PointRAFT：基于部分点云的3D深度学习高通量预测马铃薯块茎重量
计算机视觉与模式识别
2026-01-01 v1 人工智能
摘要
马铃薯产量是优化农业种植实践的关键指标。收割机可使用RGB-D相机估计马铃薯产量，该相机捕获沿传送带移动的单个块茎的三维（3D）信息。然而，从RGB-D图像重建的点云由于自遮挡而不完整，导致块茎重量的系统性低估。为解决这一问题，我们提出了PointRAFT，一种高通量点云回归网络，可直接从部分点云预测连续的三维形状属性，如块茎重量。与重建完整三维几何不同，PointRAFT直接从原始三维数据推断目标值。其关键架构创新是一种物体高度嵌入，将块茎高度作为额外的几何线索纳入，在实际收获条件下改善了重量预测。PointRAFT在来自日本一台运行中收割机的859个块茎、四个品种和三个生长季节的26,688个部分点云上进行了训练和评估。在来自172个块茎的5,254个点云的测试集上，PointRAFT实现了12.0克的平均绝对误差和17.2克的均方根误差，显著优于线性回归基线和标准PointNet++回归网络。PointRAFT的平均推理时间为每个点云6.3毫秒，支持每秒处理多达150个块茎，满足商业马铃薯收割机的高吞吐量要求。除了马铃薯重量估计外，PointRAFT提供了一个适用于广泛三维表型分析和机器人感知任务的通用回归网络。代码、网络权重和部分数据集可在https://github.com/pieterblok/pointraft.git公开获取。
引用
@article{arxiv.2512.24193,
title = {PointRAFT: 3D deep learning for high-throughput prediction of potato tuber weight from partial point clouds},
author = {Pieter M. Blok and Haozhou Wang and Hyun Kwon Suh and Peicheng Wang and James Burridge and Wei Guo},
journal= {arXiv preprint arXiv:2512.24193},
year = {2026}
}
备注
14 pages, 7 figures, 3 tables