arXiv cs.AI· Pieter M. Blok, Haozhou Wang, Hyun Kwon Suh, Peicheng Wang, James Burridge, Wei Guo·· 10 小时前AI 评分22
PointRAFT：用 3D 深度学习从部分点云高通量预测马铃薯块茎重量
PointRAFT: 3D deep learning for high-throughput prediction of potato tuber weight from partial point clouds
AI 导读
PointRAFT 是一种点云回归网络，通过专用的高度嵌入引入相机与传送带固定距离提供的几何线索，从自遮挡导致的不完整点云中估计马铃薯块茎重量。在 859 个块茎、26,688 个点云（4 个品种、3 个生长季）上训练后，其在 5,254 个点云的测试集上取得 MAE 11.7 g、RMSE 17.1 g，优于六个无高度嵌入的点云回归网络。
正文 · AI 翻译
摘要：关键表型性状，如作物大小、体积和重量，可以从点云中进行非破坏性估计。然而在实践中，作物的点云通常由于自遮挡而不完整，导致估计这些性状时出现系统性误差。为克服这一局限，可以利用基于深度学习的回归网络直接从非完整点云中推断作物性状。然而，这些网络的表现可能欠佳，因为其预测未纳入作物的先验几何知识。此类几何知识在结构化场景中通常可得，例如在土豆收获机上，相机与传送带之间的固定距离使得块茎高度可从点云中推导出来。为利用这一几何线索，我们提出了 PointRAFT，一种高通量点云回归网络，通过专用的高度嵌入纳入对象高度。我们假设该高度嵌入能够改进基于部分点云的块茎重量估计。为验证这一假设，我们在运行中的收获机上采集了 859 个马铃薯块茎的 26,688 个点云，涵盖四个品种和三个生长季。在包含 172 个块茎的 5,254 个点云测试集上，PointRAFT 取得了 11.7 g 的平均绝对误差（MAE）和 17.1 g 的均方根误差（RMSE），优于六个不含高度嵌入的点云回归网络。PointRAFT 每个点云的预处理和推理仅需 6.3 ms，速度足以在商用马铃薯收获机上进行高通量重量估计。除马铃薯重量估计外，PointRAFT 还提供了一个通用的回归网络，适用于广泛的 3D 表型分析和机器人感知任务。代码、网络权重及数据集的一个子集已在 此 https URL 公开。
| 评论： | 36 页，6 幅图，4 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2512.24193 [cs.CV] |
| （或 arXiv:2512.24193v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.24193 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pieter Blok [查看电子邮件]
[v1]
2025 年 12 月 30 日星期二 12:52:20 UTC（14,672 KB）
[v2]
2026 年 11 月 4 日星期三 13:12:58 UTC（15,051 KB）
来源：arXiv cs.AI · arxiv.org