系统的完整架构包含四个核心阶段：数据生成、Swin3D + mHC 分割网络、GAN 域适应、评估。
| 阶段 | 核心 | 输出 |
|---|---|---|
| ① 数据生成 | ISO 8608 PSD 路面 + fBm + 13 病害基元 | .npz 点云场景 |
| ② 核心网络 | Swin3D (31.2M) + mHC 双随机通道混合 | 逐点 logits (B,N,38) |
| ③ GAN 适配 | DGCNN 生成器 (125K) + WGAN-GP 判别器 (83K) | 风格迁移点云 |
| ④ 数据加载 | Lightning DataModule + padding collate | 训练/验证/测试 batch |
| ⑤ 训练评估 | FocalLoss + DiceLoss + EdgeLoss | 38 类分割模型 |
类别: 38 个 JTG 5210-2018 标签（20 沥青 + 17 水泥 + 背景）。
10 步合成流程：
| # | 步骤 | 实现 | 说明 |
|---|---|---|---|
| 1 | 路面 PSP 合成 | primitives.roughness_psd() |
ISO 8608 功率谱密度生成路面轮廓 |
| 2 | 扫描线重采样 | primitives.lidar_scanlines() |
模拟 LiDAR 环形扫描模式 |
| 3 | fBm 纹理叠加 | primitives.fBm_surface() |
分形布朗运动微纹理 |
| 4 | 病害组合 | primitives.crack_bezier() / pothole() / rutting() 等 |
Bézier 裂缝 + 超椭圆坑槽 + 双高斯车辙 |
| 5 | 曲率计算 | generator._compute_curvature() |
局部 PCA 曲率估计 (k=16) |
| 6 | LiDAR 噪声 | primitives.lidar_noise() |
高斯测距噪声 + 角分辨率抖动 |
| 7 | 标签传递 | 逐点继承病害区域标签 | 背景=0, 裂缝=1..6, 坑槽=7..12, 车辙=13..18... |
| 8 | 体素下采样 | generator._voxel_downsample() |
0.01m³ 体素网格，保留标签众数 |
| 9 | 归一化 | generator._normalize() |
居中 + 缩放至单位球 |
| 10 | .npz 输出 | np.savez_compressed() |
包含 points/labels/feats/normals |
对齐 JTG 5210-2018 病害分类体系：
| 类型 | 基元函数 | 建模方法 | JTG 标签范围 |
|---|---|---|---|
| 裂缝 | crack_bezier(), crack_perlin(), crack_voronoi() |
Bézier 曲线 + Perlin 噪声 + Voronoi 图 | 1–6 |
| 坑槽 | pothole(), pothole_elliptical() |
超椭圆凹陷 + 边缘抬升 | 7–12 |
| 车辙 | rutting(), rutting_sinusoidal() |
双高斯轮迹 + 正弦纵向调制 | 13–18 |
| 修补 | patching() |
矩形/多边形填充区域 | 19–20 (沥青) |
| 露骨/剥落 | exposed_aggregate(), spalling() |
随机顶点位移 + 边缘剥片 | 21–26 (水泥) |
| 接缝/错台 | joint_faulting() |
板间高程差 + 接缝填充 | 27–31 (水泥) |
| 裂缝(水泥) | — | 同沥青裂缝，参数调为水泥面板 | 32–37 (水泥) |
Swin3D 骨干网络的详细配置如下：
| Stage | 深度 | 通道 | 头数 | 下采样 |
|---|---|---|---|---|
| S0 | 2 | 96 | 3 | — |
| S1 | 2 | 192 | 6 | — |
| S2 | 6 | 384 | 12 | — |
| S3 | 2 | 768 | 24 | — |
总参数量 ~31.2M。不做空间下采样（保护稀疏裂缝点）。分割头用跳跃连接融合 S0–S3 的多尺度特征。
mHC 替换标准 Transformer Block 中的 FFN 残差连接。核心操作为 Sinkhorn-Knopp 双随机通道混合：
输入: x (B, N, C)
M = softplus(W₁) · softplus(W₂ᵀ) # 亲和矩阵
H = SinkhornKnopp(M / τ, iters=5) # 双随机归一化
y = x + H · x_proj # 残差输出
- 训练: 5 次 Sinkhorn-Knopp 迭代，
τ=0.1 - 部署:
deploy()冻结 H 矩阵，零额外开销 - 效果: 深层训练更稳定，微弱裂缝信号保留率 +12%
@article{mhc2025,
author = {DeepSeek-AI},
title = {mHC: Manifold-Constrained Hyper-Connections},
journal = {arXiv:2512.24880},
year = {2025}
}def forward(x):
# Window attention
x = x + W-MSA(LN(x))
x = x + SW-MSA(LN(x))
# Replace FFN with mHC
x = x + MHC(LN(x)) # Sinkhorn-Knopp channel mixing
return x
L_seg = λ₁ · FocalLoss(γ=2) + λ₂ · DiceLoss + λ₃ · EdgeLoss(Sobel)
- FocalLoss: 处理类别不平衡（裂缝点占比通常 <5%）
- DiceLoss: 提升小目标分割质量
- EdgeLoss: Sobel 3×3 边缘检测，仅在裂缝边界区域激活
| 组件 | 架构 | 参数量 |
|---|---|---|
| StyleTransferGen | DGCNN EdgeConv (k=16) 编码器-解码器 | 125K |
| WGANDiscriminator | PointNet 风格 MLP + max-pool + 1×1 Conv | 83K |
- 生成器以 6 维输入 (xyz + feats) → 输出残差位移
- 倒角距离约束几何保真
- WGAN-GP 梯度惩罚训练
uv sync # Python >= 3.11每个模块有 if __name__ == "__main__" 自检块：
# 数据管线
python roadmc/data/synthetic/config.py
python roadmc/data/synthetic/primitives.py
python roadmc/data/synthetic/generator.py
# 核心网络
python roadmc/models/mhc/mhc.py
python roadmc/models/attention/window_attention.py
python -m roadmc.models.backbone.swin3d
python roadmc/models/model_pl.py
# GAN
python roadmc/models/gan/generator.py
python roadmc/models/gan/discriminator.py
# 数据加载
python roadmc/data/dataloader.py
python roadmc/data/real/dataset.py
# 训练管线（导入+形状检查）
python roadmc/train.py
# 可视化
python roadmc/test/test_visualize.pypython -m roadmc.scripts.generate_synthetic \
--train-count 2000 --val-count 500 \
--grid-res 0.01 --roughness B单个 .npz 场景文件字段：
| 字段 | 形状 | 类型 | 说明 |
|---|---|---|---|
points |
(N, 3) | float32 | XYZ 坐标 |
labels |
(N,) | int32 | JTG 标签 [0, 37] |
feats |
(N, 3) | float32 | 强度, 曲率, 裂缝边界距离 |
normals |
(N, 3) | float32 | 单位法向量 |
pavement_type |
— | str | "asphalt" 或 "concrete" |
import numpy as np
d = np.load("scene_0000.npz", allow_pickle=True)
pts = d["points"] # (N, 3)
lbl = d["labels"] # (N,)
fts = d["feats"] # (N, 3)运行 python roadmc/test/test_visualize.py 输出 13 张诊断图到 test/output/：
| 文件 | 内容 |
|---|---|
asphalt_multi_disease_2d_overlay.png |
沥青路面多病害 2D 俯视图 |
asphalt_rutting_corrugation_3d.png |
车辙病害 3D 形态 |
label_statistics.png |
标签分布统计柱状图 |
readmeimage/architecture.png |
系统总体架构图 |
readmeimage/data_pipeline.png |
数据管线图 |
readmeimage/model_architecture.png |
模型架构图 |
readmeimage/gan_architecture.png |
GAN 域适应架构图 |
三种模式，通过 train.py 启动：
| 模式 | 命令 | 说明 |
|---|---|---|
| baseline | python train.py baseline |
仅合成数据训练分割模型 |
| gan_enhanced | python train.py gan_enhanced |
GAN 预训练 + 风格混合 |
| end2end | python train.py end2end |
GAN + 分割交替优化 |
python train.py baseline --data_dir ./data/synthetic_output --max_epochs 50优化器: AdamW (lr=1e-4), CosineAnnealingLR。
逐类 IoU / 召回率 / 精确率，按路面类型分组：
python evaluate.py --checkpoint ./lightning_logs/version_X/checkpoints/best.ckpt输出终端表格 + JSON 报告。沥青 [1–20] / 水泥 [21–37] 分开统计。
roadmc/
├── data/
│ ├── synthetic/ # 合成生成器
│ │ ├── config.py # GeneratorConfig 数据类
│ │ ├── primitives.py # 13 个物理基元 (2020+ 行)
│ │ └── generator.py # 10 步管线
│ └── real/ # 真实数据加载 (stub)
├── models/
│ ├── backbone/swin3d.py # 4 阶段 Swin3D (~31M)
│ ├── attention/ # 3D 窗口注意力 + 可变形
│ ├── mhc/mhc.py # mHC (Sinkhorn-Knopp)
│ ├── gan/ # 风格迁移 GAN
│ │ ├── generator.py # DGCNN (125K)
│ │ └── discriminator.py # WGAN-GP (83K)
│ └── model_pl.py # Lightning + 损失
├── scripts/
│ └── generate_synthetic.py # 批量生成 CLI
├── test/
│ └── test_visualize.py # 13 张诊断 PNG
├── docs/
│ ├── data_pipeline.png
│ ├── model_pipeline.png
│ └── architecture.png
├── train.py # 训练入口
├── evaluate.py # 评估报告
├── run.py # 交互菜单
└── pyproject.toml
@article{mhc2025,
author = {DeepSeek-AI},
title = {mHC: Manifold-Constrained Hyper-Connections},
journal = {arXiv:2512.24880},
year = {2025}
}
@misc{roadmc2026,
author = {YQGHL},
title = {RoadMC: 物理仿真驱动的路面点云病害检测系统},
year = {2026},
howpublished = {\url{https://github.com/YQGHL/roadmc}}
}MIT © 2026 YQGHL。详见 LICENSE。