基于SC-YOLOv11的桥梁预应力波纹管视觉位姿检测方法研究

《Buildings》:Research on Visual Pose Detection Method for Bridge Prestressed Corrugated Pipes Using SC-YOLOv11

【字体: 大 中 小 】 时间:2026年08月07日 来源:Buildings 3.4

编辑推荐:

  基于图像的分析为审视室内环境设计提供了一种可扩展的途径,然而语义分割研究常止步于像素级识别,提供的面向设计的可量化信息有限。研究人员提出室内设计元素分割与空间量化框架(Interior Design Element Segmentation and Spati

  
基于图像的分析为审视室内环境设计提供了一种可扩展的途径,然而语义分割研究常止步于像素级识别,提供的面向设计的可量化信息有限。研究人员提出室内设计元素分割与空间量化框架(Interior Design Element Segmentation and Spatial Quantification Framework,IDESQ Framework),将室内场景图像转化为可测量的空间设计指标。基于ADEChallengeData2016构建了含八类场景的室内子集,并将原始ADE语义标签重映射为十二类室内环境设计元素类别。在相同标注体系下评估了U-Net、DeepLabv3+、PSPNet与SegFormer-B0,其中DeepLabv3+性能最优,内部测试集上平均交并比(mean Intersection over Union,mIoU)为0.494、像素精度(Pixel Accuracy,PA)为0.755、平均精度(Mean Accuracy)为0.661,独立ADE验证子集上mIoU为0.495。预测掩码进一步用于计算面积占比、家具密度、功能设施比、软装比、装饰物比、绿植比、视觉复杂度及空间分布特征。量化结果显示场景依赖性规律:走廊空间包络比高且视觉复杂度低,厨房与卫生间功能设施比更高,客厅装饰构成更丰富。真值-预测(Ground-truth–Prediction,GT–Pred)一致性分析表明场景级聚合可提升预测与真值指标间一致性,八项主指标皮尔逊相关系数为0.960。结果表明IDESQ可支持跨场景类型室内设计元素构成与空间模式的自动化、可解释比对。
研究背景方面,室内环境设计在传统分析中依赖人工观察、专家评价与问卷,难以规模化与复现;基于图像的建成环境研究多聚焦街景与外立面,普通室内场景图像在像素级设计元素分析上仍待探索。公开数据集如ADE20K提供通用场景解析标签,但未按室内环境设计逻辑组织,语义分割结果多止于mIoU等识别精度,未能转化为家具密度、功能设施比等可解释设计指标,存在从像素分割到定量设计解读的鸿沟。为此,研究人员开展一项将语义分割与空间设计量化衔接的研究,论文发表于《Buildings》。
关键技术方法上,研究人员基于ADEChallengeData2016选取卧室、客厅、厨房、卫生间、餐厅、办公室、会议室、走廊八类室内场景构建ADEIndoorDesignSubset,将原始150类重映射为十二类设计元素(空间包络、开口与流通、座椅家具、桌椅与工作界面、储物家具、寝具、厨房设施、卫生设施、软装、装饰物、绿植、照明与功能设备),未映射像素标255忽略。在同一十二类标注下从头训练U-Net、DeepLabv3+、PSPNet、SegFormer-B0(输入512×512,加权交叉熵,AdamW,余弦退火,80轮),选DeepLabv3+为最终分割组件(称IDESeg-Net);继而将掩码转为面积占比及八项高阶指标(含香农熵归一化视觉复杂度),并按图像级与场景级做GT-Pred一致性分析(MAE、RMSE、Pearson、Spearman、R2)。
研究结果部分,3.1节设计元素重映射与场景构成显示十二类覆盖有效像素99.02%,空间包络占48.27%,走廊包络主导、厨房储物与厨具比例高、卫生间卫生设施突出、客厅软装与装饰物丰富,证明重映射保留场景差异。3.2节语义分割性能中DeepLabv3+居首(mIoU 0.494,PA 0.755,MeanAcc 0.661),空间包络IoU 0.742、寝具0.714,照明设备与软装等小目标IoU偏低。3.3节泛化评估中独立ADE验证子集mIoU 0.495,与内部测试几乎一致,模型未明显退化。3.4节设计特征量化表明走廊包络比0.857、复杂度熵0.167;厨房家具密度0.363、功能设施比0.137;卫生间功能设施比0.153;客厅复杂度熵0.598且软装/绿植/装饰物高;家具像素多居中下部,装饰物偏上中部。3.5节GT-Pred一致性显示图像级八主指标MAE 0.038、Pearson 0.779,场景级MAE降至0.016、Pearson升至0.960,面积类特征误差小、复杂度对局部分割错误更敏感。
讨论部分指出,IDESQ价值不在新架构而在标签重映射+分割+量化的工作流,把分割作为提取设计构成与复杂度的中间工具;十二类紧凑覆盖99.02%有效像素,DeepLabv3+适合大连续区域但小目标仍弱,场景级聚合可抵消单图误差,支持跨场景模式比对;局限为数据源自ADE而非专业室内设计集,未建模材质/色彩/风格,类别体系简化,小目标分割待改进。结论部分翻译如下:本研究提出室内设计元素分割与空间量化框架(IDESQ Framework),将普通室内场景图像转化为可解释空间设计指标;基于ADEChallengeData2016选八类场景,将原ADE标签重组为十二类设计元素,覆盖99.02%有效像素;DeepLabv3+在U-Net、DeepLabv3+、PSPNet、SegFormer-B0中最优(内部测试mIoU 0.494、PA 0.755、MeanAcc 0.661);预测掩码转为面积占比、家具密度、功能设施比、软装比、装饰物比、绿植比、视觉复杂度与空间分布等指标,揭示走廊高包络低复杂度、厨卫功能设施强、客厅装饰与复杂度丰富等规律;GT-Pred分析显示场景级聚合后八主指标MAE 0.016、Pearson 0.960、Spearman 0.943,框架更适于跨场景聚合比较而非单图细解;IDESQ为语义分割与室内环境设计元素定量场景分析间提供了自动化、可复现的衔接途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号