云进行地空数据无缝融合，获得融合后的数据；[0042]单木分割模块，被配置为：基于分水岭分割算法生成冠层高度模型，利用该模型对融合后的点云数据进行单木分割；[0043]数据集构建模块，被配置为：基提取单木分割后的矢量边界，为每一棵树分配树木ID,依据树木ID提取单木点云；[0044]对单木点云进一步处理构建多角度点云样本数据集；[0045]树种检测模块，被配置为：利用多角度点云样本数据集训练深度学习网络模型，利用训练后深度学习网络模型对待测树种检测。[0046]以上一个或多个技术方案存在以下有益效果：[0047]本发明技术方案采用地基激光雷达点云数据以及无人机影像，通过高重叠度无人机影像生成树木冠层三维点云信息，将地基激光雷达点云数据无人机影像生成的点云数据7进行配准以进行融合，融合以后的数据不仅包含了地基激光雷达点云数据的树木空间结构信息及树干结构信息，同时无人机点云使之具有更加完整的冠层空间结构信息及冠层颜色信息，之后基于融合后点云数据进行单木分割。[0048]本发明技术方案融合了激光雷达扫描、多尺度对象分割、智能语义识别等新型技术，改进了林木要素三维采集存在的表观缺陷、结构错位等问题，提升了点云单木分割与树[0049]本发明技术方案提出了一种基于单棵树点云数据的降维方案，旨在通过绕树干垂向轴线全方位观测形成多角度点云影像，生成高质量的单木尺度树种语义数据集。这种方法不仅保留了树木的结构特征，还增强了数据集的多样性，从而为后续的深度学习模型提供了丰富的训练样本。相比于现有技术，该方法的一个显著优点是能够对单棵树个体进行精准识别，避免了在大面积森林中因其他植物和环境因素的干扰，从而提高了树种识别的准确性和效率，具有广泛的应用前景。[0050]本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得附图说明[0051]构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。[0052]图1为本发明实施例方法的流程图；[0053]图2为本发明实施例单棵树绕树干垂向轴线全方位观测形成的12个角度点云影像效果示意图；[0054]图3为本发明实施例树种语义识别中所述的ResNet152+SPP池化深度学习模型网络结构示意图；[0055]图4为本发明实施例树种语义识别中所述的YOL0v11深度学习分类模型网络结构示意图。具体实施方式[0056]应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。[0057]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。[0058]在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。[0059]实施例一[0060]本实施例公开了一种基于地基-空基融合的三维激光点云实现单木尺度树种语义[0061]步骤一：数据获取：首先使用无人机获取研究区内激光雷达点云数据，然后使用手持式激光扫描设备采集研究区点云数据。通过地面实测调查获取样本树木，后续将与点云数据结合形成单立木样本影像数据集，可用于训练树种识别模型以及评估模型准确率和结8构参量提取的精度。[0063]首先，无人机航飞的研究区点云数据进行数据合成和拼接，获得一组空基点云数据；手持式激光扫描设备采集的研究区点云数据进行点云解算，获得一组地基点云数据；得到预处理后的激光雷达点云；[0065]针对预处理后的激光雷达点云使用迭代最近点(ICP)算法基于位置与特征匹配方法进行地空数据无缝融合。[0066]2-1)去噪：常见的噪声包括高位粗差和低位粗差，高位粗差通常是因为机载LiDAR系统在采集数据的过程中受到低飞的飞行物的影响，误将这些物体反射回来的信号当作被测目标的反射信号记录下来。低位粗差则是由于测量过程中的多路径误差或者激光测距仪[0067]假设标准差倍数为meanK,算法将对每一个点搜索指定邻域点个数的相邻点，计算点到相邻点的距离平均值D,计算这些平均值距离的中值meanD和标准差S,如果D大于最大距离MaxD(MaxD=meanD+meanK*S),则认为是噪点，将被去掉。具体参数设置：邻域点个数=10;标准差S=5。[0068]2-2)归一化：空基点云和地基点云分别根据地面点归一化的过程涉及识别地面点、计算其高度，并将点云中的每个点的高度减去该地面高度，以实现高度标准化。这一操[0069]关于地面点识别：1)对点云的高程坐标进行排序，选择最低的10%比例的点作为候选地面点。2)通过八次迭代的方式对低于阈值的点进行筛选，从而识别出地面点。[0070]2-3)地面点分类(渐进加密三角网滤波算法):[0071]1)初始种子点的选择。在含有建筑物的点云数据中，量取最大建筑物尺寸作为格网大小对点云数据进行格网化，取格网内的最低点作为起始种子点。[0073]3)迭代加密过程。遍历所有待分类的点，查询各点水平面投影算点到三角形的距离d及点到三角形三个顶点与三角形所在平面所成角度的最大值，如下图，将其分别与迭代距离与迭代角度进行比较，如果小于对应阈值，则将此点判定为地面点，并加入三角网中。重复此过程，直至所有地面点分类完毕。最后提取除地面点以外的点云数据从而达到去除地面点的目的。[0074]具体参数设置：最大建筑物尺寸=20m;最大地形坡度=88°;迭代角度=8°;迭代距离=1.4m。该算法相对于传统算法来说，地面种子点是通过形态开放操作获得的；沿缓冲区模拟地面点参与原有的基于渐进式三角不规则网(TIN)的数字地形模型构建，以提高TIN的质量，避免形成不合适的三角形；在向上加密之前进行向下加密，提高了加密处理斜率变化的[0076]1)从获得的空基点云和地基点云的两组数据的待配准的点云P中分别进行采样，然后找出同目标点云Q相对应的点集，满足每个对应点之间的欧式距离都是最小的，最后得到两个新的点集，即去除无对应点的点和错误的点。9[0081]4)在源点云P中的点，第三步计算得到的旋转矩阵R和平移向量T,对其刚性变换，[0085]6)根据上式求得平均距离d,并判断迭代是否结束，如果d比预先设置的阈值大，[0086]ICP算法的优点在于其简单高效、易于实现，并能够准确地对齐两组三维点云数[0089]数字表面模型(DigitalSurfaceModel,DSM)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。根据点云数据(包括地面点和非地面点)进行插值计算，生成DSM,具体参数设置为：Xsize=2,Ysize=2,权重=2,缓冲区大小=5,插值方法=反距离权重插[0090]数字高程模型(DigitalElevationModel,DEM),是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形[0091]CHM(冠层高度模型)=DSM(一棵树(矢量轮廓)分配树木ID,依据树木ID提取单木点云。将提取后的单木点云首先进行[0094]将树木点云P自下而上按照一定距离分为n层，采用由下而上逐层点集聚类处理提[0097]Pi={Pj|(Zmin+i×h进行合并处理。[0101]点集的凸包采用Graham扫描方法进行计算，给定的点集检测的凸包点Ok(k=1,元，从该单元开始分别计算各个聚类单元的凸包质心与上一层凸包质心的距离D以及各个 11[0108]步骤五：树种语义识别与优化比选：利用单木尺度树种多角度语义数据集训练、优化、对比深度学习算法(YOL0v11和ResNet152+SPP池化),最终选择精度较高的YOL0v11进行树种识别。[0109]YOL0v11-cls:在树种识别任务中，通过采用一系列改进的技术架构，特别是优化的Backbone和Neck架构，显著提升了模型对树木特征的提取能力，从而有效提高了树种检测的精度和在复杂环境中的表现。特别值得注意的是，C3k2和C2PSA这两个创新组件的引入，极大地增强了模型对树木细节特征的捕捉能力，使其能够在多种实际应用中表现出色。[0110]首先，C3k2组件通过多尺度特征融合的方式，能够深入挖掘和融合来自不同尺度不同的空间尺度特征。C3k2组件通过加强这些多尺度特征的提取，使得模型能够更精准地捕捉细微的树木特征，如叶片的形状、树干的直径变化、树冠的密度和形态等。尤其是在复杂的森林环境中，树木之间的差异往往较为细微，C3k2能有效提升对这些细节的敏感度，从而提升识别精度。[0111]其次，C2PSA组件在Neck部分通过引入注意力机制，进一步优化了特征的加权过程，增强了模型对重要区域的关注能力。C2PSA在空间和通道维度上进行自适应加权，能够聚焦图像中最具有区分性的特征，尤其在树木与背景或其他树木发生遮挡时，能够有效区分树种特有的视觉特征。通过这种方式，模型在处理复杂背景和干扰信息时，能够提高对树木关键结构(如树干、枝叶等)的识别能力，从而进一步提升分类的准确性。[0112]此外，YOL0v11-cls通过减少22%的参数量，不仅大幅降低了计算资源的消耗，还提高了处理速度，这使得模型在实时应用中依然能够维持高效的运行状态。[0113]ResNet152+SPP池化：在树种识别中，ResNet152的深层残差网络结构能够深入挖掘树木的多层次特征，提供更为丰富的特征表示。这种结构尤其适合处理不同品种和年龄阶段的树木图像，帮助识别多样的树种特征。结合空间金字塔池化(SPP),该模型能够灵活处理各种尺寸的输入图像，无需固定输入大小，避免了因调整图像尺寸而造成的信息损失。通过在多个尺度上进行特征池化，ResNet152能够捕捉到树木的多样性，包括叶片、树冠和树枝的特征，从而提升了树种识别的准确性和鲁棒性。[0114]在具体实施过程中，还需要考虑数据增强、学习率调整、批量归一化等技术手段来进一步提升模型的性能和稳定性。此外，还可以采用适当的评估指标(例如准确率、召回率、F1值等)来评估模型在遥感语义识别任务上的性能，具体指标如下：[0115]准确率(Accuracy):Accuracy=(TP+TN)/(TP+TN+FP+FN)[0116]召回率(Recall):Recall=TP/(TP+FN)[0119]式中，TP表示真正例(TruePositive),即模型正确预测为正样本的数量；TN表示真负例(TrueNegative),即模型正确预测为负样本的数量；FP表示假正例(FalsePositive),即模型错误地预测为正样本的数量；FN表示假负例(FalseNegative),即模型错误地预测为负样本的数量。[0120]更为详细的实施例子中，基于地空融合三维激光点云的树木识别方法，包括：[0121]S1、数据获取：本发明首先使用大疆M300无人机搭配L1禅思相机获取研究区内激光雷达点云数据，然后使用华测RS10系列手持式激光扫描设备采集研究区点云数据。地面[0122]S2、数据预处理和数据融合：无人机航飞数据导入大疆智图完成数据合成和图像云使用迭代最近点(ICP)算法基于位置与特征匹配方法进行地空数据无缝融合。[0123]S3、单木分割：将融合后的点云数据基于分水岭分割算法生成冠层高度模型(CHM),利用可变大小的动态窗口在冠层高度模型上搜索局部最大值作为树冠顶点，并以树冠顶点作为标记采用标记控制分水岭算法勾勒树冠边界，并进一步提取树高、胸径和冠幅等参数。[0124]S4、单木尺度树种多角度语义数据集构建：提取单木分割后的矢量边界，为每一棵树(矢量轮廓)分配树木ID,依据树木ID提取单木点云。将提取后的单木点云进行树干垂向轴线的厘定，为有效区分树干点云，在采用分层聚类的基础上，通过多层合并方法完成树干检测。其次，绕树干垂向轴线全方位观测形成12个角度的点云影像，与地面调查数据相结合构建多角度观测的单立木影像数据集。v11模型和ResNet152模型+SPP池化。义的训练参数传入模型开始训练。数据作为训练集，20%的数据作为测试集。在ResNet152的最后一个卷积层后添加空间金字塔池化(SpacePyramidPooling)池化层，配置不同尺度的池化参数(如1x1、2x2、3x3等),以获取多层次的特征。[0128]本发明实例最终选择使用YOL011-cls模型，树种智能识别评估指标为：precision=0.87,recall=0.82,F1-score=0.83,accur[0129]针对林地扫描中“地基易遮挡，空基穿透差”问题，本发明首先通过无人机低空航摄与手持式激光扫描设备采集研究区三维激光点云数据，通过GPS定位与特征匹配实现地空双平台数据无缝融合，从而提升林木点云要素表型与结构完整性。针对传统的人工树种调查和机器学习算法识别的局限性，基于单木点云与调查数据构建多角度观测的单立木影像数据集，通过训练、优化、对比多种人工智能算法实现了单木尺度树种语义的高精度自动识别。本发明提出的方法可实现地表林木要素位置、属性、结构等关键参量的构建，为精细化森林资源管理、生物多样性调查与保护、城市宜居环境调控等应用需求提供技术支撑。[0130]本发明技术方案中构建数据集时绕树干垂向轴线全方位观测形成12个角度的点云影像，将三维点云数据降维为二维图像数据，以简化分析流程并提高模型的训练效率，具有重要的实际意义。[0132]本实施例的目的是提供一种计算机装置，包括存储器、处理器及存储在存储