[发明专利]用于处理具有多个点的输入点云的系统和方法

说明书

用于确定表示机器操作的时间系列数据中的模式的系统和方法。存储器存储和提供由所述机器的传感器生成的一组训练数据例，其中，每个训练数据例表示所述机器在由于所述机器故障而结束的时段内的操作。处理器被配置成将每个训练数据例迭代地划分成正常区域和异常区域，确定正常区域中不存在并且仅在每个异常区域中出现一次的预测模式，并且确定异常区域的长度。经由与处理器通信的输出接口输出所述预测模式或者将所述预测模式存储在存储器中，其中，所述预测模式是对即将发生的故障的预测估计并帮助管理所述机器。

技术领域

本公开总体上涉及对点云进行简化，并且具体地，简化结构点云(organizedpoint cloud)或无结构点云。

背景技术

随着3D感测技术的最新发展，3D点云已成为在许多应用中表示数据点的实用格式。感测装置测量对象表面上的大量点，并且点云表示已测量的点的集合。点云通常包括按某一坐标系定义大量数据点的海量数据集。例如，物理对象的激光扫描通常会生成包含数百万个数据点的数据集，每个数据点由利用表示3D空间(例如，x、y、z)的正交坐标的3元组指定。

对这种大型点云数据集的处理、分析以及报告可能很困难。特别是，通常情况下，点云数据集的大小超过了需要利用此数据的系统的设计和执行能力。从而，用于减小点云数据集的大小的方法是重要的预处理步骤，以便将数据量减少至适于消费系统的水平。然后，可以更有效地处理经简化或减少的点云数据。

存在用于简化点云数据的许多现有技术方法。然而，这些现有技术方法要么具有丢失数据的显著风险(如由数据表示的对象和/或表面的关键特征(例如，子采样抽取、统一空间聚类))，要么实现起来很复杂，并因此需要更多的计算费用，而且需要更多的处理时间。

因此，本领域需要一种从大量数据中检测和/或预测机器故障的改进方法。

发明内容

本公开的实施方式致力于通过重采样点云以保留关键点子集来简化结构点云或无结构点云。这种方法减少了点数但不改变原始点的位置。

本公开的实施方式基于这样的认识，即，不需要以适于所有应用的格式表示点云。具体来说，点云可以以为特定应用或为不同应用特制的格式表示，以使点云可以被重新格式化成不同的格式/表示。通过将点云重新格式化成不同的格式/表示，点云可以被重新格式化或删减，以仅保留特定应用所需的点。至少一个目的是设计应用相关的重采样策略，根据特定底层应用保留选定信息。例如，在点云中的轮廓检测任务中，通常这需要仔细和密集的计算，如计算表面法线并对多个点进行分类。代替利用整个点云，在对所需轮廓信息敏感的点的小子集进行重采样方面，效率更高，致使后续计算更便宜，而不会损失检测性能。其它示例可以包括可视化和/或对象建模应用，可以保留特定对象(但不是其它对象)的轮廓和一些纹理。

认识到与适于所有目的的一个版本的点云相比，存储出于特定目的而删减的多个版本的点云效率更高。即使不同的删减点云共享相同的点，情况也是如此。例如，原始点云中的100000个点可以删减为60000个点，或者删减成五个不同的经删减点的组，每组有5000个点。因此，通过针对不同应用删减点云来生成不同的经删减点，并且利用对应经删减点执行特定应用，删减可以保留特定于关键点的应用子集。其它优点包括：与尝试利用整个点云计算性地运行应用相比，降低计算复杂性和时间，并且降低运行特定应用的总体成本。

本公开公开了选择来源于图形信号处理的点的子集的技术，其是信号与图形结构之间相互作用的框架。使用图形来捕捉点之间的局部相关性，其表示对象表面的离散版本。使用图形的至少一个优点是捕捉点云的局部和全局结构。在本公开框架下，与每个点相关联的3D坐标和其它属性是由底层图形的节点索引的图形信号。因此，将重采样问题制定为图形信号的采样变得可能。然而，图形采样技术通常以确定性方法选择样本，其解决非凸优化问题以顺序获得样本并需要昂贵的计算。为了利用计算成本，本公开使用有效的随机化重采样策略从输入点云中选择关键点的子集。主要构思是根据某个采样分布生成子样本，这对于保留原始输入点云中的信息来说既快速又明显有用。