Segmentation of Large Point Clouds for Forestry Purposes

Abstract

Lidardata har fått større og større oppmerksomhet inenfor skogdrift de siste årene. Mesteparten av lidar i skogdrift kommer fra luftbåren lidardata som gir en overordnet fremstilling av skogens attributter. Luftbåren laserskanning skanner toppen av trærne i størst detalj mens deler under tretoppene bare får noen punkter. Laserskanning fra bakkenivå skanner de nedre delene av skogen i detalj og kan gi ny innsikt til skogsdrift. Dette lager store punktskyer som kan være vanskelig å behandle. Dette er også fokuset på denne oppgaven; å finne metoder til å behandle store datasett til skogsdrift på en grei måte. Literaturen i denne oppgaven tar først for seg temaer som datastrukturer, linær algebra og segmenteringsteknikker og clusteralgoritmer. Så presenteres to seperate metoder, implementert i Python, som segmenterer trestammene i punktskyen fra hverandre og automatisk estimerer diameteren i brysthøyde til treet. Den første metoden er avledet fra (Zhang, W. et. al (2019)) og bruker konsepter som normalvektorendringer og sammenhengende komponenters analyse til å komme fram til resultatene. Den andre måten baserer seg sterkt på DBSCAN-clusteralgoritmen og RANSAC-metoden for sirkeltilpassing. Resultatene var ikke tilfredsstillende for den første metoden, men den andre metoden greide å detektere 74 % av trærne i datasettet med en gjennomsnittlig feil i estimert diameter på -0.07 cm og RMSE på 11.49 cm. Videre arbeid med metoden bør fokusere på å redusere tidskompleksiteten av DBSCAN-algoritmen gjennom lure samplingsmetoder.

Lidar data have gained a substantially greater role in forestry management in recent years. However most lidar data for forestry derives from airborne laser scanning which give overall values for attributes about the forest. Furthermore it is attributes about the canopy of the forest that are scanned with most detail, with below canopy regions of trees only receiving sparse structure. Terrestrial laser scanning for forestry scans the understory of forests in great detail and can give new insight in forestry management. As this creates dense point clouds that can be troublesome to compute, this report aims to find methods that are viable for segmenting large point clouds for forestry. Reviewed literature catches up on subjects like data structures, linear algebra, segmentation techniques and clustering algorithms. Two separate methods are implemented in Python which segments the tree stems and automatically computes the diameter at breast height. The first is derived from Zhang et. al (2019) and uses concepts such as normal change rate and connected component analysis to find the results, while the second method heavily relies on the DBSCAN-clustering algorithm and the RANSAC model fitting technique. Results were not satisfactory for the first method, but showed promise in the second method, being able to detect 74 % of the trees, and estimating the diameter at breast height with a bias of -0.07 cm and root mean square error at 11.49 cm. Further work for this method should focus on decreasing the time complexity of the DBSCAN-algorithm by clever sampling approaches.