用于智能矿山铲的记忆增强3D点云语义分割网络

3D操作环境的语义分割是智能矿山铲自主挖掘和装载操作的关键。然而，智能矿山铲的操作环境复杂性带来了挑战，包括场景目标的多样性和样本数量的不均匀。这导致3D语义分割的准确性低，降低了智能矿山铲的自主操作准确性。为了解决这些问题，本文提出了一种基于记忆增强和轻量级注意力机制的3D点云语义分割网络。该模型解决了样本数量不均衡的场景目标、关键特征提取不足导致语义分割准确性降低的问题，以及模型轻量级水平不足以降低部署能力的问题。首先，我们研究了记忆增强学习机制，为目标的关键语义特征建立了记忆模块。此外，我们针对样本数量不均衡造成的非主导目标点云特征遗忘问题进行了处理，提升了语义分割的准确性。随后，研究了通道注意力机制，建立了基于通道统计特征的注意力模块。通过调整特征权重，提高了关键特征表达的充分性，进一步改善了语义分割的准确性。最后，通过采用深度可分离卷积替代传统卷积来减少模型参数数量，从而研究轻量级机制。实验表明，所提方法能够提高3D场景中的语义分割准确性，并降低模型的复杂性。与实验对照方法相比，语义分割准确性平均提高了7.15%，这有助于提升智能矿山铲的自主操作准确性和安全性.