3D-CSAD：面向复杂制造表面的免训练三维异常检测
计算机视觉与模式识别
2024-04-12 v1 机器学习
摘要
近年来，基于三维点云数据的制造零件表面质量检测引起了越来越多的关注。其原因是，与以往侧重于某些关键产品特性的做法不同，三维点云能够捕获制造零件的整个表面。然而，由于制造零件表面复杂且难以收集足够的异常样本，实现精确的三维异常检测具有挑战性。为了解决这些挑战，我们提出了一种基于三维点云数据的、用于复杂制造零件的新型免训练异常检测方法，该方法无需训练数据即可在单个样本上实现精确的异常检测。在所提出的框架中，我们将输入样本沿不同方向转换为两组轮廓。基于其中一组轮廓，我们设计了一个新颖的分割模块，将复杂表面分割为多个基本且简单的组件。在每个组件中，另一组具有相似形状特性的轮廓可以被建模为一个低秩矩阵。因此，通过对这些低秩矩阵使用鲁棒主成分分析（RPCA），可以实现精确的三维异常检测。在不同类型零件上的大量数值实验表明，与基准方法相比，我们的方法取得了令人满意的结果。
引用
@article{arxiv.2404.07748,
title = {3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces},
author = {Xuanming Cao and Chengyu Tao and Juan Du},
journal= {arXiv preprint arXiv:2404.07748},
year = {2024}
}