3D视觉避障有做过现场实际跑通的吗，工业场景噪声干扰太大
项目现场是汽车零部件上料，机械臂末端装了一台结构光3D相机，主要用来识别散乱堆放的工件姿态，然后做避障路径规划。问题是现场环境噪声比实验室里大太多了：旁边有焊接工位、变频器、AGV来回跑，相机拍出来点云里一堆杂点，识别精度直接掉到70%以下。
已经试过加ROI、降采样、统计滤波这些常规手段，效果一般。想问下各位，3D视觉在真实工业现场做避障，有没有什么比较成熟的方案？比如多帧融合、深度学习去噪、或者干脆换其他类型的传感器（ToF、双目）？现场数据采集到训练到部署大概什么周期？有没有踩过坑的可以分享下。
预算有限，相机不能换太贵的，只能在算法侧想办法。
全部回复 (4)
我这边做的电池盒抓取项目跟你差不多情况，焊接工位在旁边，电磁干扰加粉尘，结构光点云质量很差。最后没死磕算法，换了双目结构光方案，用的是两台200万像素工业相机+投影仪，成本比你单台结构光贵不了多少，但抗干扰能力明显强，点云密度也上去了。
现场调试的时候做了两件事：一是把相机安装位置抬高30cm，避开焊接弧光直射角度；二是在工位外围加了遮光帘，物理隔绝杂光干扰。这两个动作做完，识别率从你那个70%直接拉到95%以上，比纯靠算法调参省事多了。
你说的算法侧方案我们也试过多帧融合，大概采集500组样本训练，标注用半自动工具，部署到工控机上推理时间每帧80ms左右，赶不上节拍。最后放弃这条路。预算有限的话建议先从安装位置和物理隔离入手，成本最低效果最直接。
纯算法路线也行得通，但要看你节拍要求。我做过一个项目用PointNet++做了点云去噪和分割，训练集大概8000帧，每帧4096点，迭代200轮收敛，在i7工控机上推理能压到50ms以内。但这个前提是你的点云基础质量不能太差，如果原始点云有效点率不到30%，深度学习也救不回来。
建议你先查一下现场的点云噪声分布，看看是随机散点还是有规律的运动模糊。焊接弧光是典型的频闪干扰，相机曝光时间如果能和焊机节奏错开，问题能缓解一半。我们当时把曝光从8ms调到3ms，正好避开焊接峰值电流时段，杂点直接少了六成。
70%识别率还敢上线？这数据哪来的，实测还是自己跑的？实验室数据90%到现场掉到70%太正常了，但70%意味着每三个工件抓错一个，这种节拍下根本没法量产。
另外你提到AGV来回跑，这个干扰很多时候不是光学层面的，是振动传导到相机底座引起的。检查一下相机安装支架是不是刚性连接，AGV经过时机身有没有微抖，这个抖个0.1mm点云就糊给你看。
ToF我劝你别碰，分辨率太低，电池盒这种尺寸勉强够用，普通冲压件根本没法做姿态识别。
