Automated Removal of Planar Clutter from 3D Point Clouds for Improving Industrial Object Recognition
Notice bibliographique
Résumé
Automated Removal of Planar Clutter from 3D Point Clouds for Improving Industrial Object Recognition Thomas Czerniawski, Mohammad Nahangi, Scott Walbridge and Carl Haas Pages 357-365 (2016 Proceedings of the 33rd ISARC, Auburn, USA, ISBN 978-1-5108-2992-3, ISSN 2413-5844) Abstract: The industrial construction industry makes use of prefabrication, preassembly, modularization and off-site fabrication (PPMOF) for project execution because they offer a superior level of control as compared to on-site operations. This control is enabled by systematic and thorough performance feedback loops. Improvement of the feedback systems within these facilities will require a transition away from suboptimal manual data collection to more reliable automated data collection and processing. Laser scanners are an effective tool for automatically gathering dimensional data but extraction of useful information from point clouds remains a challenge. The speed of 3D object recognition methods depends on the size of the search space. Methods for reducing this search space are needed in order to improve the performance of 3D object recognition and subsequent information extraction. Large planar objects (e.g. floors and walls) constitute a large portion of the search space in fabrication facilities, yet are rarely the objects of interest for analysis. In this paper, an automated framework for detecting and removing large planes in point clouds is presented to speed up object recognition. The raw point cloud is first Guassian mapped to normal vector space by calculating normal vectors at each point. The Gaussian sphere is clustered using a density-based clustering algorithm and major parallel planes are segmented from the rest of the point cloud. The major planes are removed and the remaining objects in the scene continue on to 3D object recognition. Results show the algorithm for automatic plane removal can reduce the search space for object recognition by as much as 60% or 70%. Keywords: Fabrication and process control, industrial fabrication, pipe spool, 3D laser scanning, 3D point cloud, 3D object recognition, clutter removal. DOI: https://doi.org/10.22260/ISARC2016/0044 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».