CSTNet:外墙建筑喷涂机器人场景语义分割算法

摘要

针对外墙喷涂机器人对建筑山墙喷涂区域及边界的识别不精确的问题，提出一种基于卷积神经网络(convolutional neural network, CNN)与Transformer融合的图像语义分割方法(CNN and swin transformer network, CSTNet)。在编码器结构中通过上下文特征自适应选择模块(contextual feature adaptive selection module, CFASM)将CNN和Swin-T高效融合以同时捕获局部特征和全局上下文信息。采用一种多并行无孔空间金字塔池化模块，在扩大感受野的同时防止信息丢失。在模型的尾部解码器设计了一个通道选择模块，在不改变通道和权重的直接对应关系的同时，增大对喷涂区域及边界识别敏感的特征权重。通过实际施工过程采集图片构建的建筑山墙数据集来验证模型的有效性。实验结果表明，与其他先进方法相比，提出方法的mIoU和mPA分别为92.88%和96.23%,分别提高了2.71%和1.82%,并使得模型的参数量显著地降低。CSTNet为建筑山墙喷涂机器人提供了更为准确的环境信息，帮助其实现更高效精准的施工作业。

关键词

建筑山墙 / 注意力机制 / 机器人喷涂 / 语义分割 / 深度学习