Um Probleme wie unscharfe Grenzen, eine signifikante Ungleichheit in der Anzahl der Punkte zwischen Stamm und Ästen sowie die Schwierigkeit bei der Erkennung feinkörniger Strukturen bei der Trennung von Ästen und Blättern in Baum-Punktwolken anzugehen, schlägt dieser Artikel ein verbessertes PTV3-BLSeg-Modell (fusioneingebetteter, grenzbewusster Point Transformer V3 für Ast-Blatt-Segmentierung) auf Basis der Point Transformer V3-Architektur vor. Das Modell führt fusionierte Sprungverbindungen ein, um den Merkmalsaustausch über Ebenen hinweg zu verbessern, optimiert die Verschmelzung lokaler und globaler Merkmale und erhöht effektiv die Unterscheidungsfähigkeit in den Grenzbereichen zwischen Ästen und Blättern. Um die Erkennung der Ast- und Blattgrenzen weiter zu verbessern, wurde eine grenzverstärkte Verlustfunktion entwickelt, die sich auf feinkörnige Merkmale von Stamm und Blättern konzentriert und unscharfe Übergänge zwischen Klassen reduziert. Zur Verbesserung der Stabilität und Genauigkeit des Lernens tiefer Merkmale kommt ein Mechanismus der tiefen Überwachung zum Einsatz, der den Lernpfad der Stammmerkmale optimiert und die Effizienz und Leistung des Modells steigert. Auf dem Smart Tree-Datensatz erreichte das PTV3-BLSeg-Modell eine Gesamtgenauigkeit von 93,33 %, einen F1-Wert für den Stamm von 75,61 % und einen F1-Wert für die Blätter von 96,09 %, was eine Steigerung von 1,36 %, 4,14 % bzw. 0,85 % gegenüber dem Basismodell (Point Transformer V3) darstellt. Auf dem Genhe-Datensatz in der Inneren Mongolei erreichte es eine Gesamtgenauigkeit von 83,83 %, einen F1-Wert für den Stamm von 60,77 % und einen F1-Wert für die Blätter von 89,50 %, mit Verbesserungen von 5,04 %, 12,86 % und 9,13 % jeweils. Auf dem Hengzhou-Datensatz in Guangxi lag die Gesamtgenauigkeit bei 81,87 %, der F1-Wert für den Stamm bei 71,32 % und der für die Blätter bei 86,60 %, mit Steigerungen von 4,49 %, 12,73 % und 1,48 %, was die gute Generalisierungsfähigkeit bestätigt. Insgesamt zeigt das PTV3-BLSeg-Modell deutliche Vorteile bei der Aufgabe der Trennung von Ästen und Blättern in Baum-Punktwolken und kann effektiv Schlüsselprobleme wie unscharfe Grenzen zwischen Stamm und Ästen, starke Ungleichgewichte in der Anzahl der Punktklassen und die Schwierigkeit bei der Erkennung feiner Strukturen lindern und bietet eine zuverlässige technische Unterstützung für den Aufbau von 3D-Modellen von Waldszenen und die detaillierte Erfassung von Baumparametern.

Äste-Blatt-Segmentierung;Point Transformer V3;Grenzverstärkung;tiefe Überwachung;semantische Segmentierung von Punktwolken;Sprungverbindungen;Merkmalsfusion;3D-Punktwolke