Para abordar los problemas de límites difusos, el desequilibrio significativo en la cantidad de puntos entre el tronco y las ramas, y la dificultad para reconocer estructuras de grano fino en la separación de ramas y hojas en nubes de puntos de árboles, este artículo propone un modelo mejorado PTV3-BLSeg (Point Transformer V3 consciente del límite y mejorado con fusión para la segmentación de ramas y hojas) basado en la arquitectura Point Transformer V3. Este modelo introduce conexiones de salto fusionadas para mejorar la transmisión de características entre capas, optimiza la fusión de características locales y globales, mejorando eficazmente la capacidad de discriminación en la zona de unión entre ramas y hojas. Para fortalecer aún más la capacidad de identificar los límites de las ramas y hojas, se diseñó una función de pérdida con refuerzo de límites que se centra en las características finas del tronco y las hojas, reduciendo la transición difusa entre clases. Para mejorar la estabilidad y precisión del aprendizaje de características profundas, se adopta un mecanismo de supervisión profunda que optimiza la ruta de aprendizaje de las características del tronco, impulsando la eficiencia y el rendimiento del modelo. En el conjunto de datos Smart Tree, el modelo PTV3-BLSeg alcanzó una precisión general del 93,33%, una puntuación F1 del 75,61% para el tronco y del 96,09% para las hojas, con mejoras respectivas del 1,36%, 4,14% y 0,85% respecto al modelo de referencia (Point Transformer V3). En el conjunto de datos de Genhe en Mongolia Interior, la precisión general fue del 83,83%, la puntuación F1 del tronco del 60,77% y la de las hojas del 89,50%, con mejoras del 5,04%, 12,86% y 9,13% respectivamente. En el conjunto de datos Hengzhou en Guangxi, la precisión general fue del 81,87%, la puntuación F1 del tronco del 71,32% y la de las hojas del 86,60%, con incrementos del 4,49%, 12,73% y 1,48%, confirmando su buena capacidad de generalización. En general, el modelo PTV3-BLSeg muestra ventajas destacadas en la tarea de separación de ramas y hojas de nubes de puntos de árboles, pudiendo aliviar eficazmente problemas clave como los límites poco claros entre el tronco y las ramas, el grave desequilibrio en la cantidad de puntos por categoría y la dificultad para reconocer estructuras finas, proporcionando soporte técnico fiable para la construcción de modelos 3D de escenas forestales y encuestas detalladas de parámetros arbóreos.

separación de ramas y hojas;Point Transformer V3;refuerzo de límites;supervisión profunda;segmentación semántica de nubes de puntos;conexiones de salto;fusión de características;nube de puntos 3D