Technisch overzicht: Verbeterde naadsegmentatie voor geautomatiseerde lasrobots in de bouw door middel van transfer learning

Probleemstelling

Robotisch lassen in bouwomgevingen staat voor aanzienlijke uitdagingen door de harde visuele omstandigheden die inherent zijn aan metalische oppervlakken. Sterke speculaire reflecties, verzadigde highlights en dynamische verlichting verhullen vaak de dunne grenzen van de lasnaad, wat leidt tot gefragmenteerde segmentatievoorspellingen, discontinue maskers en instabiele middellijnextractie. Deze defecten propageren naar onbetrouwbare robotische trajecten, wat risico's vormt voor de veiligheid en de laskwaliteit.

Hoewel deep learning-gebaseerde semantische segmentatie (bijv. BiSeNetV2) een balans biedt tussen nauwkeurigheid en real-time inferentie, hebben bestaande benaderingen vaak moeite met reflectiebestendigheid en naadcontinuïteit. Eerdere studies hebben deze problemen voornamelijk aangepakt door de architecturale complexiteit te vergroten (bijv. door aandachtmechanismen of diepere encoders toe te voegen) of door te vertrouwen op gespecialiseerde hardware. Dit introduceert echter vaak een computationele overhead die ongeschikt is voor op de rand (edge) geplaatste robotplatforms. Bovendien faalt standaard pixel-gewijze optimalisatie (bijv. Cross-Entropy) vaak in het behoud van de geometrische continuïteit die vereist is voor stabiele robotische trajectgeneratie, met name bij ernstige gevallen van zero-IoU-falen waarbij de naad volledig wordt gemist.

Methodologie

Het voorgestelde framework pakt deze beperkingen aan, niet door de netwerkarchitectuur te wijzigen, maar door middel van leer-stabiliteitsgerichte optimalisatie met behulp van transfer learning en een hybride verliesfunctie.

1. Backbone en Architectuur

De studie maakt gebruik van BiSeNetV2, een lichtgewicht, real-time semantische segmentatiearchitectuur met een dual-branch ontwerp (Detail Branch voor ruimtelijke informatie en Semantic Branch voor context). De architectuur blijft ongewijzigd om identieke FLOPs, aantal parameters en inferentiesnelheid te behouden ten opzichte van de baseline.

2. Dataset

De experimenten maken gebruik van de WJ3600 dataset, een uitbreiding van de WJ1000 dataset die 3.600 afbeeldingen bevat met diverse achtergronden, cameragevallen en verlichtingscondities. Voor deze studie zijn de oorspronkelijke zes semantische klassen vereenvoudigd naar drie: Achtergrond, Plaat en Naad (joint). Deze vereenvoudiging richt de focus van het model op robuuste naadlokalisatie in plaats van fijnmazige classificatie van het type naad.

3. Transfer Learning Strategie

Het trainingsproces omvat een tweestapsbenadering:

• Initialisatie: Het BiSeNetV2-model wordt eerst getraind voor 1.000 epochs met behulp van Online Hard Example Mining (OHEM) loss om een stabiele initialisatie te vestigen die in staat is om met klasse-imbalans en reflectieve ruis om te gaan.
• Fine-Tuning: Een transfer learning-fase wordt toegepast voor één enkele epoch met behulp van een hybride Cross-Entropy (CE) – Lovász–Softmax loss. Drie fine-tuning configuraties werden geëvalueerd:
  • Decoder-only fine-tuning.
  • Partiële fine-tuning (het deblokkeren van latere semantische/decoderlagen).
  • Full fine-tuning (het deblokkeren van alle parameters), wat de beste resultaten opleverde.

4. Hybride Verliesfunctie

De kerninnovatie is de CE–Lovász hybride loss, geformuleerd als:
$$L_{Total} = \lambda L_{CE} + (1-\lambda) L_{Lovasz}$$

• Cross-Entropy ($L_{CE}$): Biedt stabiele pixel-gewijze supervisie.
• Lovász–Softmax ($L_{Lovasz}$): Optimaliseert direct de Intersection over Union (IoU), wat regio-niveau consistentie en verbonden naatstructuren stimuleert.
• Weging ($\lambda$): Een gevoeligheidsanalyse bepaalde dat een Lovász-dominante regime (specifiek $\lambda = 0,04$) de optimale balans biedt, waarbij de globale naadcontinuïteit behouden blijft terwijl lokale grenzen worden gestabiliseerd.

Belangrijkste Bijdragen

1. Reflectiebewust Framework: Ontwikkeling van een framework dat de robuustheid tegen speculaire metalische reflecties verbetert zonder de netwerkarchitectuur te wijzigen.
2. Leer-stabiliteitsoptimalisatie: Introductie van een hybride CE–Lovász loss gecombineerd met transfer learning om zowel pixel-niveau nauwkeurigheid als regio-niveau naadcontinuïteit te verbeteren.
3. Traject-stabiele Representatie: Demonstratie dat de voorgestelde methode ernstige faalgevallen (zero-IoU) herstelt, wat zorgt voor geometrisch stabiele naadrepresentaties die geschikt zijn voor downstream robotische trajectgeneratie.
4. Architectuurafhankelijke Effectiviteit: Uitgebreide analyse die aantoont dat optimalisatiestrategieën de effectiviteit van lichtgewicht real-time modellen (zoals BiSeNetV2) aanzienlijk meer beïnvloeden dan zwaardere semantische modellen (zoals DeepLabV3+ of SegFormer) in dit specifieke domein.
5. Computationele Efficiëntie: Het bereiken van substantiële prestatiewinsten terwijl de identieke computationele complexiteit (FLOPs, parameters en latentie) van de baseline behouden blijft.

Experimentele Resultaten

Het voorgestelde framework werd geëvalueerd tegenover baselines met behulp van Joint IoU, mIoU, Recall en een nieuwe Recovery Rate metriek (die het percentage baseline zero-IoU-fouten meet dat succesvol is hersteld).

• Prestatiewinsten: De voorgestelde methode (BiSeNetV2 + Full Fine-tuning + CE–Lovász) behaalde een Joint IoU van 81,76% en een mIoU van 90,73%.
• Verbetering t.o.v. Baseline: Dit vertegenwoordigt een verbetering van 22,36 procentpunt in Joint IoU ten opzichte van de OHEM-gebaseerde baseline (59,40%).
• Herstel van Fouten: Het framework behaalde een Recovery Rate van 96,33%, waarmee het in staat was de naadgeometrieën te reconstrueren in gevallen waar het baseline-model volledig gefragmenteerde of ontbrekende voorspellingen produceerde (zero-IoU).
• Architecturale Vergelijking: Hoewel DeepLabV3+, UNet en SegFormer-B0 enige verbetering vertoonden, vertoonden zij onstabiel optimalisatiegedrag en aanzienlijk lagere herstelpercentages (bijv. DeepLabV3+ herstelde slechts 4,84% van de fouten). BiSeNetV2 bleek het meest geschikt voor deze taak vanwege de superieure capaciteiten voor het behoud van ruimtelijke informatie.
• Efficiëntie: De verbeteringen werden bereikt zonder de FLOPs (22,26 G), het aantal parameters (3,05 M) of de inferentielatentie (6,18 ms) te verhogen.

Betekenis en Claims

Het artikel stelt dat robuuste naadsegmentatie in reflecterende omgevingen fundamenteel een leer-stabiliteitsprobleem is, in plaats van een beperking in de architecturale capaciteit. Door de uitdaging te herformuleren van "het toevoegen van complexiteit" naar "het stabiliseren van optimalisatie", demonstreert de studie dat:

1. Optimalisatiestrategie > Architectuur: Een lichtgewicht model met een op maat gemaakte optimalisatiestrategie (hybride loss + transfer learning) presteert beter dan zwaardere architecturen in termen van zowel nauwkeurigheid als, cruciaal, het herstel van catastrofale fouten.
2. Kritikaliteit van Continuïteit: Bij robotisch lassen is het behoud van de geometrische continuïteit van dunne naden belangrijker voor trajectplanning dan het maximaliseren van de gemiddelde pixel-gewijze overlap. De Lovász-component is essentieel voor deze globale consistentie.
3. Praktische Implementatie: Het framework biedt een praktische oplossing voor op de edge geplaatste robotische systemen, waarbij substantiële winsten in robuustheid worden geboden zonder de computationele overhead van architecturale expansie of extra hardware-sensoren.
4. Foutbewustzijn: De studie benadrukt het belang van het evalueren van "Recovery Rates" voor zeldzame maar kritieke faalgevallen (zero-IoU), aangezien een gemiste naad kan leiden tot onveilige robotische uitvoering, waardoor het herstel van deze gevallen belangrijker is dan marginale verbeteringen in gemiddelde metrieken.

De auteurs concluderen dat hun aanpak een computationeel efficiënte, reflectiebestendige perceptieoplossing biedt die betrouwbaarder robotisch lassen in uitdagende constructieomgevingen mogelijk maakt.