A Storage-Efficient Feature for 3D Concrete Defect Segmentation to Replace Normal Vector
作者: Linxin Hua, Jianghua Deng, Ye Lu
分类: cs.CV
发布日期: 2025-11-24
备注: 25 pages, 7 figures
💡 一句话要点
提出基于相对角度的3D混凝土缺陷分割特征，实现存储效率提升。
🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)
关键词: 3D点云 混凝土缺陷分割 相对角度特征 PointNet++ 存储效率 特征压缩 自动化检测
📋 核心要点
- 基于图像的混凝土缺陷检测易受背景噪声干扰，而3D点云重建方法受限于数据量大。
- 论文提出相对角度特征，即点法向量与其父点云平均法向量的夹角，用于表征缺陷。
- 实验表明，相对角度特征在保持分割性能的同时，显著降低了存储空间和输入通道数。
📝 摘要（中文）
针对基于图像的方法易受背景噪声影响的问题，本文提出了一种新的特征——相对角度，用于3D混凝土缺陷分割。相对角度定义为点云中点的法向量与其父点云平均法向量之间的夹角。该一维特征提供了与法向量等效的方向信息，能够有效表征混凝土表面的缺陷特征。通过基于熵的特征评估，验证了相对角度在过滤未损坏区域冗余信息的同时，保留损坏区域有效信息的能力。使用PointNet++进行训练和测试，基于相对角度的模型取得了与基于法向量的模型相似的性能，同时实现了27.6%的存储空间减少和83%的输入通道压缩。该特征有望在资源受限的硬件上实现更大批量执行，而无需修改模型架构。
🔬 方法详解
问题定义：现有的基于点云的混凝土缺陷分割方法，虽然能够克服图像方法的背景噪声问题，但是面临着3D数据量大的挑战，导致存储和计算成本高昂。尤其是在资源受限的硬件上，难以进行大规模的点云数据处理。因此，如何降低点云数据的存储和计算复杂度，同时保证缺陷分割的精度，是本文要解决的核心问题。
核心思路：论文的核心思路是利用相对角度特征来替代传统的法向量特征。相对角度特征能够提供与法向量相似的方向信息，但只需要一个维度来表示，从而大大降低了特征的维度。通过信息熵分析，证明了相对角度特征能够有效区分缺陷区域和非缺陷区域，保留关键信息，去除冗余信息。
技术框架：论文使用PointNet++作为基本的分割网络。首先，计算点云中每个点的相对角度特征。然后，将相对角度特征作为PointNet++的输入，训练一个用于混凝土缺陷分割的模型。最后，评估该模型在缺陷分割精度、存储空间占用和计算复杂度等方面的性能。
关键创新：论文最重要的创新点在于提出了相对角度特征，并将其应用于3D混凝土缺陷分割。与传统的法向量特征相比，相对角度特征具有更低的维度，从而降低了存储和计算成本。此外，相对角度特征能够有效区分缺陷区域和非缺陷区域，保证了分割精度。
关键设计：相对角度的计算方式为点云中每个点的法向量与其父点云平均法向量之间的夹角。父点云的选择采用k近邻算法。损失函数采用标准的交叉熵损失函数。PointNet++的网络结构采用默认的配置，没有进行特别的修改。
📊 实验亮点
实验结果表明，基于相对角度特征的PointNet++模型在混凝土缺陷分割任务上取得了与基于法向量特征的模型相似的性能。同时，相对角度特征实现了27.6%的存储空间减少和83%的输入通道压缩。这表明相对角度特征能够在保证分割精度的前提下，显著降低点云数据的存储和计算复杂度。
🎯 应用场景
该研究成果可应用于桥梁、隧道、建筑物等混凝土结构的自动化缺陷检测。通过降低点云数据的存储和计算成本，该方法有望在资源受限的移动设备或嵌入式系统中实现实时缺陷检测，提高检测效率和降低人工成本。未来，该方法还可以扩展到其他类型的3D数据处理任务中。
📄 摘要（原文）
Point cloud reconstruction of damage offers an effective solution to image-based methods vulnerable to background noise, yet its application is constrained by the high volume of 3D data. This study proposes a new feature, relative angle, computed as the angle between the normal vector of a point and the average normal vector of its parent point cloud. This single-dimensional feature provides directionality information equivalent to normal vectors for concrete surface defect characteristics. Through entropy-based feature evaluation, this study demonstrates the ability of relative angle to filter out redundant information in undamaged sections while retaining effective information in damaged sections. By training and testing with PointNet++, models based on the relative angles achieved similar performance to that of models based on normal vectors while delivering 27.6% storage reduction and 83% input channel compression. This novel feature has the potential to enable larger-batch execution on resource-constrained hardware without the necessity of architectural modifications to models.