摘要：钢管外表面视觉成像时容易出现灰度不均、局部过曝光等问题,致使利用二维灰度图像进行表面缺陷检测过程中漏检、误报等情况严重。为此,设计了基于3d点云的钢管外表面缺陷检测系统,通过围绕被测钢管环形布置多组3d相机获取到表征钢管轮廓的点云,收集样本构建出钢管缺陷数据集,训练PointNet++模型进行点云分割,输出代表缺陷的数据点集合,集合所涵盖的范围即为缺陷位置,数据点相对标定基准面的距离信息表示缺陷深度。本系统应用于工业现场,在完成缺陷检测的同时实现了深度方向的量化,对于钢管外表面缺陷的检测能力与探伤机相当,且具备更低的误报率、更少的设备安装维护成本,同时系统可扩展应用到类似的智能化检测场景。

摘要：随着深度学习技术在工业领域的大量部署,应用于运输、装卸、包装、分拣等环节的自动化系统成为仓储物流行业的研究热点。针对机器人箱体拆垛场景提出一个点云中心预测-聚类网络(center prediction-clustering network,CPCN),对箱体垛进行实例分割,并计算每个箱体的上表面中心坐标。CPCN在传统的语义-实例联合分割结构的基础上,为实例分割分支设计了中心预测模块和中心强化模块。中心预测模块帮助定位实例中心以避免中心点分割错误,中心强化模块令属于同一实例的点在特征空间中向中心聚集,二者有效增强了实例特征的辨识能力。在实例特征处理部分设计的中心-实例聚类方法直接对实例特征进行距离度量来计算实例标签,大幅减少了计算时间。在箱体数据集上进行的实验表明,与现有方法相比CPCN在实例分割任务中的平均精确率最低提高了0.7个百分点,最高提高了17.2个百分点,预测实例中心的准确率达到94.4%,中心偏移量低至13.70 mm,且推理速度快于同类型的联合分割网络,对于箱体拆垛任务更有针对性,具有良好的应用价值。

摘要：点云在目标检测等领域中有很重要的作用。目前对点云特征提取之前需要对点云进行预处理,通常的处理方法包括将点云投影到二维平面、利用栅格法将点云体素化或直接基于原始点云进行处理。这些方法都会损失一定的原始信息,直接处理点云的原始信息面临计算量很大的问题。为解决上述问题,设计了一个平行图卷积神经网络。在将点云转化为图的基础上,利用图卷积神经网络不同的卷积核来提取点云的特征,并通过提出的一种注意力机制进行不同层次的特征融合。提出的方法可以在最大程度上保留点云原始信息的基础上,从不同的角度提取图的特征。在KITTI数据集上的实验表明,所提出的方法是有效的,并且取得了较好的结果。

摘要：随着近些年3d数据集的丰富,3d刚性点云配准在环境识别、室内重建、外科手术等起着重要的作用。尽管有许多刚性点云配准的研究,但是这些研究无法处理拍摄等产生的局部形变。针对这种情况,提出α区域变换的刚性点云配准问题,通过允许不同区域拥有不同刚性变换来处理点云局部形变。为了解决新提出的问题,设计两阶段刚性点云配准算法RPCA。对于第一阶段,利用最大密度子图改进点对应关系从而求得全局变换。对于第二阶段,设计自适应算法在全局变换后来快速求解α区域变换。大量实验表明两阶段算法将配准误差降低了至少48%。与当前配准性能最好的方法相比,运行时间减少了86%。

摘要：目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-scale with Attention mechanism for Point cloud Upsampling),网络由特征提取器、特征拓展器、坐标细化器和坐标重建器4个模块级联组成。首先给定一个N×3的稀疏点云作为输入,为了获得点云的全局和局部特征信息,设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)用于将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度,得到高维点云特征,以更好地保留点云特征的边缘信息,将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。在合成数据集PU1K上的对比实验结果表明,PMA-PU生成的密集点云在倒角距离(Cd)、豪斯多夫距离(Hd)和点面距离(P2F)上都有显著提升,分别比性能次优的网络模型优化了7.863%,21.631%,14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器,能够生成细粒度更高、形状更接近真实值的密集点云。

摘要：3d点云语义分割在自动驾驶等现实应用中起着重要作用。现有大部分点云语义分割方法均依赖于大量获取成本昂贵的点级标签用于全监督训练,且在推理时无法扩展到对不可见新类的识别上。为克服上述限制,少样本学习(few-shot learning)通过仅使用少量标注的新类样本来实现到新知识的泛化。在对原型网络(prototypical network)研究基础上,设计一种对点云视觉原型进行自对齐、跨对齐正则化,并进一步矫正优化的少样本3d点云语义分割框架,以充分利用支撑集信息。在公开数据集S3dIS和ScanNet上不同少样本设置下(N-way,K-shot)的实验充分证明了方法在分割效果和推理效率上的优越性。

摘要：基于深度学习的3d点云目标检测技术在自动驾驶、智慧工业等领域快速发展的过程中起到了关键性及支撑性作用。然而,由于3d点云覆盖空间广阔、数据稀疏的特点,为了实现更高精度的目标检测,需要对原始点云数据进行数据增强操作。目前,针对2d图像数据增强方法的研究较为广泛,但是面向3d点云数据的增强方法研究仍处于早期阶段。因此,本文旨在针对3d目标检测数据增强方法研究进展进行综述,首先介绍了3d目标检测的基本技术和流程,然后介绍并分析了面向3d目标检测任务的数据增强方法,具体分为三个类别,包括基于2d图像衍化而来的3d点云数据增强方法、针对3d点云设计的增强方法以及混合与创新型数据增强方法。最后讨论了该领域存在的挑战以及未来的发展方向,为未来该领域的研究人员提供参考。

摘要：本文提出一种采用改进图形变换的3d点云压缩算法。所提算法首先通过改进图形变换将每个块中的所有子图连接为一个图,从源头减少直流系数个数。同时用每个块所有点的均值作为直流系数以降低直流量幅值,并对去平均的颜色值进行图形变换。考虑到量化后的交流系数的零系数占比比较大,本文采用了Run-Level的编码方法对非零的交流系数进行编码。对于直流系数,本文设计了一种预测编码方法对其进行有效编码。最后,编码完的交流系数和预测残差均采用霍夫曼编码器进行熵编码。实验结果表明所提算法相比多个现有3d点云压缩算法具有更高的压缩效率。

摘要：根据3d点云数据处理计算特点,按照BSP模型的技术思想,建立了3d点云BSP并行计算模型。讨论了HAMA框架下的3d点云BSP并行计算模型的实现方法,构建了一个由普通PC组成的HAMA计算集群。以3d点模型构建计算为例,给出了一种3d点云数据处理BSP算法设计方法。实例的计算结果表明:BSP并行计算方法能高效地完成3d点模型构建计算,与其它计算方法相比,计算效率有所提高。

摘要：针对所采集的原始3d点云电缆数据存在大尺度离群点和小尺度起伏噪点的问题,设计出一种基于3d点云的电缆自适应多尺度去噪算法。首先,对于原始3d点云电缆数据应用统计离群消除滤波算法滤波,去除大尺度空间孤立离群点;其次,对于传统双边滤波的两个参数σc以及σs应用了基于半径和标准差的自适应改进;最后,采用提出的基于半径和标准差的自适应双边滤波算法去除3d点云电缆数据中的小尺度起伏噪点。实验结果表明,提出算法对3d点云电缆数据能多尺度去除噪点,且无需人工调整参数,明确了电缆边界,实现了理想的点云去噪效果,为后续电缆分割、识别等可视化巡检奠定了良好基础。