LAR-Net:面向反应釜内壁药物沉积物点云分割的轻量级自适应感受野网络

《Scientific Reports》:LAR-Net: a lightweight adaptive receptive field network for point cloud segmentation of pharmaceutical deposits on reactor inner walls

【字体: 大 中 小 】 时间:2026年11月21日 来源:Scientific Reports 4.9

编辑推荐:

  化学反应容器的智能化清洗是设备运行与维护的必然趋势,其实施高度依赖于对容器内壁药物沉积物残余量及空间分布的高精度感知。然而,常规检测方法存在劳动强度大、效率低及形态重建能力弱三大局限,难以支撑精细化、需求驱动和定量化的清洗策略。尽管点云深度学习已广泛应用于三维

化学反应容器的智能化清洗是设备运行与维护的必然趋势,其实施高度依赖于对容器内壁药物沉积物残余量及空间分布的高精度感知。然而,常规检测方法存在劳动强度大、效率低及形态重建能力弱三大局限,难以支撑精细化、需求驱动和定量化的清洗策略。尽管点云深度学习已广泛应用于三维语义分割,但面向反应釜内壁药物沉积物检测的专用网络仍然有限。现有通用模型对沉积物体尺度小、边界弱及不规则粘附模式适应性差,导致局部细节表征不足与边界勾画不完整。为解决这些问题,研究人员提出了LAR-Net,一种面向反应釜内壁药物沉积物点云分割的轻量级自适应感受野网络。该研究基于轻量级混合骨干网络LitePT,LAR-Net根据局部几何复杂度动态调整感受野,通过自适应关系卷积(Adaptive Relation Convolution, AR-Conv)建模局部体素间关系,并在局部斑块内重校准通道特征以增强小尺度沉积物的特征表征。研究人员构建了反应釜内壁药物沉积物点云数据集用于模型评估。在测试集上,LAR-Net取得了0.8326的平均交并比(mean Intersection over Union, mIoU)、0.8827的平均准确率(mean Accuracy, mAcc)、0.6781的沉积物类交并比(Intersection over Union, IoU)和0.7713的沉积物类准确率,较LitePT分别提升了1.11、1.49、2.18和2.99个百分点。此外,LAR-Net在分割精度、边界保持、几何一致性和计算效率之间取得了良好平衡,展示了细粒度药物沉积物分割能力的提升,并为化学反应器沉积物自动化检测与智能清洗提供了支撑。
反应釜是化工生产的核心设备,其运行状态直接关系到反应效率、产品质量与生产安全。在长期运行过程中,药物沉积物(pharmaceutical deposits)会在反应釜内壁逐渐累积,不仅降低传热效率、破坏反应均匀性,还可能引发局部堵塞、腐蚀加剧及设备性能退化,严重时导致停机维护与重大经济损失。因此,对反应釜内壁药物沉积物进行检测与分割是智能设备维护与工业过程监控的重要环节。然而,检测任务不仅限于识别缺陷存在,还需通过语义分割确定沉积物的分布位置、厚度变化及粘附形态,以制定差异化精准清洗策略。现有工业实践中,反应釜内壁检测主要依赖人工观察、内窥镜或常规图像采集,Myrans et al.与Yang and Su虽分别尝试随机森林及反向传播神经网络等自动检测方法,但传统方法普遍存在劳动强度大、效率低及形态重建能力弱等问题,难以对不规则药物沉积物进行稳定的定量分析。随着二维视觉检测发展,基于YOLO的检测器虽被引入工业检测,但图像方法易受光照变化、视角畸变、遮挡、表面反射及纹理退化影响,尤其在内窥镜或封闭空间检测场景中信号噪声比低、几何畸变显著。更重要的是,二维图像无法可靠提供沉积物厚度、空间位置、表面形态及粘附范围的完整三维信息,难以精确恢复沉积物的三维形态、空间分布与边界结构。随着三维扫描系统、激光雷达(LiDAR)与深度相机发展,点云(point cloud)技术因具备非接触测量、完整几何信息及对光照低敏感性等优势,在复杂曲面与封闭空间检测中展现出潜力。但现有点云研究多聚焦于规则工业部件或整体结构建模,针对反应釜内壁药物沉积物这类具有局部粘附、形态不规则、边界复杂及尺度变化显著特征的细粒度分割仍缺乏针对性研究。该任务的核心挑战在于:模型需同时理解全局反应釜壁结构并保持局部沉积物细节,而现有局部邻域聚合方法(如PointNet++)依赖固定邻域信息,难以建模长距离上下文;基于注意力机制的方法(如Point Transformer)虽增强全局交互,但计算复杂度高、参数开销大,难以部署于工业场景;OA-CNNs虽提出空间自适应感受野,但主要面向通用三维场景,未针对小尺度目标、弱边界、不规则形态及严重前景背景不平衡的工业沉积分割任务优化,且多尺度特征聚合与稀疏卷积带来较高模型复杂度。

针对上述问题,研究人员提出了LAR-Net(Lightweight Adaptive Receptive-field Network),一种基于LitePT轻量混合骨干网络的点云分割框架。该网络在编码器-解码器结构中嵌入三个专用模块:空间自适应感受野模块根据局部几何复杂度动态调整特征聚合范围;自适应关系卷积(Adaptive Relation Convolution, AR-Conv)通过质心代理体素建模局部体素间关系;斑块级通道注意力(Patch-wise Channel Attention)模块在局部斑块内重校准通道特征以增强小尺度沉积物表征。研究人员构建了模拟反应釜内壁药物沉积物点云数据集,采用乙酸乙酯、邻苯二甲酸二丁酯与药物原料人工制备粘附样本,通过转台与LiDAR传感器完成360°环形扫描与多视角配准,经预处理、强度归一化及伪彩色映射后,形成包含600个场景样本的数据集,按6:2:2划分训练集、验证集与测试集。实验结果表明,LAR-Net在测试集上取得0.8326的平均交并比(mean Intersection over Union, mIoU)、0.8827的平均准确率(mean Accuracy, mAcc)、0.6781的沉积物类交并比(Intersection over Union, IoU)及0.7713的沉积物类准确率,较LitePT分别提升1.11、1.49、2.18与2.99个百分点;在边界与几何一致性方面,F-score@10mm达0.794,Chamfer Distance(CD)为1.49 mm,95th percentile Hausdorff Distance(HD95)为9.36 mm,均优于或媲美现有方法。同时,模型仅含14.79M参数,推理延迟39.52 ms,展现出良好的精度-效率平衡,为化学反应器沉积物自动化检测与智能清洗提供了技术支撑。

LAR-Net采用U-Net-like编解码结构,基于LitePT(融合卷积与注意力的轻量级混合骨干)构建。在空间自适应感受野模块中,研究人员通过体素网格划分(Voxel Grid Partitioning)机制将稀疏体素化表示分割为N个非重叠体素块,并设计分层金字塔体素网格以适配编码器多尺度分辨率;利用可学习线性层δadp预测各体素在K个网格尺度上的偏好权重,经SoftMax归一化后聚合多尺度体素块特征并与投影原始特征融合,实现感受野自适应调节。自适应关系卷积(AR-Conv)以深度可分离卷积(Depthwise Convolution)为计算基础,在局部体素网格内构建质心代理体素(Centroid Proxy Voxel),通过非空体素与质心代理特征的平均池化生成局部几何中心表征;随后计算各非空体素与质心代理特征的差值,经线性映射与通道维度SoftMax归一化生成动态卷积核权重,实现轻量化的局部关系建模,并通过残差连接融合原始特征。斑块级通道注意力模块将点云按体素坐标排序或空间填充曲线序列化后划分为固定大小斑块,对每个斑块内点云进行平均池化生成斑块级描述符,经一维卷积(Conv1D)与Sigmoid激活生成通道注意力权重,并在斑块内广播实现特征重加权,在降低计算复杂度的同时保留局部几何一致性。数据集构建方面,研究人员采用转台与LiDAR传感器对反应釜内壁进行360°扫描,利用扫描姿态与空间关系完成多视角配准,经离群点去除、局部噪声滤波、体素网格下采样与平滑预处理后,人工标注反应釜壁背景与药物沉积物两类语义标签,最终将近邻点强度归一化并映射为RGB伪彩特征,与空间坐标组成六维特征向量输入网络。

与现有经典模型的性能比较研究显示,在600个场景样本的数据集上,LAR-Net取得最高验证mIoU 0.8111与测试mIoU 0.8326,沉积物类IoU 0.6781,训练损失0.183为所有对比模型中最低。与PointNet++、Point Transformer V1/V2/V3(PTv1/PTv2/PTv3)、OA-CNNS、Sparse-UNet及MinkUNet相比,LAR-Net在保持参数量仅14.79M的同时实现了最优整体性能。尽管PTv3在沉积物类准确率上表现接近,但其参数量达46.1M,推理延迟89.82 ms,计算成本显著更高。

边界与几何一致性比较通过F-score@10mm、Chamfer Distance(CD)与HD95三项指标展开。LAR-Net取得F-score@10mm 0.794、CD 1.49 mm、HD95 9.36 mm。较基线LitePT,F-score@10mm从0.776提升至0.794,CD从1.82 mm降至1.49 mm,HD95从12.46 mm降至9.36 mm。与Transformer方法PTv3相比,LAR-Net的F-score@10mm略低,但CD与HD95均为所有方法最低;与基于体素稀疏卷积的MinkUNet相比,LAR-Net虽然F-score@10mm略低,但CD与HD95更优,表明其在薄层结构与不规则边界区域的几何重建精度更高。

计算复杂度与效率比较表明,LAR-Net训练阶段显存占用21.64 GB,测试阶段1.25 GB,推理延迟39.52 ms,参数量14.79M。与PTv3(46.1M/89.82 ms)、OA-CNNS(51.5M/107.26 ms)、Sparse-UNet(39.1M)及MinkUNet(39.2M/75.45 ms)相比,LAR-Net以适度参数量增长实现了性能提升,展现出良好的工业部署潜力。

可视化比较结果显示,LAR-Net在沉积区域位置、形态与空间连续性上与真值标注一致性最高,尤其在上部曲面区域、右侧局部区域及底部小尺度沉积物区域表现更优。Point Transformer V1/V2/V3对小尺度与稀疏沉积物点恢复不足,存在碎片化与缺失;OA-CNNS、SPU-Net、MinkUNet及LitePT则出现明显漏检,预测边界粗糙且对背景抑制过度导致真实小尺度沉积点被过抑制。LAR-Net有效保持了离散块体或条状分布沉积区域的点密度与空间连续性,减少了沉积收缩、碎片化与漏检。

消融研究以LitePT为基线,分别引入斑块级通道注意力、空间自适应感受野(SAR)模块及两者组合。结果表明,单独引入斑块级通道注意力不改变参数量(12.7M),验证沉积类mIoU从0.5985提升至0.6215;单独引入SAR模块参数量增至14.76M,验证沉积类mIoU达0.6289,测试mIoU 0.8291,沉积物类IoU 0.6713,为性能提升主要来源。完整LAR-Net验证沉积类mIoU达0.6381,HD95从基线12.46 mm降至9.36 mm。基于Welch双样本t检验的95%置信区间分析显示,LAR-Net与LitePT的测试mIoU差异置信区间为[0.00796, 0.01424],沉积物类IoU差异为[0.01663, 0.02697],均不包含零,证实性能提升具有统计学显著性。

LAR-net关于点云空间分辨率和点密度的敏感性分析通过变化体素尺寸(0.01 m、0.02 m、0.03 m、0.05 m)评估LAR-Net鲁棒性。结果显示,体素尺寸从0.01 m增至0.05 m时,点保留比从82%降至18%,训练峰值显存从31.05 GB降至8.73 GB,推理延迟从53.27 ms降至26.89 ms。但分割性能随之下降,药物沉积类IoU从0.6879(0.01 m)降至0.5962(0.05 m),边界F-score@10mm从0.827降至0.712,表明过大体素尺度会丢失薄层沉积与破碎边界的关键几何信息。

沉积区域可视化与定量面积比较通过局部主成分分析(PCA)投影与二维网格占用统计计算沉积面积。四个代表性样本中,LAR-Net的面积估计结果在边界保持与区域完整性上均优于LitePT,与真值标注更为接近,尤其在ination小尺度与不规则区域表现出更低的面积估计误差。

讨论部分指出,LAR-Net能够完整保持药物沉积物的空间分布与局部形态,尤其在小尺度沉积物、稀疏沉积点及破碎边界区域展现出更强的识别能力。基于该分割结果,可进一步将预测沉积点云重构为面表示,通过累积重构表面面积估算覆盖度,结合空间位置、覆盖面积与厚度信息评估不同区域沉积严重程度,从而制定差异化清洗区域规划,为精密清洗策略与清洗周期优化提供数据支持。然而,该方法在处理超大规模点云及边缘设备部署方面仍存在局限,且当前研究主要聚焦药物沉积物分割,对同一样本包含多种缺陷类型的多类别工业缺陷分割仍需进一步验证。

研究结论翻译如下:现有基于深度学习的点云语义分割方法在精确分割反应釜内壁药物沉积物方面仍面临挑战。针对药物沉积物尺度小、形态不规则、边界复杂及反应釜壁背景占主导等特点,研究人员提出LAR-Net,一种基于LitePT骨干的轻量级自适应关系网络。该网络引入空间自适应感受野模块、自适应关系卷积模块与斑块级通道注意力模块,分别从动态感受野调整、局部几何关系建模与局部显著特征增强三个互补维度提升性能,使网络在大尺度光滑反应釜壁区域保持全局一致性的同时,强化了对沉积边界、凸起、离散小目标及细粒度局部结构的识别能力。分割结果表明,LAR-Net较现有方法更完整地保留了药物沉积物的空间分布与局部形态,对小尺度、稀疏及破碎边界区域具有更强识别能力。此外,LAR-Net不仅实现了细粒度三维点云分割,更为后续智能清洗与设备维护决策提供了潜在支持。

订阅生物通快讯

订阅快讯:

最新文章

限时促销

会展信息

关注订阅号/掌握最新资讯

今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

版权所有 生物通

Copyright© eBiotrade.com, All Rights Reserved

联系信箱:

粤ICP备09063491号