第51卷总第403期2023年第5期计算机与数字工程Computer&DigitalEngineeringVol.51No.5收稿日期：2022年11月8日，修回日期：2022年12月24日基金项目：国家自然科学基金面上项目“猪表型体尺无接触测量中三维点云处理关键技术研究”（编号：32172780）资助。作者简介：胡昊，男，硕士研究生，研究方向：三维点云处理。尹令，女，博士，副教授，硕士生导师，研究方向：农业信息化与数据挖掘。张素敏，男，博士，讲师，研究方向：数据挖掘。温志坤，男，研究方向：三维点云处理。朱纪民，男，硕士研究生，研究方向：农业信息化。林润恒，男，硕士研究生，研究方向：三维建模、机器学习。∗1引言点云分割作为三维点云处理任务中的关键技术，在三维计算机视觉场景下得到了非常广泛的应用。在通过激光雷达获取的城市场景点云中，将马路、建筑、路灯、花坛、行道树等场景中的元素进行区分，实现了对大规模场景中的各种物体进行精细化处理［1~2］。在医疗数据处理领域，使用基于深度学习的点云模型分割三维颈椎骨的各组成部分［3］，在分割的基础上再进行生物力学分析，提高了医疗辅助诊断的自动化水平。在建筑建模领域，采用多视图CNN能够将建筑元素类型进行自动化分类，并取得了良好的效果［4］。在无人机精准飞行领域，基于深度学习的点云网络对激光雷达扫描到的物基于改进PointNet++的大规模猪体点云部位分割∗胡昊1尹令1，2张素敏1，2温志坤1朱纪民1林润恒1（1.华南农业大学数学与信息学院广州510642）（2.国家生猪种业工程技术研究中心广州510642）摘要PointNet++点云分割网络能直接处理点云并有良好的分类和分割效果，然而对于自由运动状态下获取的大型牲畜点云，存在较大姿态差异，PointNet++无法难以直接捕捉其局部特征，对牲畜体点云各部位分割效果不佳。针对此问题论文采用Octree结构改进了PointNet++集合抽象层中的分组与采样层，使得网络能够更好地捕捉目标点云的非刚性变化，充分提取不同层次下的局部信息，实现对大规模牲畜点云数据的自动分割。采用Octree改进的PointNet++模型分割活体猪点云数据的头部、耳朵、尾部、躯体和四腿。实验表明，500组猪体点云数据，采用320组不同姿态下的猪体点云进行网络训练，180组分割测试结果的平均mIoU达到了88.06%，OA达到了96.57%。关键词点云分割；PointNet++；Octree；三维点云处理中图分类号TP393DOI：10.3969/j.issn.1672-9722.2023.01.028SegmentationofLarge-scalePigBodyPointCloudPartsBasedonImp...
