Resumen

Con la aparición de nuevas tecnologías de detección inteligente como escáneres 3D y visión estéreo, las nubes de puntos de alta calidad se han vuelto muy convenientes y de menor costo. La investigación de reconocimiento de objetos 3D basada en nubes de puntos también ha recibido una amplia atención. Las nubes de puntos son un tipo importante de estructura de datos geométricos. Debido a su formato irregular, muchos investigadores convierten estos datos en rejillas tridimensionales regulares o colecciones de imágenes. Sin embargo, esto puede llevar a un exceso de datos innecesario y causar problemas. En este artículo, consideramos el problema de reconocer objetos en escenas realistas. Primero utilizamos el método de agrupamiento por distancia euclidiana para segmentar objetos en escenas realistas. Luego utilizamos una estructura de red de aprendizaje profundo para extraer directamente características de los datos de la nube de puntos para reconocer los objetos. Teóricamente, esta estructura de red muestra un rendimiento sólido. En el experimento, hay una tasa de precisión del 98.8% en el conjunto de entrenamiento, y la tasa de precisión en el conjunto de prueba experimental puede alcanzar el 89.7%. Los resultados experimentales muestran que la estructura de red en este artículo puede identificar y clasificar con precisión objetos de nubes de puntos en escenas realistas y mantener una cierta precisión cuando el número de nubes de puntos es pequeño, lo cual es muy robusto.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Emergencia; Tecnologías de detección; Nubes de puntos; Reconocimiento de objetos; Red de aprendizaje profundo; Precisión
• Keywords:Emergence; Sensing technologies; Point clouds; Object recognition; Deep learning network; Accuracy