3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces

近年来，基于三维点云数据进行制造零件表面质量检测引起了越来越多的关注。原因在于，三维点云可以捕捉到制造零件的整个表面，而不像以前的做法只关注一些关键产品特征。然而，由于制造零件表面复杂且收集足够异常样本的困难，实现准确的三维异常检测具有挑战性。为了解决这些问题，我们提出了一种新颖的基于三维点云数据的未经训练的异常检测方法，适用于复杂制造零件，可以在单个样本中实现准确的异常检测，无需训练数据。在提出的框架中，我们将输入样本转换为沿不同方向的两组剖面。基于其中一组剖面，设计了一种新颖的分割模块，将复杂表面分割成多个基本和简单组件。在每个组件中，另一组具有相似形状特性的剖面可以被建模为低秩矩阵。因此，可以通过对这些低秩矩阵使用鲁棒主成分分析（RPCA）来实现准确的三维异常检测。对不同类型的零件进行了大量的数值实验，结果表明我们的方法相对于基准方法取得了有希望的结果。

提出一种基于3D点云数据的新型未训练异常检测方法，用于解决复杂制造零件的表面质量检测问题。

将输入样本转换为两组沿不同方向的剖面，并基于其中一组剖面设计了一种新的分割模块，将复杂表面分割成多个基本和简单的组件。在每个组件中，可以将另一组具有类似形状特征的剖面建模为低秩矩阵，从而通过对这些低秩矩阵进行Robust Principal Component Analysis (RPCA) 可以实现精确的3D异常检测。

论文在不需要训练数据的情况下，提出了一种精确的3D异常检测方法，可以应用于复杂的制造零件表面质量检测。作者在多种类型的零件上进行了广泛的数值实验，并与基准方法进行了比较，结果表明该方法具有很好的效果。

在该领域，最近还有一些相关研究，例如：1）《3D Point Cloud Anomaly Detection Based on Multi-Scale Features》；2）《Anomaly Detection in 3D Point Clouds: Application to Structural Health Monitoring》。