基于多尺度特征学习的无人机点云农业场景三维语义建模与自主农机路径规划

为解决复杂农田环境中光照变化和特征遮挡导致的感知系统分割性能受限问题，研究人员提出了一种低成本无人机摄影测量框架LoGA-Net，通过融合RTK定位与多尺度注意力机制，实现了厘米级精度的农田三维语义地图构建，在八类农业目标分类中达到78.6% mIoU，较RandLA-Net提升5.9%，为无人农机路径规划提供了高精度环境感知基础。

　　

在精准农业快速发展的今天，自主农机的广泛应用仍受制于环境感知系统的瓶颈。农田场景中不规则的田埂边界、稀疏分布的灌溉设施以及植被遮挡等问题，导致传统基于LiDAR或可见光影像的方法难以满足无人农机路径规划的高精度需求。现有算法如PointNet++和RandLA-Net虽在室内外建模中表现优异，但面对农田特有的几何异质性和尺度变化时，常出现边界分割不完整、小目标漏检等问题。

针对这一挑战，上海某研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出名为LoGA-Net的创新框架。该工作通过DJI Phantom 4 RTK无人机采集31.9公顷农田的RGB影像，结合RTK-GNSS定位构建高精度点云，并开发了集成局部几何增强模块(LGFE)和全局上下文聚合模块(GCFA)的神经网络，最终实现农田场景78.6% mIoU的语义分割精度，显著提升了复杂农业环境下的特征识别能力。

关键技术包括：1) 基于距离衰减指数和包围盒特征的LGFE模块增强局部几何表达；2) 通过体积上下文先验的GCFA模块建模全局空间分布；3) 聚合分类模块(ACM)利用图结构整合邻域特征。实验采用批数据生成算法处理550万点云，并设计类别不平衡加权交叉熵损失函数优化小目标识别。

2.1.1 UAV-based data collection framework
通过飞行高度25-50米、70%重叠率的航拍设置，获取5472×3678像素影像，经SfM-MVS流程生成密集点云。

2.2.2 LGFE module
引入距离衰减指数φ_i,j=e^-r_i,j动态加权邻近点，结合最大包围盒尺寸υ_i,j={Δx,Δy,Δz}显式编码局部形态，使田埂边界分割IoU提升至88%。

2.2.3 GCFA module
通过局部体积Vol_i^local与全局体积比η_i缩放位置特征，解决尺度变化导致的干湿田混淆问题，使干田分类IoU达74.7%。

3.3.1 Experimental validation
在自建数据集上，LoGA-Net对建筑物、植被等关键类别IoU超90%，但灌溉设施(46.8%)等小目标仍有提升空间。Semantic3D基准测试中mIoU达72.4%，验证了泛化能力。

该研究的突破性在于：首次将体积上下文先验引入农田点云分割，通过η_i=Vol_i^local/Vol^global量化局部-全局空间关系，有效区分光谱相似的干湿农田。提出的ACM模块利用图注意力机制(G=)聚合邻域特征，使道路边界分割一致性提升12%。这项工作为无人农机全覆盖路径规划提供了可扩展的技术方案，其低成本RGB传感器方案相比多光谱或LiDAR更具推广价值，未来通过倾斜摄影弥补植被遮挡数据将进一步提升实用性。