摘要：受地下工井空间狭窄、环境复杂的影响,采集的工井点云数据存在空间分布不规则且不均匀、数据量大、难以实现多目标高效的语义分割等问题。有鉴于此,本文提出了一种基于PointNet++的工井点云语义分割方法。首先,采集地下工井点云数据并加入语义标签,制作模型训练需要的数据集;其次,为提高点云分割任务的性能,引入一种基于深度学习的PointNet++网络模型,并利用多分辨率分组(multi-scalegrouping,MSG)和随机输入(random inputdropout,DP)策略,实现了地下工井地面、顶、爬梯、墙、电缆线和支架的语义分割;最后,采用精确度、召回率、交并比和F1分数作为评价指标对分割效果进行评价。结果表明,与PointNet网络模型相比,本文方法各类别的评价指标均得到了显著的提升,并且地下工井地面、井顶、井墙和电缆线等类别的评价指标均超过80%,显示分割性能良好,有利于地下电缆工井场景的多目标快速精准分割,为地下工程精细化管理奠定了基础。