基于贝叶斯优化的多模型集成鲁棒线检测方法

《Computers & Industrial Engineering》：Multi-model integrated line detection robust to environmental variations using Bayesian optimization

　　

随着工业自动化和基于视觉的检测技术日益普及，制造业各环节对可靠线检测的需求持续增长。然而，真实工业环境存在光照变化、金属表面反射和纹理差异，这些因素会导致单模型线检测器的性能大幅波动。此外，当数据采集受限时，仅依赖学习的方法可能无法对此类环境变化提供足够的鲁棒性。在本研究中，研究人员提出了一种多模型集成线检测框架，该框架在独立参数空间中运行多个检测器，并使用加权RANSAC（随机抽样一致性算法）组合其互补输出。研究人员进一步采用以条件风险价值（Conditional Value-at-Risk, CVaR）为目标的风险感知贝叶斯优化，自动推导对环境变化鲁棒的参数配置。与传统的基于均值优化不同，该方法直接针对最坏情况性能，据研究人员所知，这是CVaR贝叶斯优化首次应用于计算机视觉任务。该方法在从船厂中段组装焊接环境采集的779张真实工业图像上进行了验证，CVaR最高提升33.5%，并在独立的留出验证集上确认了泛化性能。

基于贝叶斯优化的多模型集成鲁棒线检测方法研究解读

一、研究背景与问题

线检测是计算机视觉中的基础中层表示，它将像素级线索与高级任务（如目标识别）连接起来，通过显式编码几何结构与空间关系，将复杂场景压缩为紧凑且可解释的形式。尽管基于深度学习的语义分割近年受到广泛关注，但线检测凭借其计算效率、可解释性以及对几何信息的显式表示，在众多应用中仍不可或缺。工业自动化场景中，线检测不仅是图像处理技术，更是执行物理任务的关键基础信息。例如焊接机器人需要精确跟踪焊缝，缺陷检测需要识别裂纹，这些都依赖于高精度、高稳定性的线检测结果。

然而，真实工业环境中的线检测面临严峻挑战。光照随时间变化、作业产生的粉尘与烟雾引入噪声和运动模糊、金属表面反射与氧化导致的锈迹等，这些因素交织存在。更为关键的是，此类环境中的数据采集往往受限：高温焊接场景或涉及危险材料的工艺中，数据获取本身可能对操作人员构成安全风险；24/7运行的产线因实验停机会造成可观的经济损失。这些限制阻碍了依赖大规模训练数据的深度学习方法的应用，迫切需要能在有限数据条件下仍能保证强性能的方法。

传统线检测方法与近期基于学习的方法在实现和假设上各有不同，但在真实工业环境中存在共同局限。基于霍夫变换的技术因参数空间量化而损失精度，在杂乱背景下易产生误检。基于梯度的检测器（如LSD（线段检测器）、EDLines、FLD（快速线段检测器））计算高效，但在镜面反射、复杂纹理和噪声下性能波动显著。深度学习方法（如LCNN（学习线段检测）、HAWP（整体吸引线框解析器））在理想环境下精度高，但推理成本高且依赖大规模标注数据。这些方法普遍依赖固定模型结构和预定义参数设置，当环境条件变化时往往需要手动调参，难以推广到光照、反射和纹理条件多变且共存的真实工业现场。

以往面向工业环境的研究也仅在有限假设下有效。将相机固定于焊枪以保持恒定距离和视角可简化标定，但严重降低系统灵活性。限制相机位姿仅拍摄预定感兴趣区域的方法也难以覆盖真实工业现场的广泛工况。在船厂这类高变异性场景中，大型结构件处理和频繁变化的作业条件使物理约束方案尤其难以部署。因此，迫切需要不依赖固定成像条件、同时能在多样工业环境中稳定运行的线检测方法。

二、研究内容与结论

为缓解上述问题，研究人员提出了一种多模型线检测方法，并行运行两个在不同参数空间中工作的线检测器，并通过加权RANSAC（随机抽样一致性算法）集成其输出。该框架从结构上降低单一模型在特定环境条件下可能出现的性能退化。同时，为在有限数据条件下自动推导对环境变化鲁棒的参数配置，研究人员采用以条件风险价值（CVaR）为目标的风险感知贝叶斯优化。

研究在真实船厂中段组装焊接环境中采集的779张工业图像上开展验证，其中600张用于参数搜索，179张作为独立留出验证集。实验表明，所提方法在CVaR（α=0.3）指标上相比初始Sobol序列采样提升约33.5%，在独立验证集上确认约21.2%的提升，且定性结果显示了在反射、纹理干扰和阴影等困难场景下对其实线几何对齐的保持。研究还通过组件贡献分析证实多模型集成相比单模型基线在CVaR上提升32%–35%，加权RANSAC相比传统RANSAC在CVaR上提升约5.4%。研究发表在《Computers 》。

三、主要关键技术方法

该研究采用了以下几个主要技术方法：（1）基于YOLOv8的目标检测器进行感兴趣区域（ROI）提取，将线检测限定在目标线结构可能出现的局部区域，降低背景干扰和计算成本。（2）多模型候选生成：采用两个AirLine（一种混合线检测器）实例，分别在独立参数空间中运行，以产生互补的线候选集。（3）加权RANSAC集成：为每个检测器的候选点分配权重向量，使更可靠的候选在一致性采样中获得更高采样概率，从而抑制特定模型在不良条件下的噪声候选主导。（4）风险感知贝叶斯优化：以CVaR作为目标函数，将可调参数作为决策变量、环境特征作为环境变量，使用高斯过程代理模型和ρ-KG（风险感知知识梯度）采集函数，结合Sobol序列初始化和幻想观测，迭代搜索鲁棒参数配置。（5）环境特征提取：结合传统图像统计特征（局部对比度、亮度）与零样本CLIP嵌入特征（粗糙度、平滑度），量化环境变化并纳入优化过程。（6）改进的线精确率度量LP_r：将原始AirLine中的二元半径判定替换为距离衰减函数，使目标函数连续平滑，利于高斯过程建模。样本来源为真实船厂中段组装环境采集的779张图像，涵盖不同时间段和作业条件。

四、研究结果

4.1 鲁棒参数搜索结果

4.1.1 风险感知贝叶斯优化结果：在86次迭代中，所提方法在第85次迭代达到最高CVaR值0.7745，相比初始Sobol样本（约0.58）提升约33.5%，相比热身阶段后的早期搜索区域（约0.696）额外提升11.3%。独立验证集上CVaR约为0.7031，相比初始基线提升21.2%，表明优化结果能泛化至环境分布偏移的场景。

4.1.2 优化参数配置与角色分析：优化收敛后，两个AirLine模型自动形成互补角色。AirLine1收敛为保守型配置（高边缘阈值、中等方向相似度阈值、低像素连接率），主要提供高置信度、面向精度的候选；AirLine2收敛为探索型配置（低边缘阈值、高方向相似度阈值、较高连接率），在弱边缘或低对比度条件下补充候选。加权RANSAC集成权重为AirLine1分配更大权重（15.7），AirLine2较小权重（9.7），使保守高置信候选在最终一致性拟合中占主导。

4.1.3 定性改进示例：在存在表面划痕、粉笔痕迹、氧化痕迹、金属颗粒伪影、粗糙纹理、低照度阴影等干扰的场景中，优化后的参数配置能抑制误检，使检测线更接近真实线的位置和方向。早期迭代中检测线易偏离真实方向或与ROI边界混淆，优化后能优先选择结构一致的边缘，收敛至单一稳定线性结构。

4.2 组件贡献分析

4.2.1 与单模型线检测的比较：在179张验证集上，默认参数的CVaR为0.674，单模型AirLine1和AirLine2的CVaR分别为0.533和0.521，低于默认设置，表明即使经相同数据集优化，仅应用单模型仍可能放大特定环境区域的脆弱性。多模型集成CVaR为0.703，均值0.749，相比单模型最坏情况性能提升约32%–35%，证明多模型集成在保持平均精度的同时显著改善最坏情况性能。箱线图、累积分布函数和直方图分析一致显示，多模型集成减少了低LP_r区域的样本频率和范围，抑制了性能崩溃样本。在不同环境变量（亮度、局部对比度、CLIP粗糙度、CLIP平滑度）的极端子集（顶部/底部30%）中，多模型方法均能有效抑制性能分布下尾，表明其鲁棒性不依赖于特定环境方向。

4.2.2 传统RANSAC与加权RANSAC的对比：传统RANSAC以1:1等权集成时CVaR为0.6672，加权RANSAC以15.7:9.7权重集成时CVaR为0.7031，相对提升约5.4%。直方图显示加权RANSAC减少了低分结果频率，将分布集中于较高分数区间。定性示例表明，在存在倾斜点焊缝、污渍、阴影边界等干扰时，加权RANSAC通过强化稳定结构候选的影响，抑制了单模型在特定环境下的错误响应，输出更接近真实线的几何一致性结构。

五、总结与结论

讨论部分指出，所提框架已在船厂中段组装焊接环境中得到验证，尽管设计上领域无关，但在半导体检测或汽车装配等显著不同工业条件下的有效性有待未来研究。离线参数搜索阶段依赖基于高斯过程的贝叶斯优化，其代理训练和采集函数优化带来不可忽略的计算成本，但在线推理阶段使用固定预设可高效运行。此外，管道仍需要人工标注来训练ROI检测器和构建优化用真实线标签，通过半监督或少样本学习策略减轻这一负担是提升实用部署性的重要方向。未来工作将把框架扩展至超过双模型的配置，纳入更广泛的线检测器和基于学习的候选生成器，扩展贝叶斯优化的决策变量空间，并探索更一般的加权方案和环境相关加权策略。

研究结论部分表明：本研究解决了单一线性检测方法在挑战性工业环境下难以保持一致性能的问题。真实工业图像常包含光照变化、镜面反射、表面纹理变化和弱边缘，导致性能大幅波动。研究人员提出了一种鲁棒线检测框架，并行运行两个不同参数空间的检测器，并将基于CVaR的风险感知贝叶斯优化与加权RANSAC整合。实验在779张真实船厂图像上进行，其中600张用于优化、179张独立验证。以CVaR为目标的风险感知贝叶斯优化相比初始Sobol样本将最佳CVaR提升约33.5%。优化过程中两个AirLine模型的参数自主分化为对环境条件响应不同的互补行为，加权RANSAC利用这种互补性相比传统等权集成额外获得约5.4%的CVaR提升。独立验证集上重现了类似趋势，定性结果确认在涉及反射、纹理干扰和阴影的困难场景中能保持与真实线的几何对齐。定量与定性分析均表明该方法缓解了单模型基线对环境依赖和参数敏感的问题，即使在有限数据下也能从最坏情况视角保障鲁棒性，为CVaR风险敏感优化在强化工业环境中最坏情况可靠性方面提供了实验证据。