基于PSO-KNN的变电站设备三维点云识别方法研究

针对传统的三维重建方法因数据缺失而造成的精度差、效率低等问题,在三维激光扫描点云的基础上,提出了一种将粒子群优化算法和k-近邻分类算法相结合的变电站设备三维点云识别方法。通过粒子群优化算法对各子空间特征的系数权重进行优化,k-近邻分类算法完成分类。通过实验分析点云子空间的大小和丢失率对识别效果的影响,并与改进的迭代最近点算法进行比较,验证该方法的优越性和准确性。实验结果表明,该方法具有较好的识别准确率和效率,识别准确率达到95%以上,平均识别时间为0.19 s,具有一定的应用价值。

轻量级的三维点云识别方法

针对当前三维点云识别方法存在时间和空间复杂度较高的问题,提出一种轻量级的三维点云识别方法。使用最远点采样法从原始点云中获取采样点,在采样点处构建K近邻图来有效获取点云的局部结构信息,大幅度降低网络的计算复杂度;使用注意力机制突出局部区域不同K近邻点的重要性,达到增强局部结构特征的目的;利用分组卷积提取高层次的局部结构特征的同时减少卷积层的参数量。在保证较高的识别准确率的前提下减少全连接层的参数量。在ModelNet40数据集上的实验结果表明,该方法的识别准确率达到同等或更优水平,网络模型的参数量得到大幅度减少,训练时间和测试时间更短,同时保持较高的鲁棒性。

基于三维点云处理技术的工件识别和匹配

在自动分拣领域,机器视觉技术起到举足轻重的作用,本文采用一种基于三维点云处理技术的方法对工件进行识别和匹配,从而从生产线上的杂乱工件堆中分拣出目标工件。首先,利用激光传感器采集密集点云,得到识别区域的三维点云数据。其次,进行点云数据的去噪和过滤,对去噪后的点云计算法线向量,再进行体素格子下采样获得关键点,减少计算量。再次,对关键点计算法线方向的直方图特征描述子,从而获取目标点云和场景点云相关联的描述符,使用K近邻树状结构搜索算法,基于欧几里德距离找到相似的描述符,并添加到关联集中。再者,调用聚类算法,基于霍夫投票算法获得场景中的与目标点云匹配的局部点云集,然后使用点云匹配算法迭代最近点算法进行目标点云与锁定的局部点云集进行匹配。最后,为了减少错误率,使用全局假设验证算法过滤掉错误的点,并标定识别到的目标进行可视化输出。该方法相对于一般算法,实现对目标的高效匹配,提高了识别的时间和精度。

一种基于零阶球谐函数的点云识别方法

本文方法运用基于零阶球谐函数来解决三维点云的识别问题.其核心在于利用最小二乘法将模型的原始坐标拟合成球谐函数正交基的扩展系数,并且将标量形式的计算过程改为以三个坐标轴方向分别推导的向量形式,目的在于使三维点云识别的过程不受原模型几何形状结构的影响.此识别方法具备平移旋转不变的特性,并且在计算过程中不需要预先对三维点云模型进行对齐操作,进一步缩短了识别时间,提高了运算效率.为解决三维点云识别的实时性问题提供了新方法.