在结构化与非结构化果园中利用移动 LiDAR 进行自适应单棵树冠层体积估计
Adaptive Per-Tree Canopy Volume Estimation Using Mobile LiDAR in Structured and Unstructured Orchards
AI总结：
提出基于移动 LiDAR 的实时单树冠层体积估计系统，通过 LiDAR-惯性里程计、自适应分割、几何重建及 DBSCAN 与谱聚类混合策略，在两类商业果园中实现稳健分割并与无人机估计高度一致。
摘要：
我们提出了一种实时系统，利用机器人在常规导航过程中采集的移动 LiDAR 数据来估计单棵树的冠层体积。不同于以往依赖静态扫描或假设果园结构均匀的方法，我们的方法通过集成 LiDAR-惯性里程计、自适应分割和几何重建的流水线，适应不断变化的田间几何结构。我们在两个商业果园中评估了该系统：一个是间距规则的开心果园，另一个是树冠茂密且重叠的扁桃园。结合 DBSCAN 和谱聚类的混合聚类策略实现了稳健的单树分割，在开心果树上取得 93% 的成功率，在扁桃树上取得 80% 的成功率，并与无人机推导的冠层体积估计结果高度一致。这项工作推动了面向结构多样果园环境的可扩展、非侵入式树木监测。
英文摘要：
We present a real-time system for per-tree canopy volume estimation using mobile LiDAR data collected during routine robotic navigation. Unlike prior approaches that rely on static scans or assume uniform orchard structures, our method adapts to varying field geometries via an integrated pipeline of LiDAR-inertial odometry, adaptive segmentation, and geometric reconstruction. We evaluate the system across two commercial orchards, one pistachio orchard with regular spacing and one almond orchard with dense, overlapping crowns. A hybrid clustering strategy combining DBSCAN and spectral clustering enables robust per-tree segmentation, achieving 93% success in pistachio and 80% in almond, with strong agreement to drone derived canopy volume estimates. This work advances scalable, non-intrusive tree monitoring for structurally diverse orchard environments.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
