初始状态模腔有明显的棱角，使用时间短后磨损中的变形会随着使用次数的增加而出现。经过较长时间后的变形和破坏状态过大，且形状完全不同。当变形量较小时，铸件不会直接报废，但会对铸件的后期加工提出挑战。

手工打磨时，为了保证铸件的整体形状不受倾斜时间的影响，工人需要根据测量值判断是否存在变形，以及变形的形式，然后采用材料去除的手段对铸件进行后期加工。清除量和清除方法是根据工人的测量和过去的经验确定的。因为存在一定的变形，过度去除会直接导致产品报废。在机械打磨中，也需要根据测得的变形来判断这种情况。当移除材料以进行变形校正时，需要修改机械设备的参数。

为了进一步提高陶瓷型芯自动激光去毛刺的精度，黄等人提出了一种结合全局和局部特征信息的点云配准方法，终总误差小于35 m。

由于铸件变形不均匀，优加工路线未知。因此，可以以理想的打磨加工路线为基准，定量衡量不同打磨路径的精度，从而确定哪种配准方法可以高精度地打磨路径。打磨路径生成的关键步骤。

基于设计模型和三维点云数据比较的方法已经成为许多数字设计过程的有效检测方法。点云匹配分为粗匹配和精匹配两个阶段。粗匹配算法包括主成分分析、四点同余、三维正态分布变换，以及局部特征描述，如快速点特征直方图特征。

根据这一框架，Yasuhiro Aoki于2019年提出将PointNet和LK算法扩展为单一可训练的递归深度神经网络，为深度学习在点云配准中的应用开辟了新的探索路径.2020年，何提出了PointNet++和ICP相结合的注册方法。PointNet++可以提取多个用作注册基础的特征，使用ICP算法计算旋转和平移。近，一些研究人员提出了智能配准的解决方案。刘等提出了一种基于深度学习的鲁棒点云配准方法称为点云深度循环网，利用基于主成分分析的平差网络快速调整两片点云之间的初始位置。Perez提出了一种刚性点云配准方法，称为点云配准学习(PREL)，它允许配准具有高位移或遮挡的点云。PREL算法不需要迭代过程，并且以非参数方式估计点分布。在高度闭塞的点集中，ICP方法显示平均均方根误差(RMSE)为98.8，其次是深度近点32.51和PREL 0.75。