为了获得实际的材料去除量，主要的方法是采用离线或在线测量，建立数学预测模型。近年来，研究人员利用图像视觉对材料去除的估计进行了大量的研究。Joshi等人使用机器视觉方法来获取和识别抛光表面上的表面图像的纹理特征，并使用基于机器视觉参数的回归模型来评估表面粗糙度.王等采用二维卷积神经网络学习算法对材料去除方法进行监控，从视觉信号中提取颜色、纹理、形状等特征。这些特征构成二维特征矩阵作为输入参数，砂带打磨过程中的材料去除率作为输出参数。该方法可用于预测不同砂带规格和不同打磨参数的材料去除率，适用于典型工况下材料去除率的回归预测。

基于激光传感器的抛光机器人面对工厂恶劣的打磨环境有着的优势，即不受环境光的影响，精度也能满足铸件后处理的要求。通过数据驱动的预测方法可以在线预测打磨精度。

打磨表面粗糙度被认为是加工质量的关键指标之一.然而，由于磨粒分布的随机性和复杂性，很难预测。为了准确地估计抛光表面的粗糙度，有必要用多种方法获得打磨去除的材料量。通过打磨去除的材料量与多个参数有关，例如进给速度、转速、接触应力、打磨时间、工件材料、工件的几何特征以及磨头的状况。为

广泛使用的基于模型的方法是普雷斯顿方程，根据该方程，打磨期间的材料去除率与压力和介质与工件之间的相对速度成比例。

二维图像信息集中在平面上，机器人打磨提供的深度信息不准确。因此，更的2.5D信息具有表示3D对象的优势，从而提高可靠识别的机会.

2008年，维尔马提出了一个2.5维加工特征识别系统。它用于筛选出2.5D零件特征，以确定加工方向.2009年，Siebert等人将2D SIFT算法扩展到2.5D进行应用;所提出的算法可以利用3D旋转不变性的局部特征直接进行匹配。张雨薇等人提出了一种从2.5D浅浮雕重建基本3D形状的方法，并通过法线传递和泊松表面重建来优化人脸形状.张等人构造了一个2.5D的高度场用于人像浮雕，以增像的外观，并将2.5D技术应用于人像浮雕的处理。该技术也可以应用于人像浮雕的表面打磨。