当前位置：首页 > article >正文

【2022工业3D异常检测文献】Patch+FPFH: 结合3D手工点云描述符和颜色特征的异常检测方法

article 2024/10/19 5:38:59

AN EMPIRICAL INVESTIGATION OF 3D ANOMALY DETECTION AND SEGMENTATION

1、Background

PatchCore 方法：

PatchCore是一种基于2D图像的异常检测方法，它使用预训练的深度学习模型（如在ImageNet上预训练的模型）来提取图像的局部特征。
这些特征随后用于训练一个异常评分模型，通常是通过计算特征向量与正常训练数据集的最近邻距离来实现。
PatchCore 在2D图像的异常检测和分割任务中表现出色。

FPFH 方法：

FPFH（Fast Point Feature Histograms）是一种用于3D点云数据的特征描述符，它描述了点云中每个点的局部形状特征。
FPFH 通过计算点的k-最近邻，然后基于邻居点的位置和表面法线生成一个直方图特征来工作。
这种方法对于3D物体的识别和分析非常有效，尤其是在机器人和计算机视觉领域。

结合 PatchCore 和 FPFH：

将这两种方法结合起来可以 充分利用2D颜色信息和3D几何信息的优势。
具体来说， FPFH用于提取3D点云的几何特征，而PatchCore用于处理与颜色和纹理相关的2D图像特征。
这两种特征被结合起来，作为一个更丰富的表示输入到异常检测模型中，以提高检测和分割的准确性。

2、Method

算法流程：

数据预处理：
- 3D点云和RGB图像获取：对于每个工业产品，获取相应的3D点云和RGB图像。
- 背景和噪声移除：使用RANSAC算法移除背景平面，并使用DB-Scan算法移除点云中的离群点。
特征提取：
- PatchCore特征提取：
  - 对RGB图像应用预训练的卷积神经网络（如ImageNet预训练的WideResNet50）。
  - 从网络的不同层（如块2和块3的聚合输出）提取局部区域（patch）的特征。
    这些特征用于表示图像的局部区域。
- FPFH特征提取：
  - 对3D点云应用FPFH算法，计算每个点的局部几何特征。
  - FPFH描述符通过考虑点的k-最近邻和表面法线生成直方图特征。
特征组合：
- 将PatchCore提取的颜色特征和FPFH提取的几何特征进行拼接（concatenation）。
- 这样，每个局部区域都由一组综合了2D颜色信息和3D几何信息的特征向量表示。
异常评分：
- 使用k-最近邻（k-NN）算法计算每个局部区域特征向量与正常训练数据集的最近邻距离。
- 根据最近邻距离为每个局部区域分配异常得分。
异常分割和检测：
- 像素级异常分割（Pixel-wise Anomaly Segmentation）：
  - 根据计算出的异常得分，确定每个像素是否为异常。
  - 分数高于某个阈值的像素被认为是异常。
- 样本级异常检测（Sample-wise Anomaly Detection）：
  - 对于整个图像或点云，基于局部区域中最异常的得分来确定是否为异常样本。
评估：
- 使用I-ROC（图像级别的ROC曲线）、P-ROC（像素级别的ROC曲线）和PRO（预测与真实标注的重叠度量）等指标评估模型的性能。

pseudo-code

# 导入必要的库
import PatchCore
import FPFH
import preprocessor
import feature_combiner
import anomaly_detector

# 步骤1: 数据预处理
def preprocess(data):
    point_cloud, rgb_image = data
    point_cloud = preprocessor.remove_background(point_cloud)
    point_cloud = preprocessor.remove_outliers(point_cloud)
    return point_cloud, rgb_image

# 步骤2: PatchCore特征提取
def extract_patchcore_features(rgb_image):
    features = PatchCore.extract_features(rgb_image)
    return features

# 步骤3: FPFH特征提取
def extract_fpfh_features(point_cloud):
    features = FPFH.compute_descriptors(point_cloud)
    return features

# 步骤4: 特征组合
def combine_features(patchcore_features, fpfh_features):
    combined_features = feature_combiner.concatenate(patchcore_features, fpfh_features)
    return combined_features

# 步骤5: 异常评分
def score_anomalies(combined_features, training_data):
    scores = anomaly_detector.k_nearest_neighbor(combined_features, training_data)
    return scores

# 步骤6: 异常分割和检测
def segment_and_detect(scores, threshold):
    segmented_output = anomaly_detector.segment(scores, threshold)
    detected_output = anomaly_detector.detect(scores, threshold)
    return segmented_output, detected_output

# 主流程
def main(data, training_data, threshold):
    # 数据预处理
    point_cloud, rgb_image = preprocess(data)
    
    # 特征提取
    patchcore_features = extract_patchcore_features(rgb_image)
    fpfh_features = extract_fpfh_features(point_cloud)
    
    # 特征组合
    combined_features = combine_features(patchcore_features, fpfh_features)
    
    # 异常评分
    scores = score_anomalies(combined_features, training_data)
    
    # 异常分割和检测
    segmented_output, detected_output = segment_and_detect(scores, threshold)
    
    return segmented_output, detected_output