Industry 4.0 comprises a wide spectrum of developmental processes within the management of manufacturing and chain production. Presently, there is a huge effort to automate manufacturing and have automatic control of the production. This intention leads to the increased need for high-quality methods for digitization and object reconstruction, especially in the area of reverse engineering. Commonly used scanning software based on well-known algorithms can correctly process smooth objects. Nevertheless, they are usually not applicable for complex-shaped models with sharp features. The number of the points on the edges is extremely limited due to the principle of laser scanning and sometimes also low scanning resolution. Therefore, a correct edge reconstruction problem occurs. The same problem appears in many other laser scanning applications, i.e., in the representation of the buildings from airborne laser scans for 3D city models. We focus on a method for preservation and reconstruction of sharp features. We provide a detailed description of all three key steps: point cloud segmentation, edge detection, and correct B-spline edge representation. The feature detection algorithm is based on the conventional region-growing method and we derive the optimal input value of curvature threshold using logarithmic least square regression. Subsequent edge representation stands on the iterative algorithm of B-spline approximation where we compute the weighted asymmetric error using the golden ratio. The series of examples indicates that our method gives better or comparable results to other methods.

中文翻译：

---

锐利的特征检测是智能制造中的有用工具

工业4.0包括制造业和连锁生产管理中的各种发展过程。当前，正在付出巨大的努力来使制造自动化并具有对生产的自动控制。这种意图导致对数字化和对象重建的高质量方法的需求增加，尤其是在逆向工程领域。基于知名算法的常用扫描软件可以正确处理光滑物体。但是，它们通常不适用于具有尖锐特征的复杂形状的模型。由于激光扫描的原理，有时边缘的点数非常有限，有时扫描分辨率也较低。因此，出现正确的边缘重建问题。在其他许多激光扫描应用程序中也会出现相同的问题，即 从机载激光扫描中对3D城市模型进行建筑物表示。我们关注于保留和重建鲜明特征的方法。我们提供所有三个关键步骤的详细说明：点云分割，边缘检测和正确的B样条曲线边缘表示。特征检测算法基于常规的区域增长方法，我们使用对数最小二乘回归得出曲率阈值的最佳输入值。随后的边缘表示基于B样条逼近的迭代算法，其中我们使用黄金比率计算加权的不对称误差。一系列的例子表明，我们的方法可以提供比其他方法更好或更可比的结果。我们关注于保留和重建鲜明特征的方法。我们提供所有三个关键步骤的详细说明：点云分割，边缘检测和正确的B样条曲线边缘表示。特征检测算法基于常规的区域增长方法，我们使用对数最小二乘回归得出曲率阈值的最佳输入值。随后的边缘表示基于B样条逼近的迭代算法，其中我们使用黄金比率计算加权的不对称误差。一系列的例子表明，我们的方法可以提供比其他方法更好或更可比的结果。我们关注于保留和重建鲜明特征的方法。我们提供所有三个关键步骤的详细说明：点云分割，边缘检测和正确的B样条曲线边缘表示。特征检测算法基于常规的区域增长方法，我们使用对数最小二乘回归得出曲率阈值的最佳输入值。随后的边缘表示基于B样条逼近的迭代算法，其中我们使用黄金比率计算加权的不对称误差。一系列的例子表明，我们的方法可以提供比其他方法更好或更可比的结果。并更正B样条曲线边缘表示。特征检测算法基于常规的区域增长方法，我们使用对数最小二乘回归得出曲率阈值的最佳输入值。随后的边缘表示基于B样条逼近的迭代算法，其中我们使用黄金比率计算加权的不对称误差。一系列的例子表明，我们的方法可以提供比其他方法更好或更可比的结果。并更正B样条曲线边缘表示。特征检测算法基于常规的区域增长方法，我们使用对数最小二乘回归得出曲率阈值的最佳输入值。随后的边缘表示基于B样条逼近的迭代算法，其中我们使用黄金比率计算加权的不对称误差。一系列的例子表明，我们的方法可以提供比其他方法更好或更可比的结果。