# Point Cloud Quality Classifier

基于深度学习的鱼类点云质量分类模块，用于区分高质量和低质量的鱼类3D点云。

## 问题背景

在水下环境中，即使 YOLO 检测效果很好，深度图质量可能很差，导致生成的点云包含大量异常点，影响后续对齐和估计精度。通过深度学习分类可以自动识别和过滤低质量点云，提高整体系统鲁棒性。

## 工作流程

### 1. 标注鱼类点云（Label Fish Point Clouds）

**目标**：为训练数据收集和标注高质量/低质量点云样本

**步骤**：
1. 从 `fish_video_weight_evaluation.py` 生成的点云中收集样本
2. 手动检查每个点云的质量：
   - **Good（高质量）**：点云完整、形状清晰、无明显异常点、适合对齐和估计
   - **Bad（低质量）**：点云稀疏、形状不完整、包含大量异常点、深度误差明显
3. 将点云文件分类到对应文件夹：
   ```
   dataset/
   ├── train/
   │   ├── good/     # 高质量点云样本
   │   └── bad/      # 低质量点云样本
   ├── val/
   │   ├── good/
   │   └── bad/
   └── test/
       ├── good/
       └── bad/
   ```

**标注工具**（待实现）：
- 可视化工具：使用 Open3D 或 CloudCompare 查看点云
- 批量标注脚本：自动组织点云文件到对应类别文件夹
- 标注验证：确保数据集平衡和质量

**数据要求**：
- 每个类别至少需要 500+ 样本（建议 1000+）
- 训练/验证/测试集比例：70% / 15% / 15%
- 点云格式：PLY 文件（包含 XYZ 坐标和 RGB 颜色）

### 2. 训练 PointTransformer 模型（Train PointTransformer）

**模型选择**：
- **PointTransformer**：基于 Transformer 的点云处理模型，对点云质量分类效果好
- **PointNet++**：备选方案，经典的点云分类模型

**训练步骤**：
1. **数据预处理**：
   - 点云归一化（中心化、缩放）
   - 点云采样到固定点数（如 1024 或 2048 点）
   - 数据增强（旋转、缩放、噪声添加）

2. **模型训练**：
   ```bash
   python train_pointcloud_classifier.py \
       --data dataset/ \
       --model pointtransformer \
       --epochs 100 \
       --batch_size 32 \
       --num_points 1024 \
       --lr 0.001
   ```

3. **训练参数**：
   - 输入点数：1024 或 2048（根据点云密度调整）
   - 学习率：0.001（可调整）
   - 批次大小：32（根据 GPU 内存调整）
   - 训练轮数：100+（根据过拟合情况调整）

4. **模型保存**：
   - 保存最佳模型：`checkpoints/best_pointcloud_classifier.pt`
   - 保存训练日志和指标

### 3. 测试和评估（Test and Evaluate）

**测试步骤**：
1. **模型推理**：
   ```bash
   python test_pointcloud_classifier.py \
       --model checkpoints/best_pointcloud_classifier.pt \
       --data dataset/test/ \
       --output results/
   ```

2. **评估指标**：
   - 准确率（Accuracy）
   - 精确率（Precision）
   - 召回率（Recall）
   - F1 分数
   - 混淆矩阵

3. **可视化结果**：
   - 分类结果统计
   - 错误分类案例分析
   - 点云质量分布可视化

**集成到主流程**：
- 在 `fish_video_weight_evaluation.py` 中集成分类器
- 自动过滤被分类为 "bad" 的点云
- 仅保留 "good" 点云用于后续对齐和估计

## 文件结构

```
pointcloud_classifier/
├── README.md                    # 本文档
├── label_pointclouds.py         # 点云标注工具（待实现）
├── train_pointcloud_classifier.py  # 训练脚本（待实现）
├── test_pointcloud_classifier.py   # 测试脚本（待实现）
├── models/
│   ├── pointtransformer.py     # PointTransformer 模型定义（待实现）
│   └── pointnet2.py            # PointNet++ 模型定义（备选，待实现）
├── dataset/
│   ├── train/
│   │   ├── good/
│   │   └── bad/
│   ├── val/
│   │   ├── good/
│   │   └── bad/
│   └── test/
│       ├── good/
│       └── bad/
└── checkpoints/                 # 保存训练好的模型
    └── best_pointcloud_classifier.pt
```

## 依赖库

```bash
pip install torch torchvision
pip install torch-geometric  # PointTransformer 需要
pip install open3d           # 点云可视化
pip install numpy
pip install scikit-learn     # 评估指标
```

## 使用示例

### 标注点云
```bash
# 使用标注工具查看和分类点云
python label_pointclouds.py --input output_preview/*/cloud/ --output dataset/
```

### 训练模型
```bash
# 训练 PointTransformer 分类器
python train_pointcloud_classifier.py \
    --data dataset/ \
    --model pointtransformer \
    --epochs 100 \
    --batch_size 32
```

### 测试模型
```bash
# 在测试集上评估
python test_pointcloud_classifier.py \
    --model checkpoints/best_pointcloud_classifier.pt \
    --data dataset/test/
```

### 集成到主流程
```python
# 在 fish_video_weight_evaluation.py 中使用
from pointcloud_classifier import PointCloudClassifier

classifier = PointCloudClassifier("checkpoints/best_pointcloud_classifier.pt")
quality_score = classifier.predict(points, colors)
if quality_score > 0.5:  # "good" threshold
    # 保存点云用于后续处理
    save_pointcloud(points, colors)
```

## 注意事项

1. **数据平衡**：确保 good/bad 样本数量大致平衡，避免类别不平衡问题
2. **点云预处理**：统一点云格式和点数，确保模型输入一致性
3. **模型选择**：PointTransformer 通常比 PointNet++ 效果更好，但计算量更大
4. **阈值调整**：根据实际应用场景调整分类阈值（默认 0.5）
5. **持续改进**：收集错误分类样本，扩充训练数据，迭代改进模型

## 待实现功能

- [ ] 点云标注工具（可视化 + 批量分类）
- [ ] PointTransformer 模型实现
- [ ] 训练脚本（数据加载、训练循环、模型保存）
- [ ] 测试脚本（推理、评估、可视化）
- [ ] 集成到 `fish_video_weight_evaluation.py`
- [ ] 模型部署优化（量化、加速）

## 参考资料

- PointTransformer: https://github.com/POSTECH-CVLab/point-transformer
- PointNet++: https://github.com/charlesq34/pointnet2
- PyTorch Geometric: https://pytorch-geometric.readthedocs.io/