Deep Tree Detector - A New Method for Detecting Individual Trees from ALS Data Using Projected Features and Deep Learning

Abstract

Å ha oppdaterte databaser med individuelle trær er nyttig både i skogforvaltning og økologisk forskning. Manuell deteksjon og digital innsamling av enkelttrær er både tidkrevende og dyrt. I denne studien undersøkes metoder for å automatisk detektere trær gjennom luftbåren laserskanning. I masteroppgaven blir også en ny metode for å oppdage trær fra disse fjernmålingene foreslått. Metoden kombinerer metoder fra visuell intelligens, som baserer seg på todimensjonell data, med detaljerte tredimensjonale datasett, fanget med luftbåren lidar. Metoden går ut på å projisere punktskyene på et raster i XY-planet for å danne todimensjonale bilder. Den romlige informasjonen blir bevart gjennom å projisere viktige egenskaper fra punktskyen, og lagre disse verdiene i båndene i bildet. Båndene i bildet som vanligvis blir brukt for å holde rødfarge, grønnfarge og blåfarge blir erstattet med henholdsvis punktetthet, høydedifferanse og høydegradient. For å løse kravet om store mengder annotert data i dyp læring, har et syntetisk datasett blitt skapt gjennom omfattende dataaugmentering. En Mask R-CNN modell har blitt trent på det syntetiske datasettet og blitt testet på reell data fra et skannet område i Trondheim. Modellen ble også testet på et syntetisk testsett som ble lagd på samme måtet som treningssettet, men med andre trær. Den ferdige modellen når en presisjonsverdi på 82% og en tilbakekallingsverdi på 82% på det reelle testsettet. På det syntetiske testsettet når modellen en presisjon og tilbakekalling på henholdsvis 97,2% og 96,1%. Resultatene viser at den foreslåtte metoden er i stand til å oppdage flere trær, med høyere presisjon enn tradisjonelle metoder, og legger seg i sjiktet blant andre metoder basert på dyp-læring.

Having an up-to-date tree inventory in a forest or a city is valuable for forest monitoring and ecological research. Manually detecting individual trees for these inventories is time-consuming and costly work. In this study methods for automatically detecting trees from ALS data are researched. A new method for detecting individual trees is created by combining deep learning models from the realm of visual intelligence with the rich point clouds gathered through remote sensing. The proposed method is based on projecting point clouds onto a rasterized XY-plane, creating images from the point clouds. The spatial information is preserved by projecting valuable features from the point cloud onto the image. The values are then stored on the image-channels. A synthetic dataset is created using extensive data augmentation, to account for the lack of labelled data available. A Mask-RCNN model is trained on the synthetic images, and is tested on real data from a scanned area in Trondheim. The trained model reaches a precision and recall of 82% and 82% respectively, on the test area. The model was also tested on a synthetic test set, containing sampled trees not seen during training, arbitrarily positioned on a grid. The model reaches a precision and recall of 97,2% and 96,1% respectively, on the synthetic test set. The results show that this method is more than able to compete with traditional non-deep-learning methods for detecting individual trees.