综述：AI驱动的可穿戴传感器用于外科手术患者术后监测的系统评价

这篇综述系统评价了AI驱动可穿戴传感器在外科术后监测中的应用，重点探讨了深度学习（DL）与解析算法在三维点云分割中的性能对比，提出PointTransformerV3模型达到97% mIoU（Mean Intersection Over Union），为爬行机器人自主导航提供新范式。

　　

引言

晶格结构因其高强度重量比成为现代基础设施的核心组件，但其金属特性和高空作业环境使人工检测面临高风险。本文提出结合AI与机器人技术，通过深度学习和解析算法实现结构自主分割，为基础设施维护提供新思路。

相关研究进展

当前研究多集中于机械设计或视觉缺陷检测（如Structural Health Monitoring, SHM），而自主导航研究稀缺。对比无人机与爬行机器人：前者部署快但易受空间限制，后者稳定性强但依赖精确环境建模。LiDAR传感器因高精度（±0.03m）和长测距（0.5-100m）成为首选，但其海量数据需通过体素滤波和统计去噪预处理。

方法论创新

深度学习模型：

• PointNet++：通过层级特征提取解决邻域信息缺失问题，但训练耗时较长。

• MinkUNet34C：采用稀疏3D卷积降低计算成本，体素尺寸需适配场景（0.05-0.15m）。

• PointTransformerV3：基于自注意力机制（Transformer），利用空间填充曲线（Z-order/Hilbert）实现97% mIoU，但需24GB显存。

解析算法：

提出两阶段分割：

1. 粗分割：RANSAC算法拟合地面平面（阈值0.5-1m）；

2. 精分割：区域生长法结合PCA特征值评估，混合模式（Hybrid）在交叉结构中达87.14% mIoU。

实验验证

数据集通过Gazebo插件自动生成，模拟Ouster OS1 LiDAR（128通道，45°垂直视场）。关键发现：

• 输入特征：曲率（Curvature）作为特征时性能最佳，较纯坐标输入提升20% mIoU；

• 阈值选择：ROC曲线比PR曲线更鲁棒，平均提升12%分割精度；

• 资源效率：解析算法仅需0.09GB内存，而PointTransformerV3需16.18GB，凸显轻量化优势。

应用前景与局限

尽管深度学习在复杂结构分割中表现优异（如^图10中屋顶与横梁区分），但其"黑箱"特性导致结果不可解释性（如^图11相似输入差异）。未来可拓展至RGB-D相机等低成本传感器，并开发基于面标注的实例分割方法，构建轻量化参数化地图。

结论

本研究为基础设施自主检测提供双轨解决方案：解析算法适合资源受限场景，而PointTransformerV3在精度上突破97% mIoU。选择需权衡效率（212ms vs 599ms延迟）与任务需求，为后续三维建模与路径规划奠定基础。