Instead, we exploit the fact that,

Instead, we exploit the fact that, because the majority of objects the system was designed to perform inspection on are PCB assemblies, they consist
of many flat components with horizontal planes. For each cluster obtained
from distance-based grouping, a horizontal plane is fit to the cluster points using RANSAC. The points fitting the estimated plane are extracted and
grouped again based on distance, and the process is repeated on the remaining points in the cluster until no more plane clusters can be found. The
results of this grouping is shown in Fig. 21c. Finally, each cluster is matched
against those obtained from a reference point cloud based on approximate
cluster dimensions. To achieve rotational-invariance, the cluster dimensions
are those of their bounding boxes after each cluster has been individually
rotated to their principal axes obtained from PCA. Furthermore, in addition
to cluster dimensions, the clusters are matched based on their cylindrical coordinates with respect to the point cloud centroid. With these plane clusters,
we obtain a precise alignment with the reference point cloud, as shown in
Fig. 21d.
Instead of using all the clusters, the matching and alignment can be
limited to components known to be distinct and stable, while components
that are expected to be missing, moving, or changing in size can be ignored.
Finally, to automate the selection of distinct components for matching and
alignment, a histogram of the cluster dimensions and cylindrical coordinates
of the clusters in a reference model can be analysed, and the histogram bins
with unique clusters and significantly separated from others are identified

Kết quả (Việt) 1:

Thay vào đó, chúng ta khai thác một thực tế rằng, bởi vì phần lớn các đối tượng Hệ thống được thiết kế để thực hiện kiểm tra trên PCB hội đồng khác nhau, bao gồmnhiều thành phần phẳng với máy bay ngang. Đối với mỗi nhóm có đượctừ khoảng cách dựa trên nhóm, một mặt phẳng ngang là phù hợp với cụm điểm bằng cách sử dụng RANSAC. Các điểm lắp máy bay ước tính được chiết xuất vàNhóm lại một lần nữa dựa trên khoảng cách, và quá trình này được lặp lại trên các điểm còn lại trong cụm sao cho đến khi không có phẳng thêm cụm có thể được tìm thấy. Cáckết quả của phân nhóm này được thể hiện trong hình 21 c. Cuối cùng, mỗi nhóm được kết hợpĐối với những thu được từ một tài liệu tham khảo điểm đám mây dựa trên gần đúngKích thước cluster. Để đạt được quay-định, kích thước clusterlà những người của hộp bounding sau khi mỗi cụm đã cá nhânquay theo trục chính của họ thu được từ PCA. Hơn nữa, trong ngoàicụm có kích thước, các cụm được kết hợp dựa trên hệ tọa độ trụ của họ đối với điểm đám mây centroid. Với các cụm máy bay,chúng ta có được một liên kết chính xác với đám mây điểm tham chiếu, như được hiển thị trongHình 21d.Thay vì sử dụng tất cả các cụm, phù hợp và liên kết có thểgiới hạn đối với thành phần được biết đến là riêng biệt và ổn định, trong khi các thành phầnmà dự kiến sẽ được thiếu, di chuyển, hoặc thay đổi kích thước có thể được bỏ qua.Cuối cùng, để tự động hoá việc lựa chọn các thành phần riêng biệt cho phù hợp vàsắp xếp, một biểu đồ kích thước cluster và hệ tọa độ trụCác cụm trong một tài liệu tham khảo mô hình có thể được phân tích, và các thùng biểu đồvới cụm độc đáo và đáng kể được tách khỏi những người khác được xác định

Kết quả (Việt) 2:

Thay vào đó, chúng ta khai thác thực tế là, bởi vì phần lớn các đối tượng hệ thống được thiết kế để thực hiện kiểm tra trên được hội đồng PCB, chúng bao gồm
nhiều thành phần bằng phẳng với mặt phẳng ngang. Đối với mỗi cụm thu được
từ nhóm khoảng cách dựa trên một mặt phẳng nằm ngang là phù hợp với điểm cluster bằng cách sử RANSAC. Các điểm lắp các máy bay ước tính được trích lập và
nhóm lại một lần nữa dựa trên khoảng cách, và quá trình này được lặp đi lặp lại trên các điểm còn lại trong cluster cho đến khi không có các cụm máy bay hơn có thể được tìm thấy. Các
kết quả của nhóm này được thể hiện trong hình. 21c. Cuối cùng, mỗi cụm là lần xuất hiện
với những người thu được từ một đám mây điểm tham chiếu dựa trên xấp xỉ
kích thước cluster. Để đạt được quay-bất biến, kích thước cụm
là của khung giới hạn của họ sau mỗi cluster đã được cá nhân
quay với các trục chính của họ thu được từ PCA. Hơn nữa, ngoài
để kích thước cluster, các cụm được phù hợp dựa trên hình trụ của họ tọa độ tôn trọng với trọng tâm điểm đám mây với. Với những cụm máy bay,
chúng ta có được một sự liên kết chính xác với các đám mây điểm tham chiếu, như thể hiện trong
hình. 21D.
Thay vì sử dụng tất cả các cụm, sự phối hợp và liên kết có thể được
giới hạn trong các thành phần được biết đến là khác biệt và ổn định, trong khi các thành phần
được mong đợi là mất tích, di chuyển hoặc thay đổi kích thước có thể được bỏ qua.
Cuối cùng, để tự động lựa chọn của các thành phần riêng biệt cho phù hợp và
liên kết, một biểu đồ của các kích thước cluster và tọa độ hình trụ
của cụm trong một mô hình tham chiếu có thể được phân tích, và các thùng histogram
với cụm độc đáo và có ý nghĩa tách ra từ những người khác được xác định