• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 1
  • 1
  • Tagged with
  • 2
  • 2
  • 2
  • 2
  • 2
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Identification automatisée des espèces d'arbres dans des scans laser 3D réalisés en forêt / Automatic recognition of tree species from 3D point clouds of forest plots

Othmani, Ahlem 26 May 2014 (has links)
L’objectif de ces travaux de thèse est la reconnaissance automatique des espèces d’arbres à partir de scans laser terrestres, information indispensable en inventaire forestier. Pour y répondre, nous proposons différentes méthodes de reconnaissance d’espèce basées sur la texture géométrique 3D des écorces.Ces différentes méthodes utilisent la séquence de traitement suivante : une étape de prétraitement, une étape de segmentation, une étape d’extraction des caractéristiques et une dernière étape de classification. Elles sont fondées sur les données 3D ou bien sur des images de profondeur extraites à partir des nuages de points 3D des troncs d’arbres en utilisant une surface de référence.Nous avons étudié et testé différentes approches de segmentation sur des images de profondeur représentant la texture géométrique de l'écorce. Ces approches posent des problèmes de sur-Segmentation et d'introduction de bruit. Pour cette raison, nous proposons une nouvelle approche de segmentation des nuages de points 3D : « Burst Wind Segmentation », inspirée des lignes de partage des eaux. Cette dernière réussit, dans la majorité des cas, à extraire des cicatrices caractéristiques qui sont ensuite comparées à un dictionnaire des cicatrices (« ScarBook ») pour discriminer les espèces d’arbres.Une grande variété de caractéristiques est extraite à partir des régions segmentées par les différentes méthodes proposées. Ces caractéristiques représentent le niveau de rugosité, la forme globale des régions segmentées, la saillance et la courbure du contour, la distribution des points de contour, la distribution de la forme selon différents angles,...Enfin, pour la classification des caractéristiques visuelles, les forêts aléatoires (Random Forest) de Leo Breiman et Adèle Cutler sont utilisées dans une approche à deux étapes : sélection des variables importantes, puis classification croisée avec les variables retenues, seulement.L’écorce de l’arbre change avec l'accroissement en diamètre ; nous avons donc étudié différents critères de variabilité naturelle et nous avons testé nos approches sur une base qui présente cette variabilité. Le taux de bonne classification dépasse 96% dans toutes les approches de segmentation proposées mais les meilleurs résultats sont atteints avec la nouvelle approche de segmentation « Burst Wind Segmentation » étant donné que cette approche réussit mieux à extraire les cicatrices, utilise un dictionnaire de cicatrices et a été évaluée sur une plus grande variété de caractéristiques de forme, de courbure, de saillance et de rugosité. / The objective of the thesis is the automatic recognition of tree species from Terrestrial LiDAR data. This information is essential for forest inventory. As an answer, we propose different recognition methods based on the 3D geometric texture of the bark.These methods use the following processing steps: a preprocessing step, a segmentation step, a feature extraction step and a final classification step. They are based on the 3D data or on depth images built from 3D point clouds of tree trunks using a reference surface.We have investigated and tested several segmentation approaches on depth images representing the geometric texture of the bark. These approaches have the disadvantages of over segmentation and are quite sensitive to noises. For this reason, we propose a new 3D point cloud segmentation approach inspired by the watershed technique that we have called «Burst Wind Segmentation». Our approach succeed in extracting in most cases the characteristic scars that are next compared to those stored in a dictionary («ScarBook») in order to determine the tree species.A large variety of characteristics is extracted from the regions segmented by the different methods proposed. These characteristics are the roughness, the global shape of the segmented regions, the saliency and the curvature of the contour, the distribution of the contour points, the distribution of the shape according to the different orientations.Finally, for the classification of the visual characteristics, the Random Forest method by Leo Breiman and Adèle Cutler is used in a two steps approach: selection of the most important variables and cross classification with the selected variables.The bark of the tree changes with the trunk diameter. We have thus studied different natural variability criteria and we have tested our approaches on a test set that includes this variability. The accuracy rate is over 96% for all the proposed segmentation approaches but the best result is obtained with the «Burst Wind Segmentation» one due to the fact that this approach can better extract the scars, it uses a dictionary of scars for recognition, and it has been evaluated on a greater variety of shapes, curvatures, saliency and roughness.
2

Influence de la phénologie foliaire automnale de forêts tempérées sur la segmentation d’espèces d’arbres à partir d’imagerie de drone et d’apprentissage profond

Cloutier, Myriam 07 1900 (has links)
La télédétection des forêts est devenue de plus en plus accessible grâce à l'utilisation de véhicules aériens inoccupés (UAV) et à l'apprentissage profond, ce qui permet d'obtenir des images répétées à haute résolution et d’observer les changements phénologiques à des échelles spatiales et temporelles plus importantes. Dans les forêts tempérées, à l'automne, la sénescence des feuilles se produit lorsque les feuilles changent de couleur et tombent. Cependant, l'influence de la sénescence foliaire sur la segmentation des espèces d'arbres à l'aide d'un réseau neuronal convolutif (CNN) n'a pas encore été évaluée. Nous avons acquis de l’imagerie haute résolution par UAV au-dessus d’une forêt tempérée au Québec à sept reprises entre mai et octobre 2021. Nous avons segmenté et identifié 23 000 couronnes d'arbres de 14 classes différentes pour entraîner et valider un CNN pour chaque acquisition d'imagerie. La meilleure segmentation (F1-score le plus élevé) était au début de la coloration des feuilles (début septembre) et le F1-score le plus bas au pic de la coloration automnale (début octobre). La chronologie de la sénescence varie considérablement d’une espèce à l’autre et au sein d’une même espèce, ce qui entraîne une grande variabilité du signal télédétecté. Les espèces d'arbres à feuilles caduques et à feuilles persistantes qui présentaient des traits distinctifs et moins variables dans le temps entre les individus ont été mieux classées. Bien que la segmentation des arbres dans une forêt hétérogène demeure un défi, l'imagerie UAV et l'apprentissage profond démontrent un grand potentiel pour la cartographie des espèces d'arbres. Les résultats obtenus dans une forêt tempérée où la couleur des feuilles change fortement pendant la sénescence automnale montrent que la meilleure performance pour la segmentation des espèces d'arbres se produit au début de ce changement de couleur. / Remote sensing of forests has become increasingly accessible with the use of unoccupied aerial vehicles (UAV), along with deep learning, allowing for repeated high-resolution imagery and the capturing of phenological changes at larger spatial and temporal scales. In temperate forests during autumn, leaf senescence occurs when leaves change colour and drop. However, the influence of leaf senescence in temperate forests on tree species segmentation using a Convolutional Neural Network (CNN) has not yet been evaluated. Here, we acquired high-resolution UAV imagery over a temperate forest in Quebec, Canada on seven occasions between May and October 2021. We segmented and labelled 23,000 tree crowns from 14 different classes to train and validate a CNN for each imagery acquisition. The CNN-based segmentation showed the highest F1-score (0.72) at the start of leaf colouring in early September and the lowest F1-score (0.61) at peak fall colouring in early October. The timing of the events occurring during senescence, such as leaf colouring and leaf fall, varied substantially between and within species and according to environmental conditions, leading to higher variability in the remotely sensed signal. Deciduous and evergreen tree species that presented distinctive and less temporally-variable traits between individuals were better classified. While tree segmentation in a heterogenous forest remains challenging, UAV imagery and deep learning show high potential in mapping tree species. Our results from a temperate forest with strong leaf colour changes during autumn senescence show that the best performance for tree species segmentation occurs at the onset of this colour change.

Page generated in 0.036 seconds