DIVESPOT: Depth Integrated Volume Estimation of Pile of Things Based on Point Cloud

非接触式堆叠物体体积估计在工业场景中具有相当大的潜力，包括粮食、煤炭、采矿和石材等。然而，使用现有方法在这些场景下会面临不稳定的测量姿态、显著的光干扰、数据采集难度以及大堆积带来的计算负担等挑战。为了解决上述问题，本研究基于点云技术提出了一种名为“DIVESPOT”的堆物体深度综合体积估计方法。针对不稳定的测量姿态的挑战，本方法采用基于随机抽样一致性（RANSAC）和基于密度的带噪声层次聚类（HDBSCAN）的点云姿态校正和滤波算法。为了应对光干扰并避免依赖训练数据，本方法提出了基于高度分布的地面特征提取算法，实现了RGB无关。为了减少计算负担，本方法还开发了存储空间优化策略，通过使用压缩体素可以获得精确的估计。实验结果表明，DIVESPOT方法能够实现非数据驱动的RGB无关堆叠点云分割，保持体积计算相对误差在2%以内。即使对体素网格进行90%压缩，结果的平均误差仍可低于3%。

DIVESPOT论文旨在解决非接触式体积估计在工业场景中的挑战，包括不稳定的测量姿态，光线干扰，数据收集难度以及大型堆积物的计算负担。

DIVESPOT方法基于点云技术，提出了点云姿态校正和过滤算法、基于高度分布的地面特征提取算法和存储空间优化策略，实现了非数据驱动、RGB无关的堆积物点云分割和体积估计。

DIVESPOT方法的实验结果表明，相对误差在2%以内，即使使用90%的体素网格压缩，结果的平均误差也可以达到3%以下。该方法的优点包括不依赖于训练数据、RGB无关、精度高、计算速度快、存储空间小等。

近期在该领域的相关研究包括：1. PointRCNN: 3D Object Proposal Generation and Detection from Point Clouds；2. PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection；3. Fast Point R-CNN。