改进PointNet++语义分割与三维重建融合的绿篱修剪智能决策框架

摘要

【目的】针对现有绿篱自动修剪方法中目标修剪轮廓依赖人工预设轮廓、无法根据生长状态自主决策的根本性局限，本研究旨在提出一种可自主完成“感知—理解—决策”的智能化修剪点生成框架，以推动修剪作业从程序化自动向智能自主跨越。【方法】本研究提出“智能分割—几何拟合—任务生成”三层级技术框架。首先，通过神经辐射场（NeRF）从环绕拍摄视频重建高保真度的绿篱点云。进而，改进PointNet++，构建Hedge-PointNet，引入Softmax点级概率建模与多轮推理融合策略，实现绿篱与背景的精准语义分割。随后，依据语义类别自适应选择随机抽样一致性算法（RANSAC）等鲁棒的几何拟合方法，三维重建目标修剪曲面。最后，通过曲面网格化与投影策略，智能化提取实际修剪点。【结果】在复杂真实场景下的实验结果表明：（1）所提Hedge-PointNet的语义分割平均交并比（mIoU）达0.971，显著优于基线模型；（2）在球面拟合任务中，RANSAC算法的均方根误差为0.005 1 m，较传统最小二乘法降低了96.7%，对离群点表现出优异鲁棒性；（3）该方法生成的修剪点集仅需覆盖目标曲面36.1%的潜在点位，即可实现同等修剪效果，无效修剪动作减少63.9%，在精度与效率间取得最佳平衡。【结论】本研究不仅实现了绿篱修剪轮廓的自主判断与作业指令的智能生成，还可作为自动化修剪装备中的感知与决策模块，为后续路径规划与机械执行提供目标参数与作业点位输入。该框架具有良好的通用性，可为园林养护、农作物整形修剪及相关机器人三维作业任务中的目标识别与作业决策提供参考。

关键词

PointNet++ / 语义分割 / 三维重建 / 点云处理 / 深度学习 / 智能决策 / 绿篱修剪 / 农业机器人

基金资助

国家重点研发计划课题（2018YFD0700601）