Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2025

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: chmura punktów rudy

Sortuj według:

Ogranicz wyniki do:

Adaptive ore point cloud filtering algorithm based on the K-nearest neighbor

Yang Lirong, Liu Yang, Cao Chong

Gospodarka Surowcami Mineralnymi

2025

Vol. 41, iss. 2

197--211

A robotic arm can determine the crushing center of ore using point clouds reconstructed by a binocular camera. However, noise in the original point cloud creates ambiguity, complicating the determination process. To address this, an efficient noise filtering and smoothing algorithm for point clouds is proposed. First, the topological relationships among the point clouds are established using a K-D tree, enabling neighborhood selection and query for each point. The density and density variance for each neighborhood are then calculated via the K-nearest neighbor density filtering method. Clustering is applied to determine the average density, and the optimal K value is adaptively obtained based on both the density variance and cluster densities with assigned weights. The local outlier factor is subsequently calculated using this K value, and noise points are filtered out by setting an outlier factor threshold. Based on the enhanced K-nearest neighbor density filtering algorithm, the experimental results demonstrate that this method achieves a denoising precision of 95.68%, representing an improvement of 55.06% over the traditional Radius filtering method and 27.5% over the statistical filtering method. Additionally, the noise recall rate reaches 99.92%, and the original retention rate is 94.17%, showcasing superior filtering performance while preserving data integrity. These advancements provide a reliable technical foundation for subsequent ore crushing and point cloud data processing tasks.

Manipulator może określić środek kruszenia rudy za pomocą chmur punktów rekonstruowanych przez kamerę binokularną. Jednak szumy w oryginalnej chmurze punktów powodują niejednoznaczność, co komplikuje proces określania środka kruszenia. Aby temu zaradzić, zaproponowano wydajny algorytm filtrowania i wygładzania szumów w chmurach punktów. Najpierw za pomocą drzewa K-D ustalane są relacje topologiczne między punktami chmury, co umożliwia wybór i zapytania dotyczące sąsiedztwa każdego punktu. Następnie dla każdego sąsiedztwa obliczana jest gęstość i wariancja gęstości za pomocą metody filtrowania gęstości najbliższych sąsiadów K. Zastosowano klasteryzację w celu określenia średniej gęstości, a optymalna wartość K jest adaptacyjnie uzyskiwana na podstawie zarówno wariancji gęstości, jak i gęstości klastrów z przypisanymi wagami. Następnie obliczany jest lokalny współczynnik odstępstwa przy użyciu tej wartości K, a punkty szumów są odfiltrowywane poprzez ustawienie progu współczynnika odstępstwa. Na podstawie udoskonalonego algorytmu filtrowania gęstości najbliższych sąsiadów K wyniki eksperymentów wykazują, że metoda ta osiąga precyzję odszumiania na poziomie 95,68%, co stanowi poprawę o 55,06% w porównaniu z tradycyjną metodą filtrowania promienia oraz o 27,5% w porównaniu z metodą filtrowania statystycznego. Ponadto wskaźnik odzyskiwania szumów osiąga 99,92%, a wskaźnik zachowania oryginalnych danych wynosi 94,17%, co pokazuje doskonałą wydajność filtrowania przy jednoczesnym zachowaniu integralności danych. Te osiągnięcia stanowią niezawodną podstawę techniczną do dalszych zadań związanych z kruszeniem rudy oraz przetwarzaniem danych chmury punktów.