La detección eficiente de anomalías de nubes de puntos industriales a través de la agregación de contexto espacial y...

Área de la Ciencia:

• Fabricación Ingeniería de fabricación Ingeniería.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La detección automatizada de defectos superficiales en piezas 3D es crucial para la calidad y seguridad de la fabricación.
• Los métodos existentes se enfrentan a desafíos con la ambigüedad del contexto geométrico, la falta de coincidencia de dominio en las exploraciones industriales y los datos de defectos limitados.
• Estas limitaciones dificultan la detección fiable y eficiente de anomalías en escenarios de fabricación del mundo real.

Objetivo del estudio:

• Proponer un novedoso marco de un solo paso hacia adelante para la detección de anomalías de nubes de puntos en partes 3D.
• Para superar los desafíos en la ambigüedad del contexto geométrico, la falta de coincidencia de dominio y la escasez de datos para la detección de defectos de superficies industriales.
• Para lograr una detección automatizada eficiente y precisa de defectos superficiales en piezas complejas fabricadas en 3D.

Principales métodos:

• Desarrolló un marco con agregación de contexto espacial utilizando la alineación óptima de transporte para el contexto global.
• Implementado un adaptador de características (MLP) para ajustar las incorporaciones Point-MAE para las características de escaneo industrial.
• Se introdujo un generador de características anómalas selectivas para sintetizar negativos duros, reduciendo la dependencia de las etiquetas de defecto.

Principales resultados:

• Logró mejoras significativas en el punto de referencia Real3D-AD: 2.8% (AUROC a nivel de puntos), 5.7% (AUPR a nivel de puntos), 3.0% (AUROC a nivel de objetos) y 3.5% (AUPR a nivel de objetos).
• Demostró un rendimiento robusto en el conjunto de datos Industrial3D-AD con ruido realista del sensor y materiales reflectantes (2,9% / 5,3% a nivel de puntos, 2,8% / 3,3% a nivel de objetos).
• La tubería propuesta ofrece densas puntuaciones de anomalías por punto a una alta velocidad de inferencia de hasta 13,5 FPS.

Conclusiones:

• El nuevo marco aborda efectivamente los desafíos clave en la detección de defectos de superficie 3D para la fabricación.
• Los módulos propuestos mejoran la comprensión del contexto, adaptan las características a los datos industriales y mitigan los problemas de escasez de datos.
• Este enfoque ofrece una solución prometedora para mejorar el control de calidad automatizado en la fabricación a través de una detección de anomalías eficiente y precisa.