当前位置：
发布日期 2026-03-12
浏览次数 南湖新闻网讯（通讯员 梁禹东辰）近日，明星换脸av 明星换脸av 田芳副教授团队在农业工程领域期刊《农业工程学报》发表题为“基于改进PointNet++和局部区域点云重叠的奶绵羊三维重构”的研究论文。该研究面向国家羊遗传改良计划的重大需求，针对真实养殖环境下奶绵羊体尺自动化测定面临的背景分割难、配准效率低等关键技术瓶颈，提出了一套融合改进深度学习网络与局部区域重叠策略的三维重构新方法，实现了表型参数的高精度、实时自动化测定。
奶绵羊表型的精准测定是解决种源“卡脖子”问题、推动遗传改良的关键。然而，传统的体尺测量依赖人工，效率低且主观误差大。现有的三维视觉技术虽有应用，但在面对复杂养殖环境时存在两大痛点：一是背景噪声多，导致点云分割精度不足；二是经典配准算法（如ICP、CPD）对初始位置高度敏感，往往需要分步进行粗配准和精配准，难以满足“一次性”快速重构的需求。
为解决上述问题，田芳副教授团队在中国甘肃省永昌县的大型商业化羊场进行了长达半年的数据采集，构建了多视角、全天候的奶绵羊点云数据集。在算法层面，团队首先提出了一种改进的PointNet++语义分割网络。针对原始网络在局部特征提取上的局限，研究引入了具有旋转不变性的点对特征（PPF），有效捕捉了点云的局部拓扑信息；同时，创新性地采用无放回随机采样（SWR）策略替代传统的FPS采样，将计算复杂度从O(N²)大幅降低至O(1)，在保证空间分布质量的同时显著提升了运算效率。此外，通过引入特征变换矩阵的正则化损失，进一步增强了模型对局部细节的关注能力。
在三维配准环节，研究打破了传统思维，提出将一致性点漂移（CPD）算法与“局部区域重叠”策略相结合。该方法利用相机视场角的几何关系估算点云重叠区域，无需手动或算法进行粗配准，即可直接通过局部重叠点云的精配准推导出全局变换矩阵。这一创新不仅克服了传统算法对初始位置敏感的缺陷，更实现了复杂场景下的高效、鲁棒配准。
试验数据表明，该方法展现出优异的性能：在背景分割任务中，改进模型的准确率达到98.78%，推理速度仅为53.4 ms，较原始模型提速45.17%；在三维配准任务中，各向异性旋转误差和平移误差较原始CPD方法分别降低了3.18倍和2.11倍。
为验证实际应用价值，团队将重构模型提取的体长、体高、胸围等关键参数与人工实测数据进行了对比。结果显示，各参数的平均绝对百分比误差（MAPE）控制在2.81%至3.63%之间，达到了毫米级测定标准。该研究成果兼具高精度与实时性，为解决复杂场景下家畜体尺自动化测定难题提供了新的技术范式，将有力支撑我国奶绵羊全生命周期的智能化管理与数字化育种。
论文第一作者为明星换脸av 博士研究生戴维娇，通讯作者为田芳副教授。
【摘要】针对奶绵羊三维重构中背景分割对复杂场景适应性不足、配准算法对初始位置敏感等问题，该研究提出一种融合改进PointNet++与一致性点漂移(coherent point drift, CPD)算法与局部区域重叠的三维重构方法。通过引入点对特征、优化采样策略及损失函数，增强了PointNet++在复杂场景下的分割能力；结合CPD算法与局部区域重叠策略，提升了点云配准的鲁棒性和效率。试验结果显示：该方法用于奶绵羊背景分割的准确率和平均交并比分别达到98.78%和97.25%，推理速度为53.4 ms；较原模型平均准确率和平均交并比分别提高了3.04和2.53个百分点，推理时间缩短了45.17%。该方法用于奶绵羊三维配准中，各向异性旋转误差、各向异性平移误差、各向同性旋转误差、各向同性平移误差以及倒角距离分别达到0.0256°、0.0229 m、3.0887°、0.0463 m和0.00789 m，较原始CPD方法均降低。通过与人工体尺测量数据对比，重构模型所提取的体长、体高、十字部高、胸深、胸围等参数的平均绝对百分比误差分别为3.34%、3.07%、3.32%、3.63%和2.81%。该研究方法兼具较高精度与实时性，能够满足一次性重构的需求，可为奶绵羊三维配准与智能化体尺测定提供参考。
审核：田芳
分享
