基于稀疏学习的高密度3D点云数据建模与生产过程在线监控研究

生产过程在线监控对生产的稳定运行和产品质量保障发挥着重要作用。随着三维扫描技术的快速发展，当前复杂制造系统已能通过三维扫描设备采集高密度3D点云数据用以对生产过程进行全面监控与产品质量评估。然而，由于高密度3D点云数据存在复杂度高、数据量大等特点，目前尚缺乏能有效针对这类数据的统计建模与在线监控方法。本课题以复杂制造系统产生的高密度3D点云数据为研究对象，提出了基于稀疏学习的统计建模与生产过程在线监控研究方案。课题充分考虑到实际生产过程产品质量缺陷稀疏且种类繁多等特点，系统引入稀疏学习理论对高密度3D点云数据建模并快速学习模型参数来实现质量缺陷精准检测与识别的目的。同时，课题拟通过充分融合工程背景知识和稀疏学习理论的方法建立一套快速分析高密度3D点云数据的在线监控方法。该研究将最终为解决复杂制造系统实时处理海量数据的问题奠定科学基础，同时也为生产过程在线监控提供理论依据与关键技术。

图1 展示了3D点云数据表示下钢坯表面的三种defects：(a)压坑，(b) 针孔，(c) 振痕。

图1 展示了3D点云数据表示下钢坯表面的三种defects：(a)压坑，(b) 针孔，(c) 振痕。如何精准检测与识别这些缺陷对质量评估及生产过程改善是重要的，本项目主要探索基于稀疏学习理论的缺陷检测方法，对产品表面及缺陷进行建模与参数学习，进而实现缺陷的精准检测与识别。