基于三維點云和改進PointNet++的大田煙株葉片計數方法

中圖分類號：S572；S126 文獻標識碼：A文章編號：1007-5119（2025）03-0089-09

Field Tobacco Leaf Counting Method Based on 3D Point Clouds and Improved PointNet++

NAN Dewang1，LI Junying2*，LIANG Hong1， MA Erdeng2， ZHANG Hong2， XIAO Hengshu1 （1.Schoo ofInformationScienceamp;Enginering，Yunnan UniversityKunming 650504，China; 2.YunnanAcademyoTobaco Agricultural Sciences， Kunming 650021， China）

Abstract：The leafcountof tobacco plants isoneof theimportant phenotypic parameters fortobacco leaf yield estimationTo address thechalengesof taditionalmanaltobaccoleafcounting，afieldtobaccoleafcountingmethodintegratingthre-dimensional point cloudsand improved PointNet++was proposed.This method employs UAVobliquephotographyto acquirefeld tobacco plant images and generate three-dimensional point clouds.An improved PoinNnet ⁺⁺ algorithm is then utilized to perform leaf point cloud segmentation.The proposedalgorithmreplaces the MLPwith KANtoenhance leamingcapacityand minimize training loss.A DGSTD atention mechanism was proposed， which integrated DGST network and DBB multi-branch block to enhance accuracy. Additionallyarfocaloswasicooratdtodsthesibaace intouddstrutionacrosategores.allyte MeanShiftclustering algorithm wasemployed toclustertheleaf point clouds，from which theleafcount was derived.Theresults showed that the accuracy of point cloud segmentation was 92.55% ，and the mean Intersection over Union （mIoU） was 76.33% representing improvementsof06and2.81 percentagepoitsover teorgialmodel，respectively.Teproposedmethodachevesa leaf counting precision of 94.35% ， successfully implementing leaf counting of field tobacco plants in three-dimensional space.

Keywords： field tobacco plants; leaf counting; PointNet++; 3D point clouds; UAV oblique photography

煙草是以收獲葉片為目的的特殊經濟作物，葉片數是衡量煙株生長狀況、預測產量的重要指標[1-2]傳統人工葉片計數方法效率低、周期長，勞動強度大且成本高，無法滿足現代農業高通量快速獲取葉片數的需求。

隨著深度學習算法的快速發展，基于二維圖像和計算機視覺的葉片計數方法開始出現[3]，Kolhar等[4]使用U-Net和分水嶺算法實現了植物葉片的分割與計數，平均葉片計數誤差為0.26。鄒龍等[5]利用LU-ReNet模型實現了植物葉片計數，在A2基準數據集上超越其余點云計數算法。謝源等[]采用編碼器-解碼器結構，同時引人并聯的空洞卷積核使算法具有更強的泛化性，提高了植物葉片分割與計數精度。但由于二維圖片存在重疊和遮擋等問題，無法實現更為精確的計數。研究人員開始關注在三維空間內進行處理。曾安等提出一種結合多值條件隨機場模型的植物多尺度分割網絡，取得較高的分割精度。胡春華等[8提出一種基于SegNet與三維點云聚類的楊樹苗葉片分割方法，有效分割出單株楊樹苗葉片。Elanshef提出了一種基于張量（一階和二階）的分割算法，實現了植物點云的莖葉分割，并通過一種基于密度的空間聚類算法實現了單個葉片分割。Liu等[10]在PointNet基礎網絡中加人MLP，進一步提高該算法學習局部特征的能力，改進后的算法提高了植株枝葉分割的準確率，其分割準確率為 88% ，平均交并比為48% 。Hao 等[11]利用PointSegAt深度學習網絡模型建立植株莖葉分割和葉片重疊區分模型，實現棉花植株莖葉分割和葉片重疊區分。但目前這些研究大都局限于單株植株葉片分割上，并未應用于大田植株；并且在煙草領域，高通量表型數據獲取技術較少，煙草表型數據嚴重不足，煙草產業在產量預估及生長監測方面缺乏技術支持。因此，如何在保證精度同時，實現大田煙草植株葉片數高通量、低成本的快速獲取成為亟待解決的難題。

為此，本文提出一種基于三維點云和改進PointNet ⁺⁺ 的大田煙株葉片計數方法，該方法通過無人機傾斜攝影獲取大田煙株RGB影像進而生成三維點云，并利用KDV-PointNet ⁺⁺ 模型分割得到葉片點云，最后對葉片點云進行MeanShift[2]聚類，對應得到葉片數。該方法可實現大田煙株葉片數的低成本、高通量快速獲取，為煙草農業數字化、智能化產量預估和生長監測提供技術支持。

1 材料與方法

1.1數據采集與處理

1.1.1數據采集2024年5—7月，在云南省玉溪市澄江市世界煙草品種園內開展數據采集工作，該地屬中亞熱帶高原季風型氣候，光照充足，冬暖夏涼、積溫多，干濕分明，雨熱同期[13]，有利于煙草植株生長，且該地地勢起伏較小、視野相對開闊、無遮擋物，有利于無人機進行大范圍數據采集。

采用配備2000萬像素可調節式相機的大疆PHANTOM4PRO無人機進行煙草數據采集，其最大分辨率為 S472PPI×3956PPI ，焦距為 9mm 。采集主要分為兩個階段，第一階段為點云分割數據集數據采集階段，無人機飛行高度設置為5、7、9m ，以試驗田特定位置的中心為興趣點圓心，半徑為 7m 進行環繞拍攝。第二階段為結果驗證數據采集，以同樣方法進行環繞飛行并對區域內每株煙株的葉片進行人工計數，用于葉片計數結果驗證。1.1.2數據處理利用ContextCapture軟件對無人機采集到的大田煙株圖片進行三維建模并生成三維點云，導出單個煙株范圍內點云。在進行葉片點云分割試驗之前，利用超綠算法[14]和半徑濾波算法[15]去除土壤點和離群點（圖1），并對處理后的點云進行降采樣，得到試驗所需點云。

1.1.3數據集構建試驗所用數據集采用 Shape-Netpart[16]數據集格式，使用CloudCompare軟件對預處理后的200株煙株點云數據進行標注，標注好的點云如圖2所示。標注的點云主要分為4類，第一類為本株煙株葉片點云即藍色點云，第二類為煙株莖稈點云即綠色點云，第三類為非本株葉片點云即紅色點云，第四類為建模雜亂點云即黃色點云。

將標注好的煙株點云保存為TXT文件格式，并按照 8：1：1 的比例劃分訓練集、驗證集與測試集。

1.2基于PointNet ⁺⁺ 的煙葉點云分割模型

1.2.1PointNet ⁺⁺ 模型架構 PointNet ⁺⁺ 是Qi等[17]在PointNet[18]基礎上提出的改進版本，其核心在于提出了一種多層次的特征提取結構，能夠有效捕捉局部特征和全局特征。在此基礎上，作者還提出了MSG（Multi-scalegrouping）策略，其結構如圖3所示，它是對不同半徑的子區域進行特征提取并進行堆疊。采取MSG策略后的PointNet ⁺⁺ 模型結構如圖4所示，對于輸入的點云數據，其首先通過分層抽象（SetAbstraction，SA）層，對點云進行逐層的采樣、分組和特征提取，生成逐層抽象的點云表示，并結合MSG策略，通過多種采樣半徑捕獲不同尺度的局部幾何特征，增強模型對稠密和稀疏區域的特征表達能力；提取的高層次特征隨后通過特征傳播（FeaturePropagation，FP）層逐步插值回底層點云，融合局部和全局特征信息，重建逐點特征；最終，通過多層感知機對每個點的特征進行分類，輸出點云分割結果。

1.2.2KDV-PointNet ⁺⁺ 煙葉點云分割模型由于無人機飛行高度限制，建模后輸出的煙株葉片點云存在重疊、缺失等問題，部分點云分布不均勻，不足以表現葉片局部結構；且煙株中葉片點云占大多數，其余類別點云較少，以至于訓練中樣本比例嚴重失衡，導致模型點云分割準確率降低。針對上述問題，本文采用了3種技術方法對點云分割模型進行改進，改進后的模型如圖5所示

（1）利用KAN網絡代替MLP網絡。KAN網絡是由Liu等[19]提出的全新神經網絡模型，其理論基礎來源于Kolmogorov-Arnold定理，在外部結構上借鑒了MLP[20]，兩者的對比如圖6所示。與MLP不同的是，KAN網絡在網絡邊緣采用可學習的激活函數，且網絡中每個權重參數都被一個B樣條參數化表示的單變量函數替換，這種設計保持了網絡較好的可解釋性和表達能力，使得模型具有更強大的學習能力。本文利用KAN網絡完全代替第一個PointNet層中的MLP以改進模型，為了驗證此種替換方式的有效性，選取以下4種不同位置的替代方法在相同試驗條件下進行對比試驗：① 將KAN網絡替代第一個PointNet層的第一個MLP; ② 將KAN完全替代第一個PointNet層的MLP; ③ 將KAN網絡替代第二個PointNet層的第一個MLP; ④ 將KAN完全替代第二個PointNet層的MLP。

（2）添加DGSTD注意力機制。本文提出一種DGSTD新型注意力機制，并在PointNet ⁺⁺ 模型的第三個PointNet層中引入該注意力機制。該注意力機制將DGST[21]模塊與 DBB^[22] 模塊結合，結構如圖7所示。DGST采用 3：1 劃分策略，通過組卷積防止過擬合，并結合ShuffleNet V2^[23] 的通道重排技術促進組間特征信息交換，提高點云位置特征提取能力。而DBB模塊通過融合多尺度、多復雜度的分支，豐富特征空間并增強網絡性能。DGSTD利用DBB替代DGST中的 1×1 卷積，進一步加強模型的特征提取能力與魯棒性，使得模型更好地關注每個類別點云的位置信息，有效提高準確率。為證明本文所提DGSTD新型注意力機制能夠有效提升模型精度，分割性能優于其他主流注意力機制，本文在第三個PointNet層中以同樣方式分別加人CPCA[24]模塊、RepVGG[25]模塊、Shuffle-Attention[26]模塊、DGSTD 模塊4 種不同的注意力機制進行對比試驗。

（3）引入Varifocalloss損失函數。本研究引人Varifocalloss損失函數解決點云樣本不平衡問題。該損失函數是由Zhang等[27]在Focalloss[28]基礎上提出的。Focalloss的核心是通過動態縮放因子降低易區分樣本的權重，集中關注難區分樣本，從而緩解類別不平衡問題，其計算公式如式（1）。

式中， p_t 是對樣本真實類別t的預測概率，如果樣本是正類， p_t=p ，如果是負類，則 p_t=1-p ，如式（2）； α_t 是平衡因子； γ 是調節因子。

但FocalLoss對正負樣本的權重調整方式相同，未考慮分布差異。VarifocalLoss針對此問題進行改進，引入自適應權重機制，可以根據樣本預測置信度動態調整權重，并通過變焦機制靈活處理正負樣本關系，使損失函數更精準高效，從而進一步提高模型的分割性能，其計算公式如式（3）。

VFL（p_t，y_t）=-y_t（p_t^γ）log（p_t）-（1-y_t）（p_t^γ）log（1-p_t）

式中， p_t 與FocalLoss中相同； y_t 是目標標簽的置信度值，通常在0＼～1之間； γ 是調節因子。

本文所提改進模型KDV-PointNet ⁺⁺ 將KAN網絡完全替代第一個PointNet層的MLP，在第三個PointNet層中嵌人DGSTD注意力機制，此外還引人Varifocalloss損失函數。為了探究所提三種改進方式的組合效應和相互影響，本文設計8組試驗進行消融試驗，即對移除所有改進的模型、移除兩個改進的模型、移除單個改進的模型和保留全部改進的模型進行試驗。

為了驗證本文所提改進模型的有效性，利用煙草點云分割數據集對改進模型與當前主流點云語義分割模型即PointNet、Ssg-PointNet++、PointNet++、RandLA-Net[29]、D1-PointNet ₊₊[30] 模型、Scale-Point-Net+Δ^[31] 模型進行對比試驗。

1.2.3模型環境與評價指標（1）訓練環境。模型訓練及測試在ubuntu20.04系統下進行，Python版本為3.8，采用Pytorch1.11.0深度學習框架，詳細數據如表1。訓練時，輸入點云數量設置為45000，模型訓練輪次為200，初始學習率為0.001，批量大小為4，并使用點云法向量參與訓練。

（2）模型評價指標。本文主要從準確率（Accuracy）和平均交并比（MeanIntersectionoverUnion，mIoU）[32]兩個方面評價網絡性能。Accuracy是指在全部預測中，正確預測結果所占的比例。mIoU表示模型對每個類別的預測結果與真實值的交集與并集的比值，并對所有類別的比值進行求和后取平均，它綜合反映了模型在各個類別上的平均表現。Accuracy和mloU的計算公式如式（4）＼～（5）。

式中， TP 表示預測值和真實值均為正樣本；TN表示預測值和真實值均為負樣本； FP 表示預測值為正樣本，但真實值為負樣本； FN 表示預測值為負樣本，真實值為正樣本； k 為點云類別數。

1.3 基于Meanshift的葉片計數方法

分割得到煙株葉片點云后，利用Meanshift點云聚類算法對葉片點云進行聚類以實現葉片數的統計。MeanShift是一種基于密度的非參數聚類算法，其核心思想是通過不斷移動數據點（或質心）到密度最高的區域，從而識別出數據聚類中心。假設有 n 個數據點，每個數據點為 d 維向量。該算法具體步驟如下：

（1）選擇合適的核函數帶寬參數 h O（2）初始化數據點位置，即將每個數據點初始化為當前位置。（3）對每個點計算MeanShift法向量 m（x） ，計算公式如式（6）＼～（7）。

式中， x 為當前點的位置； x_i 為 x 鄰域點集中的點； h 為帶寬，它控制了搜索鄰域的大小； N 為點 x 鄰域內所有點組成的點集； K（x_i-x） 為高斯核函數。

（4）根據MeanShift向量更新點的位置，計算公式如式（8）。

x_new=x+m（x）

重復這一過程，直至 x 收斂，即偏移向量m（x） 足夠小或達到指定迭代次數。

（5）所有點收斂后，將收斂到同一位置的點歸為同一個簇。

由于不同核函數帶寬參數對聚類結果有較大影響，為了選取最優帶寬參數和驗證計數方法的可行性，本文對230株煙草植株點云進行了KDV-PointNet ⁺⁺ 點云分割，并采用帶寬為0.046、0.0465、0.047、0.0475、0.048、0.0485的MeanShift聚類算法進行葉片計數試驗。

2結果

2.1不同KAN網絡代替位置對比試驗

將KAN網絡替代第一個PointNet層的第一個MLP，記為Model_1；將KAN完全替代第一個PointNet層的MLP，記為Model_2；按照同樣的兩種方式替代第二個PointNet層，分別記為Model_3和Model_4；進行對比試驗。結果表明（表2），Model_2準確率為 92.21% ，平均交并比為 75.6% ：與原始模型相比，準確率提高1.72百分點，mIoU提高2.08百分點；與Model_1相比，準確率提高1.63百分點，mIoU提高4.59百分點；與Model_3相比，準確率提高1.04百分點，mIoU提高2.92百分點；與Model_4相比，準確率提高1.83百分點，mIoU提高5.11百分點。綜上，Model_2優于其他三種代替方式，能夠較好地增強模型持續學習能力。

2.2注意力機制對比試驗

注意力機制對比試驗結果表明（表3），添加了DGSTD模塊的PointNet ⁺⁺ 準確率為 92.05% ，平均交并比為 74.86% ；與原始模型相比，準確率提高1.56百分點，mIoU提高1.34百分點；與CPCA、RepVGG、ShuffleAttention模塊相比，準確率分別提高1.01、0.48、0.28百分點，mIoU分別提高2.13、1.06、0.43百分點。綜上，DGSTD點云分割效果優于其余三種注意力機制。

2.3 消融試驗

消融試驗結果表明（表4），在未加載KAN網絡和未添加DGSTD注意力機制情況下，引入Varifocalloss，準確率較原始模型提高1.26百分點，mIoU提高1.24百分點；由圖8可知，加入損失函數后模型收斂更快。

由表4可知，在未加載KAN網絡情況下，加入DGSTD與Varifocalloss，較只加人DGSTD，準確率下降0.01百分點，但mIoU提升0.12百分點；其余加入多個改進的模型較只加入一種改進的模型準確率和平均交并比均有不同程度的提升；如圖9＼～10所示，與原始模型PointNet ⁺⁺ 相比，本研究構建的KDV-PointNet ++ 模型準確率提高2.06百分點，mIoU提高2.81百分點，經過改進的模型在點云分割精度上更高。

2.4不同點云分割模型對比試驗

不同點云分割模型對比試驗結果表明（表5），本文模型與PointNet、Ssg-PointNet++、PointNet++、RandLA-Net、Dl-PointNet ⁺⁺ 模型、Scale-PointNet ⁺⁺ 模型相比，準確率分別提高17.22、2.83、2.06、1.03、0.32、0.5百分點，mIoU分別提高41.73、6.88、2.81、2.47、0.42、0.87百分點。綜合來看，KDV-PointNet ⁺⁺ 較其他模型能夠實現更高精度的點云分割，具有更好的分割精度。

2.5計數結果驗證

由表6可知，當帶寬為0.0475時，本文所提方法葉片計數精確率最高，可達 94.35% ，能夠較好地實現大田煙株葉片數估計。

3討論

基礎的PointNet ⁺⁺ 點云分割模型在處理密度不均點云時會導致信息丟失，對點云中遮擋或缺失的點較為敏感，影響模型分割性能。因此需要對基礎PointNet ⁺⁺ 網絡模型進行針對性改進，從而提高模型分割精度。本文針對煙株點云存在的重疊、缺失、分布不均勻和訓練樣本比例失衡等問題，通過將MLP網絡替換為KAN網絡、添加DGSTD注意力機制和更換Varifocalloss損失函數對原始PointNet ⁺⁺ 模型進行改進，并將其與原始PointNet++模型和其他五種分割模型進行對比，結果表明本研究構建的模型KDV-PointNet ⁺⁺ 分割性能最優，改進后的模型能夠進一步增強模型的學習能力和對不同類別點云的特征提取能力，更快地將關注點集中在難以區分的樣本點上，從而提高模型的分割精度。

本研究將3種改進方法應用于基礎PointNe ⁺⁺ 網絡中，并進行對比試驗。在不同位置上對MLP網絡進行替換時，用KAN完全替代第一個Point-Net層的MLP效果要優于其余3種嵌入方式，因為傳統MLP部分會限制上下文關系的傳遞能力，無法充分挖掘點云的結構化信息；僅用KAN替代MLP的某一部分，可能導致網絡內部特征表達的不一致，影響模型分割性能。此外，本研究發現建模后的葉片點云和建模雜亂點云位置特征相似，容易引起混亂，導致模型難以區分點云類別，因此模型需要更加關注每個類別點的位置信息，增強對兩類點云的特征識別能力。為此，本研究選擇添加注意力機制進行改進，試驗結果表明，添加DGSTD注意力機制后模型性能最好，這是由于DGSTD是結合了動態圖構建和空間-時間維度的注意力機制，它可以根據點云或時序數據構建鄰域（動態圖），并在訓練過程中根據每個點的幾何分布和位置自適應調整鄰域范圍，從而增強對每個點幾何位置的理解。研究還發現點云中葉片點云比例較大，其余3種類別點云比例較小，點云樣本比例嚴重失衡，因此，本研究添加Varifocalloss以解決點云樣本比例失衡問題。試驗結果表明，添加該損失函數后的模型性能有了進一步提升，原因是基礎PointNet網絡的損失函數沒有特定機制去動態調整樣本權重，容易忽略對困難樣本的優化，Varifocalloss設計了樣本權重調整機制，基于預測的置信度動態調整樣本的重要性，解決了樣本類別不均衡的問題。改進后的模型分割準確率達到 92.55% ，較原始模型提高2.06百分點，葉片計數精確率達 94.35% 。

目前大田植株葉片計數方法大都局限于二維空間內，遮擋較為嚴重時無法實現準確計數，本文所提方法能夠在三維空間內進行葉片計數，有效解決葉片遮擋問題，改進后的模型提高了大田煙株葉片計數結果的準確性。但本文方法仍存在一些局限性，例如三維建模精度較低會影響模型點云分割精度，葉片遮擋過于嚴重會導致計數不準。接下來需進一步改進相關方法，如對無人機飛行路線進行合理規劃，采集質量更高的植株圖像進而提高三維建模精度，更換模型改進方式以提高對遮擋葉片的分割精度等，從而實現更高精度的葉片計數。

4結論

本文以大田煙株為研究對象，提出了一種結合三維點云和改進PointNe ⁺⁺ 的大田煙株葉片計數方法。針對單個煙株范圍內不同類別點云的分割和PointNet ⁺⁺ 存在的不足，應用KAN網絡代替傳統MLP網絡，增強模型學習能力；添加DGSTD注意力機制，有效提高點云分割精度；引入Varifocalloss損失函數解決各類別點云樣本比例不平衡問題。改進后的KDV-PointNet ⁺⁺ 模型，準確率達 92.55% 平均交并比達 76.33% ，遠高于PointNet ⁺⁺ 的分割效果；煙株葉片計數精確率達 94.35% ，實現了大田煙株葉片的計數，為煙草農業數字化、智能化生長監測和產量預估提供數據支撐和技術支持。

參考文獻

[1] 母婷婷，肖孟宇，林徐亮，等.炭基生物餅肥對土壤理化性狀及 煙草產質量的影響[J].湖南農業科學，2023（3）：50-54. MUTT，XIAOMY，LINXL，etal.Effectsofbiochar-substrate cake fertilizer on soil physicochemical properties and tobacco yield and quality[J].Hunan Agricultural Sciences，2023（3）：50-54.

[2] 王春穎，泮瑋婷，李祥，等.基于ST-LSTM的植物生長發育預 測模型[J].農業機械學報，2022，53（6）：250-258. WANG CY，PANWT，LIX，etal.Plant growthanddevelopment predictionmodel basedon ST-LSTM[J].Transactionsof theChinese Society for AgriculturalMachinery，2022，53（6）： 250-258.

[3] 侯依廷，饒元，宋賀，等.復雜大田場景下基于改進YOLOv8的 小麥幼苗期葉片數快速檢測方法[J].智慧農業（中英文），2024， 6（4）：128-137. HOUYT，RAOY，SONGH，etal.Arapiddetectionmethodfor wheat seedling leaf numberin complex field scenarios based on improvedYOLOv8[J].SmartAgriculture，2024， 6（4）：128-137.

[4] KOLHAR S，JAGTAP J. Leaf segmentation and counting forphenotyping of rosette plants using Xception-style U-Net and watershed algorithm[C]// Computer Vision and Image Processing. Cham：Springer International Publishing，2022：139-150.

[5] 鄒龍，王以松，魏昆鵬，等.LU-ReNet植物葉片分割與計數模 型[J].計算機工程與設計，2022，43（2）：553-559. ZOUL，WANGYS，WEIK P，etal.LU-ReNetplantleaf segmentation and counting model[J].Computer Engineering and Design，2022，43（2）：553-559.

[6] 謝源，苗玉彬，張舒.基于空洞全卷積網絡的葉片分割算法[J].現 代計算機，2020，26（6）：88-92. XIEY，MIAO Y B， ZHANG S.Leaf segmentation based on fully convolutional network with dilation[J].Modern Computer，2020， 26（6）： 88-92.

[7] 曾安，羅琳，潘丹，等.基于三維點云的植物多任務分割網絡[J]. 農業工程學報，2023，39（12）：132-140. ZENG A，LUOL，PAN D， etal.Multi-task segmentation network for the plant on 3D point cloud[J]. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（12）： 132-140.

[8] 胡春華，劉炫，計銘杰，等.基于SegNet與三維點云聚類的大田 楊樹苗葉片分割方法[J].農業機械學報，2022，53（6）：259-264. HUCH，LIUX，JIMJ，etal.Singlepoplarleafsegmentation method based on SegNet and 3D point cloud clustering in field[J]. Transactions of the Chinese Society for Agricultural Machinery， 2022，53（6）：259-264.

[9] ELNASHEFB，FILINS，LATIRN.Tensor-based classificationand segmentation of three-dimensional point clouds for organ-level plant phenotyping and growth analysis[J].Computers and Electronicsin Agriculture，2019，156：51-61.

[10]LIURP，RENL S，WANGF.3D point cloud of single tree branches and leaves semantic segmentation based on modified PointNet network[J].Journal of Physics： Conference Series，2021，2074（1）： 012026.

[11]HAO HY，WU S，LIYK， et al. Automatic acquisition， analysis and wiltingmeasurement of cotton 3D phenotype basedonpoint cloud[J]. Biosystems Engineering，2024，239：173-189.

[12]COMANICIU D， MEER P.Mean shift： A robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）：603-619.

[13]楊繼周，謝新喬，朱安琪，等.玉溪烤煙氣候適宜性分析的方法 研究[J].云南農業大學學報（自然科學），2021，36（5）：832-840. YANGJZ， XIE XQ， ZHU A Q， etal. Study on the method of climate suitabilityanalysisforflue-cured tobaccoinYuxi[J].Journal of Yunnan Agricultural University （Natural Science）， 2021，36（5）： 832-840.

[14]徐航煌，陳學永，馬偉平，等.基于無人機圖像顏色指數的松材 線蟲病識別方法研究[J].新余學院學報，2021，26（4）：11-16. XUHH，CHEN XY，MAWP，et al.Research onrecognition method of pine wilt disease based on UAV image color index[J]. Journal ofXinyu University，2021，26（4）：11-16.

[15]崔曉冬，沈蔚，帥晨甫，等.多波束點云濾波算法初步研究及適 用性分析[J].海洋測繪，2021，41（5）：12-16. CUI XD，SHEN W，SHUAI C F， et al. Preliminary research and application analysis ofmulti-beam point cloud filteringalgorithm[J]. Hydrographic Surveying and Charting，2021，41（5）： 12-16.

[16]CHANG A X， FUNKHOUSER T，GUIBAS L， et al. ShapeNet： An information-rich 3D model repository[EB/OL].2015：1512.03012. https：//doi.0rg/10.48550/arXiv.1512.03012.

[17]QICR，YIL，SUH，etal.PointNet++：Deep hierarchical feature learning on point sets in a metric space[EB/OL]. 20l7：1706.02413. https：//arxiv.org/abs/1706.02413v1.

[18]CHARLESR Q， HAO S，MO K C， et al.PointNet： Deep learning on point sets for 3D classification and segmentation[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Honolulu.IEEE，2017：77-85.

[19]LIU Z M， WANG Y X， SACHIN V et al. KAN： Kolmogorov-arnold networks[EB/OL].2024： 2404.19756.https：//doi.org/10.48550/arXiv. 2404.19756.

[20]TOLSTIKHIN I， HOULSBY N，KOLESNIKOV A， et al. MLPmixer：anall-MLP architecture for vision[EB/OL].2021：2105.01601. https：//do1.0rg/10.48550/arX1v.2105.01601.

[21]GONG W K.Lightweight object detection： A study based on YOLOv7 integrated with ShuffleNetv2 and vision transformer [EB/OL].2024：2403.01736.https：//arxiv.0rg/abs/2403：01736v1.

[22]DING X H， ZHANG XY，HANJG， et al.Diverse branch block： Building a convolution as an inception-like unit[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Nashville.IEEE，2021：10881-10890.

[23] MA NN，ZHANG XY，ZHENGHT，et al. ShuffleNet V2： practical guidelines for efficient CNN architecture design[M]//Computer vision-ECCV 2018. Cham： Springer International Publishing，2018： 122-138.

[24]HUANG HJ， CHEN Z G， ZOU Y，et al. Channel prior convolutional attention for medical image segmentation[EB/OL].2023：2306.05196. https：//arxiv.org/abs/2306.05196v1.

[25]DING X H， ZHANG X Y， MA N N， et al. RepVGG： Making VGGstyle ConvNets great again[EB/OL]. 2021： 2101.03697. https：//arxiv. org/abs/2101.03697v3.

[26]YANG Q Z Y. SA-net： Shuffle attention for deep convolutional neuralnetworks[EB/OL].2021：2102.00240.https：//arxiv.org/abs/ 2102.00240v1.

[27]ZHANG H Y，WANG Y，DAYOUB F，et al. VarifocalNet： An IoUaware dense object detector[C]//2021 IEEE/CVF Conference on ComputerVisionand Pattern Recognition（CVPR），NashvilleIEEE， 2021：8510-8519.

[28]LIN TY， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection[J]. IEEE TransactionsonPattern Analysis and Machine Intelligence，2020，42（2）： 318-327.

[29]HUQY，YANG B，XIE LH，et al.RandLA-net： Efficient semantic segmentation of large-scale point clouds[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， SeattleIEEE，2020： 11108-11117.

[30]裴少通，孫海超，孫志周，等.基于DI-PointNet的變電站主設備 點云高精度語義分割方法[J/OL].電工技術學報，1-14[2024-09- 08]. https：//doi.org/10.19595/j.cnki.1000-6753.tces.240638. PEI ST，SUN H C SUN Z Z，et al.High-precision semantic segmentation method of point cloud of substation main equipment based on DI-PointNet[J/OL].Transactions of China Electrotechnical Society.2024：1-14[2024-09-08].https：//doi.org/10.19595/j.cnki.1000- 6753.tces.240638.

[31]胡曉宇.基于Scale-PointNet的語義建筑物立面結構提取方法[J] 科技與創新，2024（3）：88-90. HUXY. Semantic building facade structure extraction method based onScale-PointNet[J].Science and Technology amp; Innovation， 2024（3）： 88-90.

[32]徐婕，劉慧，沈躍，等.基于改進PointNet++模型的苗圃樹木點 云分類與分割[J].中國激光，2024，51（8）：0810001. XU J，LIU H， SHEN Y，et al.Point clouds classification and segmentation for nursery trees based on improved PointNet++ model[J]. Chinese Journal ofLasers，2024，51（8）： 0810001.