МОДЕЛЮВАННЯ АЛГОРИТМІВ КЛАСИФІКАЦІЇ ОБ’ЄКТІВ НА ОСНОВІ ДАНИХ ЛАЗЕРНОГО СКАНУВАННЯ
DOI:
https://doi.org/10.20535/1970.71(1).2026.361928Ключові слова:
LiDAR, хмара точок, класифікація об’єктів, RANSAC, DBSCANАнотація
Сучасна концепція розвитку агропромислового комплексу базується на впровадженні високоточних автономних роботизованих систем, які здатні здійснювати прецизійний моніторинг багаторічних насаджень. Ключовим завданням у цьому контексті є створення цифрових двійників садів з інтенсивною рослинністю у реальному часі. Технологія лазерного сканування забезпечує отримання щільних тривимірних хмар точок, проте складність архітектури крон дерев, наявність технічних конструкцій та оклюзії створюють значні перешкоди для автоматизованої інтерпретації виміряних даних. Необхідність розроблення робастних математичних моделей для семантичної сегментації у таких середовищах формує актуальність даної роботи. Метою дослідження є моделювання алгоритмічної основи для класифікації структурних елементів саду за даними лазерного сканування. Методологічну основу роботи складає поєднання методів RANSAC (Random Sample Consensus) для робастного відокремлення площини земної поверхні від цільових об'єктів та DBSCAN (Density-Based Spatial Clustering of Applications with Noise) для семантичного групування вегетативної маси та ідентифікації вертикальних структур. Для експериментальної перевірки роботи алгоритмів використано відкритий багатосценовий набір даних HOPS, що містить хмари точок (500 000 і більше у межах кожної сцени) інтенсивного яблуневого саду з високим рівнем геометричної складності. Математичні моделі реалізовано на мові Python 3.10 із використанням спеціалізованих бібліотек Open3D та NumPy. Виявлено критичні зони деградації точності, які пов’язані з морфологічною подібністю вертикальних гілок до бетонних опор та впливом лазерних оклюзій. Результати моделювання дозволяють генерувати високоточні карти густини листкової поверхні та глибини крони.
Посилання
Rivera G. et al. LiDAR applications in precision agriculture for cultivating crops: A review of recent advances. Computers and Electronics in Agriculture, Vol. 207, 2023, 107737. https://doi.org/10.1016/j.compag.2023.107737
Chu P., et al. O2RNet: Occluder-occludee relational network for robust apple detection in clustered orchard environments. Smart Agricultural Technology, Vol. 5, 2023, 100284. https://doi.org/10.1016/j.atech.2023.100284
Hua W. et al. Key technologies in apple harvesting robot for standardized orchards: A comprehensive review of innovations, challenges, and future directions. Computers and Electronics in Agriculture, Vol. 235, 2025, 110343. https://doi.org/10.1016/j.compag.2025.110343
Rapado-Rincon D., Kootstra G. Tree-SLAM: Semantic object SLAM for efficient mapping of individual trees in orchards. Smart Agricultural Technology, Vol. 12, 2025, 101439. https://doi.org/10.1016/j.atech.2025.101439
Rottok L.T. et al. Development of a LiDAR-based framework for obstacle identification and mapping in orchard environments. Biosystems Engineering, Vol. 257, 2025, 104245. https://doi.org/10.1016/j.biosystemseng.2025.104245
Sultan Mahmud M. et al. LiDAR-sensed tree canopy correction in uneven terrain conditions using a sensor fusion approach for precision sprayers. Computers and Electronics in Agriculture, Vol. 191, 2021, 106565. https://doi.org/10.1016/j.compag.2021.106565
Firkat E. et al. FGSeg: Field-ground segmentation for agricultural robot based on LiDAR. Computers and Electronics in Agriculture, Vol. 211, 2023, 107965. https://doi.org/10.1016/j.compag.2023.107965
Zeng L., Feng J., He L. Semantic segmentation of sparse 3D point cloud based on geometrical features for trellis-structured apple orchard. Biosystems Engineering, Vol. 196, 2020, 46-55 p. https://doi.org/10.1016/j.biosystemseng.2020.05.015
Fischler M. A., Bolles R. C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, Vol. 24, Issue 6, 1981, 381-395 p. https://doi.org/10.1145/358669.358692
Jiang L. et al. Apple tree architectural trait phenotyping with organ-level instance segmentation from point cloud. Computers and Electronics in Agriculture, Vol. 229, 2025, 109708. https://doi.org/10.1016/j.compag.2024.109708
Sun Z. et al. Canopy3D-Net: Semantic segmentation of fruit tree canopies based on 3D point clouds. Smart Agricultural Technology, Vol. 12, 2025, 101673. https://doi.org/10.1016/j.atech.2025.101673
Gené-Mola J et al. Fuji-SfM dataset: a collection of annotated images and point clouds for Fuji apple detection and location using structure-from-motion photogrammetry. Data in Brief, Vol. 30, 2020, 105591. https://doi.org/10.1016/j.dib.2020.105591
Gené-Mola J et al. Fruit detection and 3D location using instance segmentation neural networks and structure-from-motion photogrammetry. Computers and Electronics in Agriculture, 169 (2020), 105165. https://doi.org/10.1016/j.compag.2019.105165
Zine-El-Abidine M. et al. Assigning apples to individual trees in dense orchards using 3D colour point clouds. Biosystems engineering, Vol. 209, 2021, 30-52 p. https://doi.org/10.1016/j.biosystemseng.2021.06.015
Bhattacharyaa S. et al. Detect, segment, cluster: Apple localization for robotic harvesting in complex orchards. Smart Agricultural Technology, Vol. 12, 2025, 101642. https://doi.org/10.1016/j.atech.2025.101642
Li L. et al. Branch segmentation and phenotype extraction of apple trees based on improved Laplace algorithm. Computers and Electronics in Agriculture, Vol. 232, 2025, 109998. https://doi.org/10.1016/j.compag.2025.109998
Dong X. et al. Three-dimensional quantification of apple phenotypic traits based on deep learning instance segmentation. Computers and Electronics in Agriculture, Vol. 212, 2023, 108156. https://doi.org/10.1016/j.compag.2025.109998
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Цибульник С.О., Шелемаха В.В.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
