创建新的注释公共数据集对于帮助3D计算机视觉和机器学习的进步充分发挥其自动解读3D植物模型的潜力至关重要。在本文中，我们介绍了PLANesT-3D一个新的植物三维彩色点云注释数据集。PLANesT-3D由34个点云模型组成，代表了来自三个不同植物物种的34种植物：它们分别是辣椒、月季和红茶藨子。以"叶"和"茎"为单位的语义标签以及器官实例标签都是对完整点云人工标注的。作为额外贡献，SP-LSCnet是一种新型语义分割方法，它结合了无监督超级点提取和基于三维点的深度学习方法，并在新数据集上进行了评估。此外，还在PLANesT-3D的点云上测试了两个现有的深度神经网络架构PointNet++和RoseSegNet，以进行语义分割。

表1包含植物完整3D模型的公共数据集与本工作中介绍的PLANesT-3D数据集的比较

图1 231张辣椒植物图像（a）、240张月季植物图像（b）和177张红茶藨子植物图像（c）的估算的相机位置。还提供了辣椒（d）、月季（e）和红茶藨子（f）的样本图像

表2 用于重建 3D 植物点云的图像数量

图2 通过Agisoft Metashape Professional重建的月季植物（a）和红茶藨子植物（c）的原始点云。相应的点云图只包括目标植物的三维点，(b)为月季，(d)为红茶藨子

图3 PLANesT-3D数据集的三个模型，分别使用植物颜色（a）、置信度图（B）、语义标签（c）和实例标签（d）渲染

表3PLANesT-3D中点云的属性

图4 SP-LSCnet的流程图。输入点云首先经过超点提取程序。该过程涉及将3D点嵌入到2D中并将2D点划分为超点。一旦将超点分配映射到3D域，每个超点就独立地通过叶-茎分类网络。超点中的3D点都标记有网络预测的超点的全局类

图5 将CSM和RUM整合到PointNet++ 框架中：a)分类网络，L=1（第一层）的rL设为0.2，L=2（第二层）的rL设为0.4

表4 训练集和测试集的划分

表5 用于训练和测试的点子集的数量

表6 三种方法在PLANesT-3D数据集上的语义分割结果

图6 PointNet++、RoseSegNet 和 SP-LSCnet 对样本辣椒（a）、月季（b）和红茶藨子（c）植物的语义分割结果。第一列对应地面实况

图7 错误示例