通过空间上下文约束解决长尾分布下基于TLS的工业MEP点云分割中共享基元歧义问题

《ADVANCED ENGINEERING INFORMATICS》：Resolving primitive-sharing ambiguity in long-tailed TLS-based industrial MEP point cloud segmentation via spatial context constraints

　　•定义了基于TLS的MEP场景中的双重危机：215：1的不平衡、几何歧义性。
•提出了基于工程知识约束的边界类平衡（Boundary-CB）和密度类平衡（Density-CB）约束。
•通过直观的隐喻和数学可视化来解释这两种约束。
•在Industrial3D数据集上实现了55.74%的mIoU，尾部类别性能提升了21.7%。
•将减压器的IoU从0%提升至21.12%；阀门的IoU相对提升了24.3%。

引言
工业设施的机电管道系统（MEP）的数字孪生建设需要精确的3D点云语义分割（PCSS）来提取功能组件信息[1]，[2]。然而，当前方法在诸如阀门和减压器等安全关键组件上系统性失败。这些失败的原因有两个：这类组件在训练数据中罕见，且它们与管道等主导结构共享相同的局部几何特征。我们识别出基于地面激光扫描（TLS）的工业MEP点云中的一个特定挑战：“双重危机”，即极端类别不平衡（215：1比例）与头部和尾部类别之间因基本图元共享导致的几何歧义性相互叠加。

这种双重危机影响实际工程应用。数字孪生建设、设施管理和决策支持系统依赖于自动化知识提取[3]，[4]，[5]，[6]，[7]。虽然3D采集技术（LiDAR、摄影测量）能很好地捕获几何数据，但提取语义知识——识别阀门和泵等功能组件——仍然困难[8]，[9]，[10]，[11]，[12]，[13]。点云语义分割（PCSS）将原始几何数据转换为结构化知识，用于预测性维护和安全监测[14]，[15]，[16]。当PCSS在安全关键组件上失败时，整个知识提取流程就会崩溃。

所提出的约束将工程知识直接编码到这一学习过程中。Boundary-CB反映了MEP装配拓扑先验：功能组件边界通常与几何图元过渡重合，例如管道到减压器和管道到阀门的接口。通过强调预测不确定的边界区域，模型学习定义工程装配拓扑的空间共现模式，而不是仅依赖类别频率。Density-CB反映了TLS采集物理特性：点密度随扫描距离、入射角和遮挡而变化，因此补偿网格下采样后的残余密度变化，将传感过程的知识注入损失调制中。

现代架构在具有中等类别不平衡的基准上表现良好，例如S3DIS [17]（按唯一标注点计数约65：1）和ScanNet [18]（20–30：1比例）。这些包括PointNet/PointNet++ [19]，[20]、Transformer [21]以及RandLA-Net [22]等轻量级设计。然而，本文研究的污水处理MEP场景提出了不同的挑战：极端类别不平衡（>200：1）与几何歧义性相结合，其中尾部类别与头部类别共享图元。图1直接比较了S3DIS和Industrial3D数据集。Industrial3D显示出约3.3倍的点数不平衡和显著更高的几何歧义性。在该基准上，标准模型在安全关键组件上失败。

基于频率的重加权方法解决了2D视觉中的极端不平衡问题。类别平衡（CB）损失[23]引入了“有效样本数”来形式化额外样本提供递减边际信息的概念。对于具有nc个样本的类别c，有效数为Ec=(1?βnc)/(1?β)，其中β控制信息重叠。这种形式化产生了天花板效应：对于大的nc，Ec趋于平缓。这防止了朴素逆频率方案的极端梯度，同时仍能增强稀有类别。

这种2D解决方案对基于TLS的MEP点云提出了一个问题：除了点计数之外，还有哪些因素影响类别的有效表示？CB损失均匀地对待所有样本。当几何上不同的对象（例如管道与减压器）共享相同的局部图元（圆柱体）时，这一假设失效。我们对Industrial3D数据集的分析揭示了一种结构模式：头部类别（梁、管道；占点的77%）主要是长而连续的结构，而尾部类别（每个低于3%的点）表现出几何异质性。尾部类别分为两类。图元相似性类别（例如弯头、减压器）在局部上与头部类别的管道无法区分。复合尾部类别（例如泵、阀门）是多部件组件，其各个部件与头部类别的图元共享几何结构。

为了解决这种几何歧义性，我们引入了使用邻域预测一致性来消除局部相似结构歧义的空间上下文约束。我们形式化了两个补充约束，扩展了类别平衡（CB）框架：Boundary-CB约束通过测量邻域熵自适应地强调模糊边界，而Density-CB约束则对扫描相关的密度变化进行归一化。两种约束都作用于损失级别，并且可以在不修改网络的情况下添加到其他点云流程中。

我们的贡献是：
•问题形式化：我们正式描述了基于TLS的污水处理MEP点云中的“双重危机”——极端统计不平衡（215：1）与几何歧义性叠加，其中大多数尾部类别与头部类别共享图元——并识别出尾部类别中的结构异质性（复合尾部与图元相似性）。
•空间上下文约束：我们引入了Boundary-CB，利用邻域预测一致性来消除共享图元带来的歧义性，以及Density-CB，补偿扫描相关的密度变化，建立了几何感知的长尾3D学习。
•可解释性分析：深度学习模型常被批评为掩盖其决策过程的黑盒。我们通过两种互补的可视化——直观隐喻（资源分配、邻域共识）和严格的数学基础——提供了全面的可解释性，使所提出的约束对研究者和从业者都具有透明性和可访问性。
•架构无关的集成：我们的约束作为即插即用模块运行，无需架构修改（本文使用ResPointNet++进行评估），能够集成到现有的MEP分割流程中。
•实证验证：在预定义的Industrial3D Area 6+12评估分割上，Boundary-CB实现了55.74%的mIoU和29.59%的尾部类别mIoU（相对提升21.7%），提高了安全关键组件的识别能力，同时保持了头部类别精度——避免了典型的头尾权衡。

本文组织如下：第2节回顾相关工作，第3节详细阐述我们提出的空间上下文约束，第4节展示实验验证，第5节讨论对工程信息学的意义，第6节总结。

章节片段
相关工作
我们回顾点云语义分割和长尾学习方法，以解释现有方法为何未能解决MEP点云中图元共享导致的几何歧义性。

方法
本节介绍我们用于解决长尾TLS MEP点云中几何歧义性的空间上下文约束。我们提出了两种架构无关的机制，通过纳入空间上下文扩展类别平衡框架：Boundary-CB约束用于通过邻域熵解决几何歧义性，以及Density-CB用于归一化扫描相关的密度变化。图2展示了这些空间上下文约束如何集成到标准点云流程中。

实验
本节评估空间上下文约束是否在预定义的Industrial3D分割上减少图元共享错误。我们介绍实验设置（第4.1节）、主要定量结果（第4.2节）、消融研究（第4.4节）和定性分析（第4.3节）。

讨论
本研究表明，空间上下文约束改善了长尾TLS污水处理MEP点云分割中几何歧义性的处理。通过引入邻域预测一致性作为约束机制，我们的方法在预定义的Industrial3D评估分割上，在保持头部类别性能的同时，在安全关键组件上取得了显著提升。这解决了阻碍实际部署的双重危机的一个方面。

结论
本研究解决了长尾TLS污水处理MEP点云分割中的几何歧义性问题，这是自动化知识提取和数字孪生建设的关键瓶颈。Industrial3D分析表明，仅基于频率的方法在此场景下不足：头部类别占点的77%，由长而连续的结构（如管道、梁和风管）主导，而尾部类别包括多部件装配（如阀门和泵）以及…（此处内容不完整）

CRediT作者贡献声明
Chao Yin：写作——审阅与编辑，写作——原稿准备，验证，软件，方法学，调查，形式分析，概念化。Qing Han：写作——审阅与编辑，调查，资金获取。Zhiwei Hou：写作——审阅与编辑，资金获取。Yue Liu：写作——审阅与编辑。Anjin Dai：写作——审阅与编辑。Hongda Hu：写作——审阅与编辑。Ji Yang：写作——审阅与编辑，监督，资金获取。Wei Yao：写作——审阅与编辑。

利益冲突声明
作者声明，他们已知没有可能影响本文所报告工作的竞争经济利益或个人关系。

致谢
本研究得到了中国博士后科学基金（资助号2023M740761）、湖南省自然科学基金（资助号2023JJ40098）、国家自然科学基金（No. 42471432、42301536和42271479）以及广东省科技计划项目（No. 2024B1212080002）的联合资助。

Chao Yin|Qing Han|Zhiwei Hou|Yue Liu|Anjin Dai|Hongda Hu|Ji Yang|Wei Yao