基于木质小块的住宅建筑语义分割

自动化施工是可以提高效率、降低成本并最小化施工过程中错误的前景广阔领域之一。本文对三种神经网络模型用于语义分割的性能进行比较分析，包括 U-Net(light)、LinkNet 和 PSPNet。为实验创建了两个专门的数据集，包含由木质小块构建的住宅图像。第一个数据集包含 4 类（背景、地基、墙体、屋顶），旨用于基本模型评估；第二个数据集包含 44 类，其中每个小块被标记为独立对象。所有模型使用相同的超参数进行训练，并使用 MeanIoU 和 F1 Score 指标评估其准确性。根据获得的结果，U-Net(light) 在第一个数据集上表现最佳，分别达到 78% 的 MeanIoU 和 87% 的 F1 Score；在第二个数据集上分别为 17% 和 25%。第二个数据集上的表现差是由于数据量有限、分割复杂以及类别不平衡，导致难以准确选择单个小块。此外，所有实验中均观察到过拟合现象，表现为在训练数据集上准确率很高，而在验证数据集上的准确率显著下降。本工作是为开发自动生成分阶段建筑计划算法的基础，这些算法可以进一步扩展到设计完整建筑。未来的研究计划扩展数据集并应用方法来缓解过拟合问题（如 L1/L2 正则化、提前停止）。下一阶段的工作将是开发用于从小块构建住宅的逐步计划自动生成算法。