Pour répondre aux problèmes de frontières floues, au déséquilibre significatif du nombre de points entre les troncs et les branchages ainsi qu’aux difficultés de reconnaissance des structures fines dans la séparation des branches et feuilles des nuages de points d’arbres, cet article propose un modèle amélioré PTV3-BLSeg (fusion-enhanced boundary-aware Point Transformer V3 pour la segmentation branches-feuilles) basé sur l’architecture Point Transformer V3. Ce modèle introduit des connexions sautées fusionnées pour renforcer la transmission des caractéristiques entre niveaux, optimise la fusion des caractéristiques locales et globales, améliorant efficacement la capacité de discrimination dans la zone de jonction branches-feuilles. Pour renforcer davantage la reconnaissance des frontières des branches-feuilles, une fonction de perte avec renforcement des frontières a été conçue, mettant l’accent sur les caractéristiques fines du tronc et des feuilles, réduisant la transition floue entre les classes. Pour améliorer la stabilité et la précision de l’apprentissage des caractéristiques profondes, un mécanisme de supervision profonde est adopté, optimisant le chemin d’apprentissage des caractéristiques du tronc, favorisant l’efficacité et la performance du modèle. Sur le jeu de données Smart Tree, le modèle PTV3-BLSeg atteint une précision globale de 93,33 %, un score F1 de 75,61 % pour le tronc, de 96,09 % pour les feuilles, soit respectivement des améliorations de 1,36 %, 4,14 % et 0,85 % par rapport au modèle de référence (Point Transformer V3). Sur le jeu de données Genhe de Mongolie intérieure, la précision globale est de 83,83 %, le score F1 du tronc de 60,77 %, celui des feuilles de 89,50 %, soit des améliorations de 5,04 %, 12,86 % et 9,13 %. Sur le jeu de données Hengzhou du Guangxi, la précision globale est de 81,87 %, le score F1 du tronc de 71,32 %, celui des feuilles de 86,60 %, avec des gains respectifs de 4,49 %, 12,73 % et 1,48 %, confirmant sa bonne capacité de généralisation. Globalement, le modèle PTV3-BLSeg montre des avantages significatifs dans la tâche de séparation branches-feuilles des nuages de points d’arbres, capable d’atténuer efficacement les problèmes de frontières floues entre tronc et branches, le déséquilibre du nombre de points de catégorie et la difficulté de reconnaître les structures fines, fournissant un support technique fiable pour la construction de modèles 3D de scènes forestières et l’enquête détaillée des paramètres des arbres.

séparation branches-feuilles;Point Transformer V3;renforcement des frontières;supervision profonde;segmentation sémantique des nuages de points;connexions sautées;fusion des caractéristiques;nuage de points 3D