《PLOS One》：WireGC-Former: Surface defect segmentation method of steel wire ropes based on 3D point clouds
编辑推荐：
三维点云能够准确表征工业产品表面的空间几何信息，在小目标缺陷分割任务中具有重要价值。针对现有工业缺陷点云分割研究中高质量数据集的匮乏，以及钢丝绳表面缺陷尺度小、分布稀疏、形态复杂带来的挑战，本文构建了钢丝绳缺陷点云数据集WireRope3D，涵盖磨损、钢丝凸起
三维点云能够准确表征工业产品表面的空间几何信息，在小目标缺陷分割任务中具有重要价值。针对现有工业缺陷点云分割研究中高质量数据集的匮乏，以及钢丝绳表面缺陷尺度小、分布稀疏、形态复杂带来的挑战，本文构建了钢丝绳缺陷点云数据集WireRope3D，涵盖磨损、钢丝凸起和断丝三种典型缺陷类型。此外，研究人员提出了一种名为WireGC-Former（Wire Rope Graph Convolution Transformer）的点云分割方法，该方法融合了图卷积网络（GCN）与Transformer。该方法通过边缘特征提取模块增强模型对局部几何结构和缺陷边界的感知能力；通过融合绝对坐标信息与相对位置编码的空间注意力模块改善局部空间关系的表示；通过特征融合模块整合多层级局部与全局特征；并通过特征注意力模块建模长距离依赖关系，从而实现对钢丝绳表面小目标缺陷的精确分割。实验结果表明，WireGC-Former在WireRope3D数据集上取得了80.32%的平均交并比（mIoU），证明了所提方法对钢丝绳表面小目标缺陷分割的有效性。该方法可为钢丝绳表面缺陷的精细化检测及后续定量分析提供可靠的数据基础和技术支持，并为复杂工业场景下的点云语义分割研究提供参考。
**研究背景与问题**
钢丝绳作为起重机械、矿井提升系统等承载设备的核心传力部件，其服役状态直接决定设备运行的可靠性与安全性。随着服役时间延长，钢丝绳表面不可避免地出现磨损、钢丝凸起和断丝等多种损伤，这些缺陷会导致承载能力下降并缩短使用寿命，极端情况下可能引发设备故障甚至安全事故。因此，开发高精度的钢丝绳表面缺陷检测与分割方法成为工程实践中亟待解决的关键问题。现有检测方法包括人工目视检查、电磁无损检测和基于图像的视觉检测，但它们在效率、精度和环境适应性方面均存在不同程度局限。人工检查劳动强度大、效率低；电磁检测基于漏磁通信号，在强电磁干扰工况下易受噪声衰减，且获取的信息本质为一维，难以表征缺陷的表面几何形态；视觉检测依赖图像采集环境，非均匀光照或杂乱背景会降低图像质量，限制检测精度和鲁棒性。近年来，三维激光扫描技术的发展使大规模获取高精度点云数据成为现实，激光点云在复杂照明、高反射金属表面及精细形态描述场景中表现出更强的环境鲁棒性和空间表达精度，为复杂表面缺陷精确定位和自动识别提供了有力支持。然而，现有基于点云的钢丝绳缺陷分割方法在充分利用局部几何先验与高效建模全局上下文之间仍难以取得理想平衡，纯空间域方法对局部邻域几何各向异性的表示能力有限，而引入谱域分析虽弥补了全局感知的不足，但图拉普拉斯矩阵的特征分解带来高计算开销，限制了模型在大规模点云上的实用性。此外，钢丝绳表面缺陷在尺度和密度分布上呈现非均匀特性，对有效跨层级特征融合提出了更高要求。
**研究内容与意义**
为此，研究人员提出了一种名为WireGC-Former（Wire Rope Graph Convolution Transformer）的点云分割网络，将图卷积网络（GCN）与Transformer相结合，用于钢丝绳表面缺陷的点级语义分割。该网络由边缘特征提取模块（EFEM）、空间注意力模块（SAM）、特征融合模块（FFM）和特征注意力模块（FAM）组成，形成了从局部到全局的协同建模框架。实验结果表明，在自建的WireRope3D数据集上，WireGC-Former实现了80.32%的平均交并比（mIoU），在断丝类别的分割精度上显著优于对比方法，验证了该方法对钢丝绳表面小目标缺陷分割的有效性。该研究为钢丝绳表面缺陷的精细化检测及后续定量分析提供了可靠的数据基础和技术支持，并为复杂工业场景下的点云语义分割研究提供了参考。论文发表在《PLOS One》。
**主要关键技术方法**
研究人员构建了基于3D激光轮廓仪（型号LVM L2240，天津一科自动化有限公司）的室内实验扫描点云数据采集平台，获取了涵盖磨损、钢丝凸起和断丝三种典型缺陷的原始点云数据，并通过半径滤波和高斯滤波进行预处理。采用LabelCloud工具进行点级语义标注，对696个原始扫描样本进行随机旋转与缩放（缩放因子0.8–1.2）数据增强，最终得到2,916个样本，按原始扫描和物理缺陷位置划分训练集（2,058）、验证集（427）和测试集（431）。网络输入为N×6的点云（XYZ坐标与RGB颜色），采用GPU加速的K近邻（KNN）搜索构建邻域图，核心模块包括：基于动态图卷积的边缘特征提取模块（EFEM）、融合绝对坐标与相对位置编码的空间注意力模块（SAM）、通过1×1卷积实现跨层特征融合与降维的特征融合模块（FFM），以及基于多头自注意力的特征注意力模块（FAM）。训练使用SGD优化器（动量0.9）、余弦退火学习率（初始0.1降至0.0003），采样点数为2,048，邻域大小k=20，训练100轮，批大小16。
**研究结果**
**1. 消融实验**：通过逐步引入各模块进行消融实验，验证了每个模块的有效性。与基线（仅使用基本特征提取）相比，添加EFEM使总体mIoU和缺陷mIoU各提升0.12个百分点；引入SAM后总体mIoU从76.03%提升至77.36%，缺陷mIoU从68.36%提升至70.09%，断丝IoU提升2.99个百分点；加入FFM后性能基本持平（总体mIoU下降0.08个百分点，缺陷mIoU下降0.13个百分点），表明FFM实现了紧凑的多级特征融合而几乎不损失性能；最终引入FAM使总体mIoU、缺陷mIoU和平均精度（mAcc）分别提升3.04、4.08和2.39个百分点，断丝IoU提升6.56个百分点。完整模型（编号5）相比基线总体mIoU提升4.41个百分点，缺陷mIoU提升5.80个百分点，mAcc提升3.09个百分点。参数数量从1.83M增至2.02M，FLOPs从2.58G增至3.29G，推理时间从28.76ms增至31.41ms，但GPU内存消耗从1.87GB降至1.62GB（降低13.37%），表明FFM减少了冗余中间激活。对SAM中位置编码策略的消融显示，联合使用相对位置与绝对坐标编码达到最佳性能：总体mIoU 80.32%，缺陷mIoU 74.04%，mAcc 85.63%，相比无位置编码分别提升1.73、2.24和1.22个百分点，断丝IoU提升3.66个百分点。
**2. 对比实验**：在WireRope3D数据集上与PointNet++、DGCNN、Point Transformer和Point S-GS Former四种代表性方法进行语义分割对比。WireGC-Former的总体mIoU为80.32%，分别超过PointNet++、DGCNN和Point Transformer 9.68、4.41和1.68个百分点；缺陷mIoU为74.04%，超过PointNet++和DGCNN 12.64和5.80个百分点。与最强竞争方法Point S-GS Former相比，总体mIoU和缺陷mIoU分别高出0.14和0.15个百分点。在断丝类别上，所提方法达到最高IoU（68.37%），超过DGCNN 10.72个百分点。Point S-GS Former在磨损类别上表现最佳（80.26%），Point Transformer在钢丝凸起类别上IoU最高（77.96%）。
**3. 模型复杂度分析**：所提方法参数数量为2.02M，显著少于PointNet、3DCTN、Point Transformer和Point S-GS Former，仅略高于PointNet++和DGCNN。FLOPs为3.29G，低于3DCTN和Point S-GS Former。推理时间31.4ms，快于3DCTN（42.3ms）、Point Transformer（35.6ms）和Point S-GS Former（43.50ms），与DGCNN（28.7ms）相当。GPU内存消耗1.62GB，低于3DCTN（2.96GB）、Point Transformer（2.34GB）和Point S-GS Former（3.12GB），且低于DGCNN（1.87GB）。所提方法在参数规模、计算成本和分割精度之间取得了良好平衡。
**4. GPU-KNN效率分析**：将GPU加速KNN与CPU-KNN对比，GPU-KNN将每样本邻域构建时间从3.14ms降至0.42ms（降低86.62%），端到端推理时间从42.29ms降至31.41ms（降低25.73%），每轮训练时间从151s降至114s（降低24.50%），GPU内存消耗从1.55GB增至1.62GB（仅增加0.07GB），而mIoU几乎相同（80.30% vs 80.32%），表明GPU-KNN主要提升计算效率而非分割精度。
**5. 超参数敏感性分析**：评估邻域大小k在{10,15,20,25,30}下的性能。总体mIoU和缺陷mIoU在k=20时达到峰值（80.32%和74.04%），k增至25和30时性能略有下降，表明过大邻域引入背景点削弱了缺陷与正常区域的几何区分度。推理时间从25.96ms线性增至36.87ms，GPU内存从1.37GB增至1.87GB。k=20在性能与效率间取得最佳平衡。
**6. 多随机种子稳定性分析**：使用随机种子42、43、44对基线模型、Point S-GS Former和WireGC-Former进行三次独立训练与评估。WireGC-Former在所有种子下均稳定优于基线模型，平均mIoU、缺陷mIoU和mAcc分别提升4.64、6.08和3.31个百分点；相比Point S-GS Former，平均提升分别为0.36、0.42和0.60个百分点，证明了性能提升的可重复性和有效性。
**总结与讨论**
讨论部分指出，所提方法在WireRope3D上达到80.32%的总体mIoU和74.04%的缺陷mIoU，优于PointNet++、DGCNN和Point Transformer，能够支持缺陷边界定位和几何参数分析。但钢丝凸起类别的IoU（74.04%）低于Point Transformer（77.96%），表明在分割边界模糊、几何形态与正常股纹相近的细长缺陷方面仍有限制。参数数量（2.02M）在可接受范围内，但计算成本仍高于部分对比模型，更适合周期性离线检测或高精度分析场景，实时在线部署仍面临挑战。在可靠性方面，方法对三种缺陷类型分割结果相对稳定，断丝类别表现更优，但当前数据主要采集于实验室环境，现场振动、遮挡、油污和强反射等因素可能影响点云质量和模型性能。总体而言，所提方法具有良好的工业应用潜力，但在弱异常缺陷识别、实时性和复杂工况泛化能力方面仍需进一步优化。
**研究结论**：本文针对点云分割公共数据集中缺乏工业产品样本以及小目标缺陷检测性能差的问题，自主搭建了基于3D激光轮廓仪的数据采集平台，系统采集了涵盖磨损、钢丝凸起和断丝三种典型钢丝绳表面缺陷的点云数据，为基于深度学习的缺陷检测方法研究提供了重要数据支持。此外，本文提出了一种融合图卷积网络与Transformer机制的3D点云分割方法，以提高小目标缺陷的准确识别能力和全局依赖捕获能力。实验结果表明，所提方法在WireRope3D数据集上相比传统网络取得了显著提升，尤其在断丝类别的分割精度上表现优异。WireRope3D数据集填补了点云分割任务中缺乏工业产品样本的空白，所提方法有效提升了分割任务的准确性。未来工作包括探索模型轻量化设计策略以及扩展数据采集条件以增加数据集多样性和模型泛化能力。
