二维激光雷达广泛应用于室内障碍物检测中,而障碍物的聚类分割是环境感知中的关键技术。环境特征的复杂性和数据密度分布的不均匀性,导致传统聚类方法无法同时对不同距离、不同类型的障碍物实现良好聚类,容易发生漏检和误检。针对室内障碍物的检测需求,分析了激光雷达的数据特点和室内环境的几何特征,提出了一种改进的基于距离和障碍物特征的自适应阈值聚类分割方法,将阈值调整为随目标距离和类内密度变化的自适应参数。在基于激光雷达的智能车感知系统上进行了复杂障碍物的聚类分割实验,结果表明,相比传统方法,本方法可以明显改善不同距离、不同类型障碍物的聚类分割效果,分割准确度可达到92.23%。

混凝土结构在施工与使用的过程中易产生各种形式的裂缝,由此会产生诸多安全问题。传统的人工安全检测方法,不仅耗费财力和时间,而且无法保障其检测精度。为了提高混凝土表面裂缝的识别效率,提出了一种基于卷积神经网络结合聚类分割的识别方法,实现了对较复杂背景下混凝土表面裂缝图像的准确识别。研究结果显示,该方法不仅能够高效地分类,还能够高精度地对较复杂背景下的裂缝进行识别,这为降低混凝土表面裂缝识别的工作量、维护混凝土结构,对其进行安全检测提供了理论依据,同时也为以后更高精度和更复杂条件下的裂缝识别研究提供了一些参考。

提出一种非结构化点云特征线提取方法,其过程主要分为区域分割和特征检测两个阶段。在区域分割阶段,引入社会粒子群优化模糊C-均值聚类算法对点云数据进行区域聚类,得到边界清晰的各个分区,便于后续边界特征的提取;在特征检测阶段,对各个分区进行局部径向基函数曲面重构,以获取各个分区内采样点的曲率信息。提出基于平均曲率计算的局部特征权值,并通过局部特征权值和曲率极值法对特征点进行双重检测。并通过建立特征点的最小生成树构建特征曲线。对不同点云模型进行特征线提取实验,结果表明,本文方法既能够提取点云模型中的显著特征和尖锐特征,也能够很好地提取特征强度变化的曲线特征。

针对机器人随机箱体抓取过程中场景分割困难的问题, 提出一种基于改进欧氏聚类的散乱工件点云分割方法。采用直通滤波法和迭代半径滤波法进行预处理, 得到去除干扰点后的散乱工件点云; 通过基于法线夹角的边缘检测去除点云中的边缘点, 并使相互碰撞的工件在空间上产生分离; 采用改进的搜索半径自适应欧氏聚类进行点云分割, 得到多个工件点云子集, 基于距离约束将去除的边缘点补齐到点云子集之中, 从而完成点云分割。此外, 线下模板点云注册为分割参数的选取提供依据, 从而保证了分割结果的准确性, 提高了分割速度。结果表明：基于改进欧氏聚类的散乱工件点云分割方法能够准确地分割出感兴趣的工件, 分割时间约为696 ms, 满足了工业机器人抓取的实时性要求。