Superpoint增强型Transformer：用于点云中细粒度分割纤细主支架元素的技术

《Knowledge-Based Systems》：Superpoint-Enhanced Transformer for Fine-Grained Segmentation of Slender Primary Scaffolding Elements in Point Clouds

针对脚手架细长部件分割难题，提出融合超点生成与Transformer解码的统一框架，引入形状感知约束提升密集排列部件的分割精度，构建专用数据集验证，实验显示在复杂场景下AP@0.5提升11.69%至83.51%，有效支持自动化安全检测。

　　本研究聚焦于建筑行业中常见的细长结构部件，如脚手架构件，其在确保施工安全和结构完整性方面发挥着重要作用。然而，由于这些部件在实际应用中常常面临复杂环境下的失效风险，传统的检查方法在效率和准确性上存在明显不足。特别是在密集排列、几何相似且空间交织的场景中，如何实现对细长结构的精准分割成为当前研究中的一个关键挑战。为此，本文提出了一种统一的计算机视觉框架，结合了细粒度的超级点生成与基于Transformer的解码技术，旨在提高脚手架结构的自动化检测能力。

脚手架结构在建筑施工中具有不可或缺的地位，不仅为施工人员提供了作业平台，还在高空作业中起到关键的保护作用。然而，由于设计、安装或监控不当，脚手架结构可能引发严重的安全事故。据统计，脚手架相关的坠落事故在建筑工地事故中占比较高，成为影响施工安全的重要因素。因此，构建一种高效、准确且能够适应复杂施工环境的检测方法，对于提升施工现场的安全性至关重要。

当前的脚手架检测方法主要依赖于人工检查或传感器技术，但两者均存在显著局限。人工检查不仅耗时费力，还容易受到人为误差的影响，特别是在施工环境中，条件复杂多变，容易导致漏检或误判。而基于传感器的检测方法虽然能够测量脚手架的变形和位移，但需要额外的设备安装，可能干扰施工进度，甚至引入新的安全隐患。因此，开发一种更加高效、准确且对施工环境影响较小的检测方案成为亟需解决的问题。

近年来，点云技术的快速发展及其与计算机视觉的融合，为建筑行业的应用提供了新的可能性。点云技术能够捕捉三维空间信息，适用于施工进度监测、结构安全评估以及缺陷检测等任务。这一技术的优势在于其能够保留丰富的空间几何信息，从而更好地适应施工环境中复杂的结构形态。基于此，利用点云数据进行智能化脚手架检测，被认为是一种提升安全评估能力的有效途径。

然而，现有的点云分割方法在处理细长结构部件时仍面临诸多挑战。一方面，这些结构部件往往呈现出高度密集、几何简单且空间交织的特征，导致相邻实例之间的边界模糊，尤其是在部件之间紧密排列、部分遮挡或物理连接的情况下。另一方面，脚手架结构中的不同部件，如立杆、横杆和斜撑，虽然在形状上具有相似性，但在功能上却存在差异，这进一步增加了语义混淆的风险。因此，传统的分割方法在处理这些细长结构时，往往难以实现准确的实例分割，导致检测结果的可靠性不足。

为了解决这些问题，本文提出了一种新的计算机视觉方法，专门针对点云数据中的细长脚手架结构进行高效且精准的分割。该方法的核心在于如何在保持空间几何信息的同时，有效区分细长结构的实例边界。为此，研究团队设计了一种细粒度的超级点生成技术，结合局部和全局特征，避免将不同细长结构的点云误判为同一类标签。同时，引入了形状感知的约束条件和优化策略，以提高在复杂施工场景下的分割精度。

此外，为了验证所提出方法的有效性，研究团队构建了一个专门针对建筑行业中细长结构的基准数据集。该数据集基于实际施工环境中的点云数据，涵盖了不同类型的脚手架构件，包括具有相似几何特征但功能不同的立杆、横杆和斜撑。通过该数据集，研究团队能够全面评估模型在不同场景下的表现，并进一步优化分割算法。

实验结果显示，所提出方法在多个评估指标上均表现出色，达到了93.67%的分割准确率、83.51%的AP@0.5值以及62.3%的PQ值。与传统方法相比，该方法在斜撑和横杆等关键构件的分割精度上分别提升了11.69%和8.86%。特别是在最难的level-5子集上，该方法表现出更强的鲁棒性，能够有效应对复杂的施工环境。

值得注意的是，尽管本文主要针对脚手架结构进行研究，但所提出的方法同样具有广泛的应用潜力。该方法不仅适用于脚手架的分割，还可以推广至其他常见且功能关键的细长结构部件，如钢筋、木梁、钢柱等。这种通用性使得该方法在建筑行业的多个应用场景中都具有重要的价值。

本文的研究成果为建筑行业的安全检测提供了新的思路和技术手段。通过精准的结构分割，能够为后续的结构分析和自动化合规检查提供可靠的数据支持。这不仅有助于提高施工安全性，还能推动建筑行业向智能化、自动化方向发展。同时，该方法的提出也为点云数据处理领域的研究提供了新的方向，特别是在处理细长、密集且空间交织的结构部件方面。

本文的结构安排如下：第二部分回顾了相关研究，第三部分介绍了所提出的方法，第四部分讨论了实验结果和消融分析，第五部分总结了研究结论。在第二部分中，研究团队梳理了当前在脚手架检测和点云分割领域的研究进展，分析了传统方法在处理细长结构时的不足，并指出基于点云的分割方法在提升检测精度方面的潜力。在第三部分中，详细介绍了所提出方法的架构设计和关键技术，包括超级点生成、形状感知约束、Transformer解码等。在第四部分中，通过实验验证了所提出方法的有效性，并对不同模块的贡献进行了分析。在第五部分中，总结了研究的主要成果，并展望了未来的研究方向。

总体而言，本文的研究成果为建筑行业的安全检测提供了重要的技术支持。通过结合超级点生成与Transformer解码，研究团队成功解决了细长结构在点云数据中的分割难题，提高了检测精度和鲁棒性。同时，构建的基准数据集为后续研究提供了宝贵的资源，有助于推动脚手架检测技术的发展。未来的研究可以进一步探索该方法在其他建筑结构中的应用，以及如何优化模型以适应更加复杂的施工环境。此外，还可以结合更多的传感器数据，提升检测系统的实时性和全面性，为建筑行业的智能化管理提供更有力的支持。