Precise Top-Layer Fabric Segmentation for Fabric Destacking with Edge- and Shape-Aware Deep Networks
作者: Wenbo Dong, Dipankar Bhattacharya, Akinari Kobayashi, Akira Seino, Fuyuki Tokuda, Xuzhao Huang, Kai Tang, Norman C. Tien, Kazuhiro Kosuge
分类: cs.CV, cs.RO
发布日期: 2026-08-11
备注: 7 pages, 3 figures. Published in IEEE ICMA 2025. Author's accepted manuscript. Code: https://github.com/bhattner143/top-layer-fab-seg
期刊: 2025 IEEE International Conference on Mechatronics and Automation (ICMA), Beijing, China, Aug. 2025
DOI: 10.1109/ICMA65362.2025.11120697
💡 一句话要点
提出多分支深度网络以解决面料堆叠分割问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 面料分割 深度学习 边缘感知 形状感知 机器人操作 自动化制造
📋 核心要点
- 现有的语义和边缘分割方法在处理面料堆叠时，因边界模糊和层间相似性高而表现不佳。
- 本文提出了一种改进的编码器-解码器框架，通过引入边缘感知和形状感知两个分支来提升分割精度。
- 实验结果显示，该方法在真实面料数据集上超越了传统基线，验证了其多分支设计的有效性。
📝 摘要（中文）
面料去堆叠需要对最上层面料进行精确分割，但由于面料边界微妙和层间视觉相似性高，现有的语义和边缘分割方法常常难以应对这些复杂性。本文提出了一种新颖的分割训练架构，专为堆叠面料的最上层分割设计。该方法在经典的编码器-解码器框架基础上，增加了两个专门的分支——边缘感知分支和形状感知分支，以更好地调节主干网络。边缘感知分支增强了边界的清晰度，而形状感知分支则引导网络捕捉和对齐面料的整体形状。实验结果表明，该训练方法在真实世界的面料数据集上优于现有基线，验证了多分支设计的有效性。
🔬 方法详解
问题定义：本文旨在解决面料去堆叠中的最上层面料精确分割问题。现有方法在处理面料边界模糊和层间视觉相似性时效果不佳，限制了机器人操作的性能。
核心思路：提出了一种新颖的分割训练架构，通过引入边缘感知分支和形状感知分支，增强了对面料边界和形状的理解，从而提升分割精度。
技术框架：整体架构基于经典的编码器-解码器模型，增加了两个分支：边缘感知分支负责增强边界信息，形状感知分支则通过参考CAD模型来指导网络捕捉面料形状。
关键创新：最重要的技术创新在于引入了多分支设计，边缘感知和形状感知分支的结合使得网络能够更好地处理复杂的面料分割任务，这与传统的单一分支方法有本质区别。
关键设计：在网络结构上，边缘感知分支采用了特定的损失函数来强调边界信息，而形状感知分支则利用CAD模型生成的参考掩码进行监督，确保网络能够准确对齐面料形状。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在真实面料数据集上相较于传统基线提升了分割精度，具体性能数据展示了在多个指标上均有显著改善，验证了多分支设计的有效性。
🎯 应用场景
该研究的潜在应用领域包括自动化纺织品处理、智能制造和机器人操作等。通过提高面料分割的精度，能够显著提升机器人在复杂环境中的操作能力，推动相关行业的智能化发展。
📄 摘要（原文）
Fabric destacking requires precise segmentation of the topmost fabric layer, a task complicated by subtle fabric boundaries and high visual similarity between fabric layers. Existing semantic and edge-based segmentation approaches often struggle with these complexities, limiting the performance of robotic manipulation for different tasks. In this work, a novel segmentation training architecture tailored for top-layer fabric segmentation in stacked fabrics is proposed. The method extends the classical encoder-decoder framework by introducing two specialized branches - an edge-aware branch and a shape-aware branch - that are used to supervise the backbone network for better tuning. The edge-aware branch enhances boundary delineation, while the shape-aware branch guides the network to capture and align the overall fabric shape with reference masks derived from Computer Aided Design (CAD) models. Experiments on a real-world fabric dataset demonstrate that the training approach outperforms established baselines, verifying the effectiveness of the multi-branch design through both quantitative results and ablation studies.