An AEC-Mamba Network for Semantic Segmentation of PCB Point Clouds

点云数据为电子元件与电路板之间的空间关系提供了准确且直观的表示。然而，由于点云结构不规则、小型物体普遍存在、密度分布不均匀、反射面以及工业组装场景中的噪声干扰，PCB点云的语义分割仍然具有挑战性。为应对这些挑战，本研究提出了基于AEC-Mamba的PCB点云语义分割网络。该框架基于动态图卷积神经网络（DGCNN），采用双分支架构，结合了用于局部几何建模的自适应边缘卷积（AEC）和用于全局依赖学习的序列化曼巴模块。具体来说，AEC模块动态构建局部邻域图，并通过图关注执行密度感知的自适应加权，从而增强边界区域和稀疏结构的表示。与此同时，曼巴分支通过希尔伯特空间填充曲线序列化无序点云，并以线性复杂度捕捉长程上下文依赖关系，有效补偿传统局部图卷积的有限全局感知。此外，引入焦点损失以缓解班级不平衡，提升难以分类样本的学习效果。在S3DIS和PCB数据集上的实验表明，该方法在稀疏输入和噪声条件下保持强鲁棒性，表现优于DGCNN及多种代表性点云分割方法。该方法为智能电子组装任务中的准确感知和机器人抓取提供了可靠的技术基础。