evansnyanney/Principal-Geodesic-Based-3D-Point-Cloud-Clustering-Analysis
GitHub: evansnyanney/Principal-Geodesic-Based-3D-Point-Cloud-Clustering-Analysis
基于局部主测地线分析和谱聚类的 3D 点云无监督学习 pipeline，用于检测和验证制造零件之间的结构几何变化。
Stars: 0 | Forks: 0
# 使用无监督学习揭示嵌入在 3D 点云中的工艺与设计之间的关系
[](https://doi.org/10.1016/j.mfglet.2025.06.169)
[](https://doi.org/10.5281/zenodo.20690053)
[](LICENSE)
## Pipeline 架构
本仓库包含了由 Evans Nyanney 和 Zhaohui Geng 撰写的论文**“使用无监督学习揭示嵌入在 3D 点云中的工艺与设计之间的关系”**的代码。
它实现了一个用于 3D 点云分析的强大且端到端的无监督学习 pipeline。该项目使用局部主测地线分析（PGA）和谱聚类来检测和验证制造零件之间结构几何的变化。
该 pipeline 包括数据摄取、点云归一化、谱聚类、欧几得距离和 Fréchet 均值的计算、逐点方差关联以及全面的 3D 数据可视化。
## 目录
- [安装说明](#installation)
- [数据可用性](#data-availability)
- [仓库结构](#repository-structure)
- [方法论总结](#methodological-summary)
- [典型工作流程](#typical-workflow)
- [指标与报告](#metrics-and-reporting)
- [引用](#citation)
- [许可证](#license)
## 安装说明
```
# 克隆 repository
git clone https://github.com/evansnyanney/Principal-Geodesic-Based-3D-Point-Cloud-Clustering-Analysis.git
cd Principal-Geodesic-Based-3D-Point-Cloud-Clustering-Analysis
# 安装 dependencies
pip install -r requirements.txt
```
## 数据可用性
本仓库处理 3D 点云坐标扫描及相应的逐点方差数据。
要在本地重现结果，请将您的原始数据集（例如 `Freeform Landmarks`、`Half Ball Landmarks`）和方差 CSV 文件放入 `data/` 目录中。然后按照[典型工作流程](#typical-workflow)执行聚类并生成方差分布模型。
### 使用不同的数据集
该 pipeline 架构旨在处理通用的 3D 点云集（`X`、`Y`、`Z` 坐标）。要使其适应不同的数据集，请确保您的输入文件为 CSV 格式，并更新 `pga_pipeline/data_loader.py` 或修改 `scripts/run_analysis.py` 中的路径。
## 仓库结构
```
landmarks3D/ # Root repository
├── pyproject.toml # Package configuration
├── README.md
├── LICENSE
├── requirements.txt
│
├── pga_pipeline/ # Source code modules
│ ├── __init__.py
│ ├── _version.py # Version string
│ ├── config.py # Global constants and color palettes
│ ├── data_loader.py # Data ingestion and parsing
│ ├── geometry.py # Geometric operations, Fréchet means, and PGA
│ ├── clustering.py # Spectral clustering and consistency validation
│ ├── stats.py # Kruskal-Wallis testing and variance stats
│ └── visualization.py # 3D plotting and density generation
│
├── scripts/ # CLI entry points
│ ├── __init__.py
│ └── run_analysis.py # Entry point for the full analysis pipeline
│
├── tests/ # Test suite
│ ├── __init__.py
│ ├── test_clustering.py # Tests for clustering algorithms
│ └── test_geometry.py # Tests for geometric computations
│
├── data/ # Datasets and pointwise variance data
│ ├── Freeform Landmarks/
│ ├── Half Ball Landmarks/
│ └── *.csv
│
├── DOCS/ # Documentation and figures
│
└── results/ # Generated visual artifacts and CSVs
├── average_variance_plots/
├── cluster_visualizations/
├── means_visualizations/
├── pga_results/
└── variance_distributions/
```
## 聚类一致性
Euclidean Average Variance Visualizations for 3D point cloud scans. Left: Half Ball geometry. Right: Freeform geometry.
## 运行 Pipeline
1. **配置设置**：在 `pga_pipeline/config.py` 中调整您的超参数。
2. **执行**：
python -m scripts.run_analysis
3. **检查**：检查 `results/` 文件夹中的 3D 散点图、平均方差映射、测地线向量和 CSV 报告。
## 引用
如果本仓库对您的研究或工作有帮助，请引用该论文：
**论文：**
### BibTeX
```
@article{nyanney2025unveil,
title={Unveil the relationship between process and design embedded in the 3D point cloud using unsupervised learning},
author={Nyanney, Evans and Geng, Zhaohui},
journal={Manufacturing Letters},
volume={44},
pages={1498--1506},
year={2025},
publisher={Elsevier}
}
```
## 许可证
MIT License。详情请参阅 `LICENSE`。
标签：3D点云, Apex, Python, 无后门, 无监督学习, 机器学习, 聚类分析, 逆向工具