基于深度学习和解析算法的金属桁架结构自主导航表面分割方法研究

为解决金属桁架结构自主巡检中导航表面分割难题，研究人员结合解析算法（PCA、RANSAC）与深度学习模型（PointNet++、PointTransformerV3），开发了高效分割方法。实验表明PointTransformerV3模型mIoU达97%，解析算法内存占用仅0.09GB，为复杂基础设施维护提供了高精度、低成本的解决方案。

　　

金属桁架结构作为桥梁、输电塔等重大基础设施的核心组件，其维护检测长期依赖高危人工作业。尽管爬行机器人和无人机技术逐步应用，但复杂三维环境中的自主导航仍是行业痛点——现有研究多聚焦机械设计或缺陷识别，而忽略了对结构表面的智能分割这一关键前提。西班牙埃尔切米格尔埃尔南德斯大学（Universidad Miguel Hernández de Elche）的研究团队在《Computers in Biology and Medicine》发表创新成果，通过融合解析算法与前沿深度学习，实现了金属桁架结构的高效二元分割。

研究采用Gazebo仿真平台构建自动化标注数据集，开发了参数化桁架生成模块。关键技术包括：1）基于PCA和区域生长的解析算法，通过特征值评估（λ₁/λ₂比率）实现表面聚类；2）对比PointNet、PointNet++、MinkUNet34C和PointTransformerV3四种深度学习模型；3）引入ROC曲线优化分类阈值。

在"正交结构"和"交叉结构"测试中，解析算法的混合变体（Hybrid）取得84.32%平均mIoU，内存消耗仅0.09GB。而基于自注意力机制的PointTransformerV3表现最优，mIoU达98.31%，较次优模型提升2.33%。值得注意的是，仅用立方体训练数据即可泛化至复杂桁架，证明曲率特征（Curvature）对平面分割具有关键作用。

讨论部分强调，解析算法在资源受限场景优势显著，其参数可调性适合特定环境优化；而PointTransformerV3虽需24GB显存，但无需阈值估计且特征鲁棒，在新型结构识别中展现强大泛化能力。该研究为基础设施智能运维提供了两种互补方案：高效算法适合嵌入式部署，而Transformer模型更适应未知环境。未来可通过引入圆柱体基元优化训练集，并探索RGB-D相机等低成本传感器的适配性。

这项工作的核心突破在于首次系统评估了不同范式在桁架分割中的权衡——解析方法以0.41ms的推理速度实现实时处理，而PointTransformerV3以97%的准确率设定了新标杆。正如作者指出，当面对悉尼港湾大桥这类超大型结构时，两种方法的协同应用或将开启自主巡检的新纪元。