WS-CCNet：一种用于工件表面缺陷弱监督点云分割的中央通道网络

《Expert Systems with Applications》：WS-CCNet: A Central-Channel Network for Weakly Supervised Point Cloud Segmentation of Workpiece Surface Defects

　　

摘要

在工业应用中，基于点云的表面缺陷分割对于实现高精度的自动化检测与处理至关重要。目前大多数点云分割方法依赖于密集的点级标注，这在实际应用中会导致较高的标注成本。尽管人们对弱监督学习越来越感兴趣，但如何从稀疏标注中有效传播语义信息仍然是个挑战。我们提出了WS-CCNet，这是一种弱监督型中心通道网络，可用于精确分割铸件表面的突出缺陷。在WS-CCNet中，中心通道双注意力机制结合了以中心为引导的空间聚合与能够感知偏差的通道增强功能，从而在稀疏监督条件下实现更具区分度的特征传播。此外，还引入了几何感知位置编码模块，将该模块将多级几何信息融入注意力机制中，以提高对细微突出缺陷的敏感度。同时，还采用了基于dropout的正则化策略作为轻量级的辅助约束，以在随机扰动下保持预测的一致性。在工件数据集上的实验结果表明，WS-CCNet在稀疏监督条件下的表面缺陷分割性能显著优于现有方法，而在ShapeNetPart、S3DIS和SemanticKITTI等基准测试上的表现也显示出其良好的通用性。

引言

铸件被广泛用于流体输送系统及化学工艺设备中（Reda, Shahin, & Montague, 2025）。在铸造过程中，设备不稳定以及温度波动可能导致表面出现突出缺陷，这类缺陷通常体积小、分布稀疏且形状不规则，从而降低产品质量与生产效率（Gao, Du, Li, & Dong, 2019）。传统上，这些缺陷是通过手工磨削来去除的，但这种方法效率低下、劳动强度大，难以满足现代智能制造的要求（Fu, Li, & Liu, 2025；Wan等人，2021）。为克服这些弊端，机器人表面磨削已成为自动去除缺陷的重要解决方案（Wang, Song, Wang, Chen, & Sun, 2022）。要准确识别缺陷的位置、范围及其几何特征，对于缺陷定位、磨削路径规划以及去除质量控制而言至关重要（Li, Wang, & Liu, 2023；Xiao, Xu, Hou, Chen, & Chen, 2021）。因此，高精度的点云分割是提取缺陷区域并支持可靠自动磨削的关键步骤。

先前的研究（Gu等人，2022；Jovan?evi?等人，2017；Li, Jin, & Paquit, 2021）已经证明了基于点云的缺陷分割在实际应用中的有效性，而深度学习的最新进展进一步推动了该领域的发展。受PointNet（Qi, Su, Mo, & Guibas, 2017a）的启发，后续方法（Hu等人，2020；Jiang等人，2019；Qi, Yi, Su, & Guibas, 2017b；Su, Chen, & Wang, 2025）通过直接处理原始3D点来提升分割性能。最近，Transformer架构也被引入到点云处理中（Zhao, Jiang, Jia, Torr, & Koltun, 2021），通过双重自注意力机制（Lu, Gao, Xie, Xu, & Li, 2024）以及跨注意力机制（Han, He, Chen, & Xiao, 2022）增强了特征建模能力。然而，这些方法通常需要密集的点级标注，相比稀疏的点级或物体级标注，其工作量要大得多。在工业工件表面缺陷分割中，这一问题更为突出，因为标注人员需要从多个视角查看点云，界定缺陷区域，并将稀疏的缺陷点与大量正常点区分开来（Liu等人，2023）。随着数据集规模和点云规模的增加，密集标注的高成本限制了完全监督方法在工业缺陷检测中的实际应用。

为了减少对密集点级标注的依赖，弱监督点云分割越来越受到关注。现有方法主要采用伪标注、一致性正则化以及对比学习技术（Kweon, Kim, & Yoon, 2024；Li等人，2022；Wang, Zhao, & Xia, 2025b；Xu & Lee, 2020；Zhang, Li, & Zhang, 2025），但将其应用于工业缺陷分割仍面临诸多挑战。伪标注方法（Kweon等人，2024）通过为未标记点分配标签来扩展监督范围，但这类方法对初始预测的噪声较为敏感，且在缺陷区域稀疏时可能会引入错误的监督信息。基于一致性的方法（Xu & Lee, 2020；Zhang等人，2025）虽能在扰动条件下提高预测稳定性，但往往需要多分支架构或多次前向传播，这会增加大规模点云训练时的开销。基于对比学习的方法（Li等人，2022）通过构建样本对来增强特征区分度，但在稀疏监督条件下，尤其是当有标签的缺陷点极为有限时，构建可靠的样本对十分困难。因此，需要一种更有效的策略来在工业缺陷分割中实现稀疏监督信息的传播。

最近的一些研究（Hu等人，2022；Tran, Le, Lee, & Kwon, 2024；Zhang & Bi, 2024）探讨了点云网络中在稀疏监督条件下的特征传播问题。具体而言，SQN（Hu等人，2022）和DR-Net（Zhang & Bi, 2024）通过以质心为驱动的查询来传播语义信息，而PointCT（Tran等人，2024）则通过建模中心邻域之间的相互作用来提升未标记点的表示能力。这些方法在一般点云分割任务中效果良好，因为这类任务中的语义区域通常较大且易于区分。然而，工业表面的缺陷往往体积小、分布稀疏且局部特征较为细微，因此在标注较少的情况下，特征传播的可靠性较低。对于这类缺陷，关键在于如何在将稀疏监督信息传播到未标记点的同时，保留来自可靠邻域的、对缺陷敏感的局部特征。现有方法主要依赖空间邻域相互作用，而通道级的缺陷区分则是间接学习的（Tran等人，2024）。此外，它们的几何建模方式也没有针对突出缺陷的局部几何特征进行专门设计（Hu等人，2022；Zhang & Bi, 2024）。

基于以上分析，我们提出了WS-CCNet，用于在弱监督条件下对工件表面缺陷进行分割。WS-CCNet采用了一种以中心为引导的局部偏差传播策略，在稀疏监督条件下同时考虑邻域的可靠性以及局部缺陷特征的区分度。具体来说，所提出的中心通道双注意力机制利用以中心为引导的空间权重，聚合经过偏差调整的通道调制后的邻域特征，从而更有选择地传播对缺陷敏感的信息。几何感知位置编码模块则进一步将位置、方向以及曲率信息纳入注意力计算中，以提高对工件表面局部几何变化的敏感度。此外，该方法还采用了基于dropout的轻量级一致性约束，以在训练过程中保持预测的稳定性。

我们的主要贡献可总结如下：

• •
  我们提出了WS-CCNet，这是一种基于弱监督的中心通道框架，可用于工业工件点云上的缺陷分割，该框架能够在稀疏标注条件下提升分割精度，同时还采用了轻量级的辅助一致性约束作为正则化手段。
• •
  我们提出了中心通道双注意力机制，用于实现以中心为引导的局部偏差传播，其中中心增强型注意力机制能够捕捉邻域的可靠性，而基于偏差的通道注意力机制则能增强对缺陷敏感的通道响应。
• •
  我们设计了几何感知位置编码模块，该模块能够明确编码多级几何属性，从而更好地表征复杂的表面结构以及细微的突出缺陷。
• •
  在工件数据集上进行的大量实验验证了WS-CCNet在稀疏监督条件下进行缺陷分割的有效性，而在ShapeNetPart、S3DIS和SemanticKITTI等基准测试上的表现也表明了其在点云分割任务中的较强竞争力。

章节节选

完全监督下的点云分割

得益于深度学习的最新进展，点云语义分割技术发展迅速。现有的完全监督方法大致可分为基于投影的方法（Feng, Zhang, Zhao, Ji, & Gao, 2018；Song, Zhang, Zhao, & Liu, 2022；Su, Maji, Kalogerakis, & Learned-Miller, 2015；Wu, Wan, Yue, & Keutzer, 2018；Xu等人，2020）以及基于体素的方法（Graham, Engelcke, & van der Maaten, 2018；Maturana & Scherer, 2015；Meng, Gao, Lai, & Manocha, 2019；Park, Kim, Kim, & Jo, 2023）。

方法

在本节中，我们将介绍WS-CCNet，这是一种用于工件表面缺陷分割的弱监督框架。首先会概述该框架的整体结构，接着介绍核心组件，包括CCDA机制和GAPE模块。最后还会说明一致性正则化策略以及相关的损失函数。

实验

在本节中，我们首先在工业铸件工件数据集¹上评估所提出的方法，以此判断其在表面突出缺陷分割方面的有效性。随后，我们还在ShapeNetPart、S3DIS和SemanticKITTI等数据集上对WS-CCNet进行测试，以探究其在稀疏监督条件下的泛化能力。

讨论

在本节中，我们通过消融实验分析WS-CCNet中各个组件的作用。所有实验均在工件数据集1%标注率的条件下进行，结果会以mIoU的形式呈现，统计对象包括管道弯头、管道三通以及整个数据集。此外，我们还会评估WS-CCNet的稳健性与效率，并探讨该框架存在的局限性。

结论

在本文中，我们提出了WS-CCNet，这是一种用于工业工件表面突出缺陷细粒度分割的弱监督框架。通过将中心通道双注意力机制与多级几何感知位置编码相结合，该框架能够在稀疏标注条件下学习出更具区分度的特征表示。此外，我们还引入了辅助的一致性约束作为轻量级的训练正则化手段。实验结果表明

CRediT作者贡献声明

张启民：撰写——初稿撰写、概念构思、方法设计、软件实现、形式分析、研究实施、数据整理、结果可视化。王强：撰写——审阅与编辑、项目监督、项目管理、资源协调。刘佳轩：结果验证。金晶：资金获取。

利益冲突声明

作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：

金晶表示其研究得到了黑龙江省科技研究项目的资金支持。其他作者则声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

张启民|王强|刘佳轩|金晶