深度学习在自主林业系统树木枝干分割中的性能评估
计算机视觉与模式识别
2025-12-08 v1
摘要
基于无人机(UAV)的自主林业作业需要在不同的像素分辨率和操作条件下进行快速且精确的树木枝干分割，以实现安全导航和自动修剪。我们使用 Urban Street Tree Dataset 在三种分辨率（256x256、512x512、1024x1024）下评估了不同的深度学习方法，采用了标准指标（IoU、Dice）以及包括细结构 IoU (TS-IoU) 和连通性保持率 (CPR) 在内的专用度量。在测试的 22 种配置中，带有 MiT-B4 主干的 U-Net 在 256x256 分辨率下取得了强劲的性能。在 512x512 分辨率下，MiT-B4 在 IoU、Dice、TS-IoU 和 Boundary-F1 上领先。在 1024x1024 分辨率下，U-Net+MiT-B3 在 IoU/Dice 和精确率上表现出最佳的验证性能，而 U-Net++ 在边界质量上表现优异。PSPNet 提供了最高效的选项（2.36/9.43/37.74 GFLOPs），但与各分辨率下的最佳模型相比，其 IoU 分别下降了 25.7/19.6/11.8 个百分点。这些结果为嵌入式林业系统中的精度-效率权衡建立了多分辨率基准。实现代码可在 https://github.com/BennyLinntu/PerformanceTreeBranchSegmentation 获取。
引用
@article{arxiv.2512.05418,
title = {Performance Evaluation of Deep Learning for Tree Branch Segmentation in Autonomous Forestry Systems},
author = {Yida Lin and Bing Xue and Mengjie Zhang and Sam Schofield and Richard Green},
journal= {arXiv preprint arXiv:2512.05418},
year = {2025}
}