論文の概要: Registration-Free Monitoring of Unstructured Point Cloud Data via Intrinsic Geometrical Properties

• arxiv url: http://arxiv.org/abs/2511.05623v1
• Date: Thu, 06 Nov 2025 23:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.506126
• Title: Registration-Free Monitoring of Unstructured Point Cloud Data via Intrinsic Geometrical Properties
• Title（参考訳）: 固有幾何特性による非構造点雲データの登録不要モニタリング
• Authors: Mariafrancesca Patalano, Giovanna Capizzi, Kamran Paynabar,
• Abstract要約: 複雑な形状のPCDをモニタリングするための新規な登録不要手法を提案する。 提案手法は,2つの特徴学習手法と共通監視方式から構成される。
• 参考スコア（独自算出の注目度）: 0.4651750987298772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern sensing technologies have enabled the collection of unstructured point cloud data (PCD) of varying sizes, which are used to monitor the geometric accuracy of 3D objects. PCD are widely applied in advanced manufacturing processes, including additive, subtractive, and hybrid manufacturing. To ensure the consistency of analysis and avoid false alarms, preprocessing steps such as registration and mesh reconstruction are commonly applied prior to monitoring. However, these steps are error-prone, time-consuming and may introduce artifacts, potentially affecting monitoring outcomes. In this paper, we present a novel registration-free approach for monitoring PCD of complex shapes, eliminating the need for both registration and mesh reconstruction. Our proposal consists of two alternative feature learning methods and a common monitoring scheme. Feature learning methods leverage intrinsic geometric properties of the shape, captured via the Laplacian and geodesic distances. In the monitoring scheme, thresholding techniques are used to further select intrinsic features most indicative of potential out-of-control conditions. Numerical experiments and case studies highlight the effectiveness of the proposed approach in identifying different types of defects.
• Abstract（参考訳）: 現代のセンシング技術により、様々な大きさの非構造化点クラウドデータ(PCD)の収集が可能となり、3Dオブジェクトの幾何学的精度の監視に利用されている。 PCDは、添加物、減量剤、ハイブリッド製造を含む先進的な製造プロセスに広く応用されている。 分析の整合性を確保し、誤報を避けるために、登録やメッシュ再構築といった前処理ステップが監視前に一般的に適用される。 しかしながら、これらのステップはエラーを起こしやすく、時間がかかり、アーティファクトを導入し、監視結果に影響を与える可能性がある。 本稿では,複雑な形状のPCDをモニタリングするための新しい登録不要手法を提案する。 提案手法は,2つの特徴学習手法と共通監視方式から構成される。 特徴学習法はラプラシアン距離と測地線距離を通した形状の固有幾何学的性質を利用する。 モニタリングスキームでは、制御不能状態の可能性が最も高い本質的な特徴を更に選択するためにしきい値法が用いられる。 数値実験とケーススタディは、異なるタイプの欠陥を特定するための提案手法の有効性を強調している。

関連論文リスト

• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• An Unsupervised Time Series Anomaly Detection Approach for Efficient Online Process Monitoring of Additive Manufacturing [3.2612245578095695]
  製造サイクルの類似性を把握し,セマンティックセグメンテーションを行う,教師なし異常検出アルゴリズムを提案する。 本手法の有効性は実世界のセンサデータを用いて実験的に検証した。
  論文  参考訳（メタデータ） (2025-10-11T03:14:05Z)
• High-Dimensional Statistical Process Control via Manifold Fitting and Learning [0.0]
  オンラインおよび「フェーズII」統計プロセス制御(SPC)のための2つの異なるモニタリングフレームワークを提案する。 最初の方法は、そのデータが周囲の高次元空間内に存在する多様体を正確に近似するために、多様体フィッティングにおける最先端技術を利用する。 第2の手法は、まずデータを低次元空間に埋め込んだ後、埋め込み観測を監視することによって、線形次元削減SPC手法に類似した、より伝統的なアプローチを採用する。
  論文  参考訳（メタデータ） (2025-09-24T07:02:39Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform [0.0]
  多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。 SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。 本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
  論文  参考訳（メタデータ） (2020-08-31T01:11:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。