Anomaly detection in point clouds with local polynomial approximation and intersection of confidence intervals

Nowadays point clouds are a very powerful instrument that allows to have very detailed scans of objects and surfaces of every kind, from the smallest and common objects to big and complex infrastructures like buildings, bridges and roads. Thanks to the great precision of the scanners, they are able to catch the smallest details and geometrical features and so they can offer a very simple and easily understandable representation of the scanned objects. Such technology has a wide range of applications and the scanning of infrastructure for inspection purposes is probably the most common one. Routine checks on buildings and the monitoring of their conditions are a critical task, but necessary in order to prevent possible catastrophic failures. Thanks to the accuracy of such scans, it is possible to precisely capture the underlying geometry of objects and to use point clouds to search for defects and identify malformations on the analyzed surfaces. In this work, we exploit a technique mainly used for image denoising and signal restoration, called Local Polynomial Approximation using Intersection of Confidence Intervals (LPA-ICI), to identify defects on surfaces represented as point clouds; in particular, surfaces like columns and walls have been analysed to find possible damages and defects with very good results. The developed method is able to identify different right rectangular prisms over the point cloud, called Directionl Neighbours (DN), whose size is dependent on whether they are in areas characterized by sharp features or not. Based on how many DNs they belong to, our algorithm assign an anomaly score to each point: the less the number of DNs it falls into, the higher its anomaly score will be. The importance of working in this field relies on the fact that techniques like the one described in this thesis are quite innovative: there are a lot of works dealing with the search of defects and malformations in 2D representations (images) of objects, but very few on their 3D representation. This is probably due to the lack of comprehensive 3D datasets that are explicitly designed for the unsupervised detection and localization of anomalies. In addition to this, such technique may allow to speed up and make safer operations involved in the searching of defects on structures that usually requires people to work in dangerous situations, potentially exposed to hazardous conditions.

Oggigiorno le point cloud sono uno strumento estremamente potente che permette di avere scannerizzazioni piuttosto dettagliate di oggetti e superfici di ogni tipo, dai più piccoli e comuni oggetti alle grandi infrastrutture come palazzi, ponti e strade. Grazie alla loro elavata precisione, gli scanner utilizzati sono in grado di catturare tutti i più piccoli dettagli e caratteristiche geometriche. Questo permette di offrire una rappresentazione molto semplice e facilmente comprensibile degli oggetti scansionati. Tale tecnologia ha una vasta gamma di applicazioni e la scansione di infrastrutture a scopo di ispezione è probabilmente la più comune: i controlli di routine sugli edifici e il monitoraggio delle loro condizioni sono un compito critico, ma necessario al fine di prevenire possibili guasti catastrofici. Grazie all'accuratezza di tali scansioni è possibile catturare con precisione la geometria sottostante agli oggetti e utilizzare le point cloud per ricercare difetti, come crepe e malformazioni, sulle superfici analizzate. In questo lavoro di tesi abbiamo sfruttato una tecnica utilizzata principalmente per il denoising di immagini e la ricostruzione di segnali, ossia la Local Polynomial Approximation using Intersection of Confidence Intervals (LPA-ICI), per identificare difetti su superfici rappresentate come point cloud. In particolare sono state analizzate superfici tra cui colonne e muri col fine di ricercare possibili difetti, portando ad ottenere ottimi risultati. Il metodo sviluppato è in grado di identificare diversi parallelepipedi sulla point cloud analizzata, chiamati Directionl Neighbours (DN), le cui dimensioni dipendono dal fatto che questi si trovino o meno in aree caratterizzate da geometrie spigolose. In base al numero di DNs in cui sono coinvolti, ad ogni punto viene assegnato un anomaly score: minore è il numero di DNs in cui un punto ricade, maggiore sarà il suo anomaly score. L'importanza di lavorare in questo ambito si basa sul fatto che la tecnica descritta in questa tesi è piuttosto innovativa: ci sono molti lavori che si occupano della ricerca di difetti e malformazioni in rappresentazioni 2D (immagini) di oggetti, ma molto pochi su quella 3D. Questo è probabilmente dovuto alla mancanza di dataset di point cloud esplicitamente progettati per il rilevamento e la localizzazione non supervisionata delle anomalie. Oltre a questo, tale tecnica può permettere di velocizzare e rendere più sicure le operazioni di ricerca di difetti su strutture che di solito richiedono al personale addetto di lavorare in situazioni pericolose, riducendo così la loro esposizione a situazioni potenzialmente critiche.