近期，信息学院陈飞翔教授、许福教授课题组在遥感研究领域期刊《IEEE Transactions on Geoscience and Remote Sensing》（一区TOP，IF="8.2）发表了题为“Unsupervised Semantic Segmenting TLS Data of Individual Tree Based on Smoothness Constraint Using Open-Source Datasets”的学术论文，北京林业大学为第一完成单位。

从地基激光雷达点云中准确分割树叶、树枝等部分对于监测森林碳储量、光合过程等研究具有关键意义。实际地基激光雷达点云密度大且存在许多树枝、树叶、灌木、树干相互遮挡的情况，因此，无需手动分类数据且高效的无监督分类方法成为首选。然而在树木点云的无监督分类中仍存在以下挑战：容易欠分割或过分割点云；仅依据简单几何特征容易误分不规则树枝；对不同树种的泛化能力有待提高；大多数方法仅分离枝叶，依据有无树叶附着继续分割木质成分的潜力和优势在森林场景中仍未被探索。

针对上述问题，论文提出了一种面向单木的无监督语义分割地基激光雷达点云的方法（图1）。该方法首先基于平面拟合残差和邻域关系对单木点云进行初始分割，有效提取点云中平滑且连通的区域；然后通过量化分段点云的几何特征来逼近分段木质、非木质特征；最后借助分段邻域关系和判别特征自下而上合并分段，实现树干和较大旁支、树枝以及树叶三部分的语义分割。此外，使用公开数据集中19种34棵树对该方法进行了验证评价，结果表明，该方法的平均分类精度为95.77%，可准确高效地分割点云。

树木点云语义分割方法示意图

论文提出的基于平滑约束的单木点云语义分割方法，可实现树干和较大旁支、树枝以及树叶的有效分割，具有重要的研究价值和应用前景。近年来，课题组致力于地理信息系统和人工智能等信息技术攻关，开展森林监测、国家公园野生动物智能监测和野生动植物智能识别等领域的前沿研究并取得了一系列重要进展，助力智慧林业发展和生物多样性保护。

该研究受到国家重点研发计划项目（2022YFF1302700）、国家林草局揭榜挂帅项目（202303）、中央高校优秀青年团队项目（QNTD202308）的资助。

论文链接：https://ieeexplore.ieee.org/document/9933471