Technische Samenvatting: Verbeterde Naadsegmentatie voor Automatische Lasrobots in de Bouw via Transfer Learning

Probleemstelling

Autonoom robotisch lassen in bouwomgevingen staat voor aanzienlijke uitdagingen door de inherente kenmerken van metalen oppervlakken, specif kindere, met name sterke speculaire reflecties, verzadigde highlights en dynamische verlichting. Deze factoren verhullen vaak de dunne grenzen van lasnaden, wat leidt tot gefragmenteerde voorspellingen, discontinue maskers en instabiele middellijnextractie. Dergelijke segmentatiefouten kunnen leiden tot onbetrouwbare robottrajecten, wat resulteert in fouten bij de detectie van eindpunten of onveilige uitvoering van het lasproces.

Hoewel bestaande deep learning-gebaseerde segmentatiemodellen (bijv. BiSeNetV2, DeepLabV3+) een balans bieden tussen nauwkeurigheid en efficiëntie, worstelen ze vaak met reflectiebestendigheid en geometrische continuïteit in realistische constructiescenario's. Eerdere benaderingen probeerden dit primair op te lossen door de architecturale complexiteit te vergroten (bijv. door aandachtmechanismen of diepere encoders toe te voegen) of door te vertrouwen op gespecialiseerde hardware. Deze methoden falen echter vaak in het aanpakken van de kern van het probleem: leerinstabiliteit onder sterk reflecterende omstandigheden zonder een computationele overhead te veroorzaken die prohibitief is voor op de rand (edge) geplaatste robotplatforms.

Methodologie

De voorgestelde studie introduceert een reflectiebestendig naadsegmentatie-framework dat de BiSeNetV2-backbone versterkt via transfer learning en een hybride Cross-Entropy–Lovász (CE–Lovász) loss, in plaats van de netwerkarchitectuur te wijzigen.

Kerncomponenten

1. Backbone Architectuur: Het framework maakt gebruik van de standaard BiSeNetV2, een lichtgewicht, real-time architectuur met een dual-branch ontwerp (Detail Branch en Semantic Branch) die geïntegreerd zijn via een Bilateral Guided Aggregation module. Er worden geen structurele wijzigingen aangebracht in het netwerk, waardoor het aantal FLOPs, parameters en de inferentiesnelheid identiek blijven.
2. Transfer Learning Strategie:
   • Initialisatie: Het model wordt eerst gedurende 1.000 epochs gepre-trained met behulp van Online Hard Example Mining (OHEM) loss om een stabiele initialisatie te vestigen die in staat is om klasse-imbalans en reflectieve ruis te verwerken.
   • Fine-Tuning: Een daaropvolgende transfer learning-fase omvat het fine-tunen van het gepre-trainde model voor één enkele epoch met behulp van de voorgestelde hybride loss. Drie fine-tuning configuraties werden geëvalueerd: decoder-only, partial, en full fine-tuning. Full fine-tuning leverde de beste resultaten op.
3. Hybride Loss Functie:
   • Het framework maakt gebruik van een gewogen combinatie van Cross-Entropy (CE) loss en Lovász-Softmax loss: $L_{Total} = \lambda L_{CE} + (1-\lambda) L_{Lovasz}$.
   • CE Loss: Biedt stabiele pixelgewijze supervisie.
   • Lovász-Softmax Loss: Optimaliseert direct de Intersection over Union (IoU) op regionaal niveau, wat verbonden naadregio's stimuleert en de globale structurele continuïteit behoudt.
   • Optimalisatie: De wegingsparameter $\lambda$ werd getuned via sensitiviteitsanalyse, waarbij de optimale waarde werd gevonden op 0,04. Dit geeft aan dat een door Lovász gedomineerd regime (96% gewicht) cruciaal is voor het behoud van naadcontinuïteit onder hevige reflectie, terwijl een kleine CE-component (4% gewicht) helpt bij lokale randverfijning.
4. Dataset: De studie maakt gebruik van de WJ3600 dataset, een uitbreiding van de WJ1000 dataset, die 3.600 afbeeldingen bevat met diverse achtergronden, variaties in verlichting en intensiteiten van speculaire reflectie. De semantische klassen zijn vereenvoudigd naar drie: Achtergrond, Plaat en Naad.

Belangrijkste Bijdragen

• Reflectiebewust Framework: Ontwikkeling van een framework dat de robuustheid tegen speculaire metalen reflecties en gefragmenteerde naadstructuren aanzienlijk verbetert zonder architecturale expansie.
• Optimalisatie gericht op Leerstabiliteit: Demonstratie dat het combineren van transfer learning met een hybride CE–Lovász loss zowel de pixel-niveau nauwkeurigheid als de regionaal-niveau naadcontinuïteit verbetert. Deze benadering herformuleert reflectiebestendigheid als een leerstabiliteitsprobleem in plaats van een modelcapaciteitsprobleem.
• Trajectstabiele Representatie: De methode produceert geometrisch stabiele naadrepresentaties die geschikt zijn voor downstream robotische taken (naadtracking, waypoint-generatie) door ernstige faalgevallen te herstellen die normaal gesproken resulteren in zero-IoU voorspellingen.
• Architectuurafhankelijke Effectiviteit: Een uitgebreide analyse over BiSeNetV2, DeepLabV3+, UNet en SegFormer-B0 laat zien dat de voorgestelde optimalisatiestrategie bijzonder effectief is voor lichtgewicht, real-time architecturen (zoals BiSeNetV2) die prioriteit geven aan ruimtelijke continuïteit boven grootschalige semantische context.
• Verbetering met Nul-Overhead: Het framework bereikt substantiële prestatiewinsten terwijl de computationele complexiteit (FLOPs, parameters, latentie) identiek blijft aan de baseline.

Experimentele Resultaten

Uitgebreide experimenten werden uitgevoerd onder identieke trainings- en evaluatiecondities.

• Kwantitatieve Prestaties:
  • Het voorgestelde framework (BiSeNetV2 + Full Fine-tuning + CE–Lovász) behaalde een Joint IoU van 81,76% en een mIoU van 90,73%.
  • Dit vertegenwoordigt een verbetering van +22,36 procentpunt in Joint IoU ten opzichte van de OHEM-gebaseerde baseline (59,40%).
  • Recall verbeterde van 69,86% naar 94,10%.
• Herstel van Faalgevallen:
  • Een kritieke metriek, de Recovery Rate, werd geïntroduceerd om het vermogen te meten om te herstellen van ernstige zero-IoU fouten. De voorgestelde methode behaalde een Recovery Rate van 96,33% voor BiSeNetV2, waarbij de naadcontinuïteit succesvol werd hersteld in gevallen waar het baseline-model volledig faalde.
  • In contrast hiermee vertoonden zwaardere architecturen zoals DeepLabV3+ aanzienlijk lagere recovery rates (4,84%), ondanks gematigde verbeteringen in IoU.
• Computationele Efficiëntie:
  • De voorgestelde methode behield de baseline's 22,26 GFLOPs, 3,05M parameters en 161,91 FPS (op een NVIDIA A100).
  • De latentie bleef op 6,18 ms en het GPU-geheugengebruik bleef ongewijzigd op 171,13 MB.
• Kwalitatieve Analyse:
  • Visuele vergelijkingen toonden aan dat de voorgestelde methode geometrisch stabiele, continue naadstructuren reconstrueert, zelfs onder extreme schittering, terwijl baseline-voorspellingen vaak resulteerden in gefragmenteerde of ontbrekende naden.
  • Analyse van de confidence maps liet zien dat na fine-tuning de voorspellingszekerheid geconcentreerd raakte langs de ware naadregio's in plaats van zich te verspreiden in reflectieve artefacten.

Betekenis en Claims

Het paper stelt dat robuuste naadsegmentatie in robotisch lassen fundamenteel een leerstabiliteitsprobleem is in plaats van een beperking van de architecturale capaciteit. De primaire betekenis van dit werk ligt in de demonstratie dat:

1. Optimalisatiestrategie > Architecturale Complexiteit: Substantiële winsten in reflectiebestendigheid en naadcontinuïteit kunnen worden behaald door geprincipeerde transfer learning en hybride loss-optimalisatie zonder de modelgrootte of computationele kosten te verhogen.
2. Crucialiteit van Faalherstel: In robotisch lassen is het herstellen van geïsoleerde catastrofale fouten (zero-IoU gevallen) belangrijker dan marginale verbeteringen in gemiddelde overlapmetrieken, aangezien een enkele fout het gehele robotische traject kan verstoren.
3. Praktische Inzetbaarheid: Het framework biedt een praktische, lichtgewicht oplossing voor op de rand geplaatste robotsystemen die opereren onder strikte real-time beperkingen en reflectieve constructiemilieus.
4. Beperkingen: De auteurs erkennen beperkingen, waaronder de specifieke diversiteit van de lascenario's, potentiële annotatie-onzekerheid onder sterke reflectie en het gebrek aan closed-loop robotische lasexperimenten in de huidige studie. De verbeterde geometrische continuïteit suggereert echter een sterke toepasbaarheid voor robotische trajectgeneratie.

De studie concludeert dat door de focus te leggen op leerstabiliteit en regionaal niveau consistentie, het voorgestelde framework een computationeel efficiënt pad biedt naar betrouwbare robotische lasperceptie in uitdagende industriële omgevingen.