对于数字双胞胎的3D对象重建和生成管道的高效合成缺陷智能工厂智能工厂
Viet-Hoan Nguyen1,2, Thi-Ngot Pham3,4, Jun-Ho Huh3,4
1R&D Center, Intown Co., Ltd., Busan 08592, Republic of Korea.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
本研究介绍了3D工业对象重建和合成缺陷生成的框架,增强智能工厂的数字双胞胎. 合成数据显著改善了对象检测模型,证明了其在计算机视觉应用中的价值.
科学领域:
- 计算机视觉 计算机视觉
- 数字双胞胎是一个数字双胞胎.
- 三维重建的3D重建
背景情况:
- 高质量的3D对象对于数字双胞胎至关重要.
- 合成数据对于计算机视觉中的深度学习至关重要.
- 在现实世界中,收集缺陷数据是具有挑战性和昂贵的.
研究的目的:
- 为3D工业物体重建和合成缺陷生成开发一个统一的框架.
- 提高工业应用合成数据的现实性.
- 使用合成缺陷数据来提高对象检测性能.
主要方法:
- 利用神经辐射场 (NeRF) 来从智能手机视频中重建3D对象.
- 在Nerfstudio框架内比较了NeRF变体 (即时NGP,Nerfacto,Volinga,Tensorf).
- 在使用NVIDIA Omniverse Replicator精制的3D模型上生成合成缺陷.
- 使用合成和真实加合成缺陷数据集的YOLO模型评估对象检测.
主要成果:
- 即时NGP和Nerfacto在3D对象重建方面表现出卓越的性能.
- 合成缺陷数据提高了YOLO模型的概括能力.
- 在不同的YOLO版本中,mAP@0.5的精度提升范围从1.5%到18.8%.
结论:
- 拟议的框架有效地为工业应用生成现实的合成缺陷数据.
- 合成数据显著提高了对象检测模型的性能和概括性.
- 这种方法为工业计算机视觉中的数据稀缺提供了可行的解决方案.
