И.К. Белова1, Е.О. Дерюгина2, Е.В. Симакова3

1-3 Калужский филиал МГТУ им. Н.Э. Баумана (г. Калуга, Россия)

1 belova.ik@bmstu.ru, 2 deryugina_eo@bmstu.ru, 3 simakovaev@student.bmstu.ru

Постановка проблемы. В связи с бурным развитием технологий компьютерного зрения, робототехники, цифрового моделирования и беспилотных систем все более востребованными становятся системы распознавания трехмерных объектов.

Цель. Разработать интеллектуальную программную систему, способную выполнять анализ, визуализацию и автоматическое распознавание трехмерных объектов на основе облаков точек, полученных от лидара.

Результаты. Исследована архитектура нейронных сетей, применимых к задаче распознавания. Проведен анализ методов сбора и обработки облаков точек. Особое внимание уделено построению функциональной модели и внедрению программного комплекса, реализующего алгоритмы визуализации и классификации. Представлены экспериментальные результаты тестирования системы и направления ее дальнейшего развития.

Практическая значимость. Разработанная система может найти применение в промышленности, робототехнике и других областях, требующих распознавания форм в реальном времени.

Белова И.К., Дерюгина Е.О., Симакова Е.В. Интеллектуальная система распознавания 3D-объектов на основе данных лидара и нейросетевых архитектур // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 2. С. 60−67. DOI: https://doi.org/10.18127/j20700814-202602-08

1. Давыденко Егор Викторович. Разработка и анализ алгоритмов цифровой обработки сигналов в задаче оптической лазерной триангуляции: автореферат дис. … канд. техн. наук: 05.12.04. Владимир: Владимирский гос. ун-т. 2009. 23 с.  https://search.rsl.ru/ru/record/01003466752 (10.06.2023).
2. Electronic resource. Arduino Official Site. https://www.arduino.cc (02.04.2025).
3. Electronic resource. National Instruments. LabVIEW Documentation. https://www.ni.com/ru-ru/shop/labview.html (02.04.2025).
4. Electronic resource. RPLIDAR A1 Datasheet. https://www.slamtec.com/en/Lidar/A1 (02.04.2025).
5. Qi C.R. et al. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation // Proceedings of the IEEE CVPR. 2017. P. 652−660.
6. Wu Z. et al. 3D ShapeNets: A Deep Representation for Volumetric Shapes // Proceedings of the IEEE CVPR. 2015. P. 1912−1920.
7. Electronic resource. Open3D Library. http://www.open3d.org (02.04.2025).
8. Кузнецов Н.Н. Технологии машинного зрения и цифровых двойников. М.: Техносфера. 2023. 280 с.