基于形变敏感特征的免训练三维点云异常检测方法和系统

本发明涉及三维点云异常检测，特别是指一种基于形变敏感特征的免训练三维点云异常检测方法和系统。

背景技术：

1、在智能制造、航空航天零部件装配、半导体封装、精密模具加工、汽车零部件生产以及高端装备制造等场景中，产品表面和结构质量检测是保障产品可靠性与安全性的关键环节。常见缺陷包括微小划痕、浅层凹陷、局部凸起、裂纹、边缘毛刺和加工形变等。传统检测方式通常依赖人工目视或二维图像检测，容易受到光照、纹理、视角和人工经验影响，难以稳定检测与物体表面颜色一致但存在微小三维形貌变化的缺陷。

2、随着三维扫描、结构光成像、激光雷达和工业ct等三维传感技术的发展，高分辨率点云逐渐成为工业质检的重要数据载体。三维点云能够直接反映目标表面的空间几何结构和微小形貌变化，适合用于检测二维图像难以表达的深度变化和表面起伏。然而，点云数据具有无序性、非结构化、密度不均匀和数据量大的特点，直接在高分辨率点云中进行异常检测仍面临较大挑战。

3、一方面，高分辨率点云通常包含数量巨大的正常点，而缺陷区域所占比例极小，微弱异常信号容易在全局特征聚合和下采样过程中被稀释。现有深度学习方法为了降低计算量，往往采用多层下采样或特征压缩策略，这可能导致微小缺陷点在特征提取早期被丢失。另一方面，实际工业零件表面常包含圆弧、棱边、转角、沟槽和复杂曲面等正常高曲率结构，这些正常结构与微小缺陷在局部几何形态上可能具有相似的空间变化特征，容易造成误报。

4、现有基于重建、特征记忆库或深度特征学习的三维异常检测方法在部分场景中取得了进展，但仍存在训练样本依赖强、模型参数量大、部署周期长、跨类别泛化能力不足等问题。对于工业现场频繁更换产品型号、小样本甚至无缺陷样本的应用条件，依赖大量异常标注或长时间训练的方案不利于快速上线。同时，已有免训练或非参数化方法多采用固定的几何匹配规则，对复杂曲面区域缺乏自适应调节能力，在高曲率正常结构处容易产生较高异常响应。已有非参数点云编码方法通常关注分类或分割任务，主要通过固定邻域聚合和全局特征匹配获得识别结果，缺乏面向高分辨率点级异常定位的曲率引导调制、分辨率回投以及分层异常度量机制。

技术实现思路

1、为了解决现有技术存在的高分辨率点云微小缺陷容易被下采样稀释、复杂正常曲面容易引起误报、以及训练式模型部署周期长的技术问题，本发明实施例提供了一种基于形变敏感特征的免训练三维点云异常检测方法和系统。所述技术方案如下：

2、一方面，提供了一种基于形变敏感特征的免训练三维点云异常检测方法，所述方法包括：对包含待检测目标的待测三维点云数据进行空间校准与归一化处理，得到预处理之后的点云坐标集合，并对所述点云坐标集合进行位置编码，获得初始高维几何特征集合；对所述点云坐标集合进行逐级最远点采样，在多个空间层级上构建局部邻域，并基于所述局部邻域的几何偏移特征计算局部形变度量；基于所述局部形变度量生成形变敏感调制权重，基于所述形变敏感调制权重调节所述局部邻域的几何偏移特征，得到调节后的几何偏移；对所述调节后的几何偏移进行位置编码，并结合中心点对应特征和邻域点对应特征进行通道拼接和聚合，构建形变敏感的多尺度点云特征；将所述多尺度点云特征分别映射回初始点云分辨率，并与所述初始高维几何特征集合进行通道拼接，得到与所述待测三维点云数据一一对应的致密特征描述子；在预设样本分层特征记忆库中，对所述待测三维点云数据的致密特征描述子进行分层近邻检索和距离聚合，得到异常检测结果；所述异常检测结果包括点级异常分数和对象级异常分数；所述预设样本分层特征记忆库是基于正常样本参考点云数据的致密特征描述子所构建的。

3、可选地，对包含待检测目标的待测三维点云数据进行空间校准与归一化处理，得到预处理之后的点云坐标集合，包括：对包含待检测目标的待测三维点云数据进行去中心化处理，得到去中心化点云数据，计算去中心化点云数据的全局协方差矩阵并进行特征值分解，得到多个主轴方向；基于所述多个主轴方向构建旋转矩阵，并基于所述旋转矩阵将所述去中心化点云数据转换至主轴坐标系，得到变换后的点云坐标集合；基于所述旋转矩阵对所述去中心化点云数据的法线向量进行同步旋转，得到旋转后的法线向量；对所述变换后的点云坐标集合进行单位球归一化处理，得到归一化后的点云坐标集合；将所述归一化后的点云坐标集合与所述旋转后的法线向量进行拼接，得到预处理之后的点云坐标集合。

4、可选地，对所述点云坐标集合进行位置编码，获得初始高维几何特征集合，包括：对所述点云坐标集合中的每个点云坐标分别采用多个频率带进行正弦映射和余弦映射，得到初始高维几何特征集合。

5、可选地，对所述点云坐标集合进行逐级最远点采样，在多个空间层级上构建局部邻域，并基于所述局部邻域的几何偏移特征计算局部形变度量，包括：对所述点云坐标集合进行逐级最远点采样，形成多尺度点集层级；在每一层级中，通过最远点采样算法从上一层级的点云坐标集合中选取中心点，针对每个中心点，通过k近邻检索从上一层级的点云坐标集合中选取k个邻域点，构建每个层级对应的局部邻域；基于所述局部邻域内各邻域点相对于中心点的几何偏移，构建局部协方差矩阵；对所述局部协方差矩阵进行特征值分解，得到多个局部特征值；基于所述多个局部特征值计算局部近似曲率，并将所述局部近似曲率作为局部形变度量；其中，所述局部近似曲率包括最小局部特征值与所述多个局部特征值之和的比值。

6、可选地，所述形变敏感调制权重包括：

7、

8、式中，为所述形变敏感调制权重，为所述局部形变度量；

9、所述调节后的几何偏移包括：

10、

11、式中，为所述调节后的几何偏移，为所述局部邻域中第j个邻域点相对于中心点的几何偏移。

12、可选地，所述多尺度点云特征包括多个空间层级上的聚合特征；对所述调节后的几何偏移进行位置编码，并结合中心点对应特征和邻域点对应特征进行通道拼接和聚合，构建形变敏感的多尺度点云特征，包括：对所述调节后的几何偏移进行位置编码，得到局部几何位置编码特征；将中心点对应特征与第j个邻域点对应特征进行通道拼接，得到扩展特征；将所述扩展特征与所述局部几何位置编码特征进行特征融合，得到局部邻域的融合特征；所述融合特征包括：

13、

14、式中，表示中心点与第j个邻域点经过形变敏感调制和特征融合后得到的局部融合特征，表示中心点对应特征与第j个邻域点对应特征经通道拼接得到的扩展特征，表示所述调节后的几何偏移，为对所述调节后的几何偏移进行位置编码后得到的、与所述扩展特征的维度相匹配的局部几何位置编码特征，表示逐元素乘法；对第个空间层级中同一中心点对应的局部邻域内所有邻域点的融合特征进行双路池化聚合，得到所述中心点在第个空间层级上的聚合特征；所述双路池化聚合包括将最大池化结果与平均池化结果相加；所述聚合特征包括：

15、

16、式中，表示第个空间层级的中心点的聚合特征，表示第个空间层级的中心点与第j个邻域点经过形变敏感调制和特征融合后得到的局部融合特征，表示第个空间层级的中心点对应的局部邻域。

17、可选地，将所述多尺度点云特征分别映射回初始点云分辨率，并与所述初始高维几何特征集合进行通道拼接，得到与所述待测三维点云数据一一对应的致密特征描述子，包括：在各空间层级的源点集合中检索邻近源点集合，并根据所述邻近源点集合中的目标点和源点之间的空间距离计算高斯权重；所述高斯权重包括：

18、

19、式中，为第t个目标点pt与源点ps的高斯权重，表示l2范数，表示高斯核带宽参数；基于所述高斯权重和利用归一化加权求和对所述多尺度点云特征进行反向插值投影，得到插值后的各层级对应的恢复特征集合；第

l空间层级的恢复特征集合包括：

20、

21、

22、式中，表示第个空间层级插值回目标点后得到的恢复特征，表示第个空间层级中目标点与源点之间的高斯权重，表示第个空间层级中源点对应的源点特征，表示目标点在第个空间层级的源点集合中检索得到的邻近源点集合，表示初始点云中的点数；将所述初始高维几何特征集合与所述各层级对应的恢复特征集合进行通道拼接，得到与所述待测三维点云数据一一对应的致密特征描述子。

23、可选地，在预设样本分层特征记忆库中，对所述待测三维点云数据的致密特征描述子进行分层近邻检索和距离聚合，得到异常检测结果，包括：将所述待测三维点云数据中每个点的致密特征描述子按来源空间层级进行切片，得到每个空间层级对应的测试特征；对每个空间层级的测试特征和所述预设样本分层特征记忆库中对应空间层级的记忆库特征执行范数归一化，并在对应空间层级检索多个近邻特征；基于各空间层级的多个近邻特征的距离统计量聚合，计算所述待测三维点云数据的点级异常分数；基于所述待测三维点云数据中所有点级异常分数的统计量，计算对象级异常分数。

24、另一方面，还提供了一种基于形变敏感特征的免训练三维点云异常检测系统，用于实现本发明实施例提供的基于形变敏感特征的免训练三维点云异常检测方法；所述系统包括：数据预处理模块、形变度量计算模块、几何偏移调整模块、形变敏感几何编码模块、多尺度并行解码投影模块和分层记忆库度量模块；其中，所述数据预处理模块，用于对包含待检测目标的待测三维点云数据进行空间校准与归一化处理，得到预处理之后的点云坐标集合，并对所述点云坐标集合进行位置编码，获得初始高维几何特征集合；所述形变度量计算模块，用于对所述点云坐标集合进行逐级最远点采样，在多个空间层级上构建局部邻域，并基于所述局部邻域的几何偏移特征计算局部形变度量；所述几何偏移调整模块，用于基于所述局部形变度量生成形变敏感调制权重，基于所述形变敏感调制权重调节所述局部邻域的几何偏移特征，得到调节后的几何偏移；所述形变敏感几何编码模块，用于对所述调节后的几何偏移进行位置编码，并结合中心点对应特征和邻域点对应特征进行通道拼接和聚合，构建形变敏感的多尺度点云特征；所述多尺度并行解码投影模块，用于将所述多尺度点云特征分别映射回初始点云分辨率，并与所述初始高维几何特征集合进行通道拼接，得到与所述待测三维点云数据一一对应的致密特征描述子；所述分层记忆库度量模块，用于在预设样本分层特征记忆库中，对所述待测三维点云数据的致密特征描述子进行分层近邻检索和距离聚合，得到异常检测结果；所述异常检测结果包括点级异常分数和对象级异常分数；所述预设样本分层特征记忆库是基于正常样本参考点云数据的致密特征描述子所构建的。

25、另一方面，还提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的方法。

26、本发明实施例提供了一种基于形变敏感特征的免训练三维点云异常检测方法和系统，基于显式空间几何解析构建点云特征，通过形变敏感特征调制抑制正常复杂曲面结构干扰，形变敏感特征调制由局部近似曲率引导实现，并结合多尺度并行解码与分层特征记忆库实现点级异常定位和对象级异常判断，能够在无需异常样本标注和监督训练的条件下，实现对复杂三维曲面中微小缺陷的有效检测。