DIVESPOT: 基于点云的堆状物体深度集成体积估计
计算机视觉与模式识别
2024-07-09 v1
摘要
堆状物体的非接触式体积估计在工业场景中具有巨大潜力，包括粮食、煤炭、采矿和石材。然而，在这些场景中使用现有方法面临着测量姿态不稳定、显著的光干扰、训练数据收集困难以及大型堆体带来的计算负担等挑战。为解决上述问题，本研究提出了一种基于点云技术的堆状物体深度集成体积估计方法(DIVESPOT)。针对测量姿态不稳定的挑战，基于随机采样一致性(RANSAC)和层次化基于密度的噪声应用空间聚类(HDBSCAN)设计了点云姿态校正与滤波算法。为应对光干扰并避免对训练数据的依赖，提出了基于高度分布的地面特征提取算法以实现与RGB无关的处理。为降低计算负担，开发了存储空间优化策略，从而可以通过使用压缩体素获得精确估计。实验结果表明，DIVESPOT方法能够实现对堆状点云的非数据驱动、与RGB无关的分割，体积计算相对误差保持在2%以内。即使体素网格压缩90%，结果的平均误差仍可低于3%。
引用
@article{arxiv.2407.05415,
title = {DIVESPOT: Depth Integrated Volume Estimation of Pile of Things Based on Point Cloud},
author = {Yiran Ling and Rongqiang Zhao and Yixuan Shen and Dongbo Li and Jing Jin and Jie Liu},
journal= {arXiv preprint arXiv:2407.05415},
year = {2024}
}