Coarse to Fine : Vers un système d’acquisition intelligent

Coarse to Fine : Vers un système d’acquisition

intelligent

Vincent DAVALOlivier AUBRETON

Frédéric TRUCHETET

AC3D'14 - 4ème édition

De l'acquisition à la compression des objets 3D

Plan

2

I. Introduction

II. Principe : Etat de l’art

III. Extraction d’informations (Normales, discontinuités, segmentation)

IV. Identification de primitives

V. Approximation d’une surface de Bézier

VI. Résultats

VII. Conclusion et perspectives

Introduction

3

Chaine 3D classique - De la numérisation à la compression :

- La chaine 3D est actuellement très séquentielle (chaque partie fait appel à des compétences particulières).- En général, l’acquisition ne tient pas compte de l’utilisation finale des données (maximum de points).- Dans de nombreux cas industriels cette quantité d’information n’est pas toujours nécessaire.

Objet 3D Acquisition Extraction d’informations

Simplification

Compression

Utilisation industrielle

Nuage de points

Paire d’images

Est-il possible d’adapter

l’acquisition à l’objet à

numériser ?

Introduction : Contexte

4

Projet CreActive 3D :

- Ce travail s’inscrit dans un projet regroupant 3 partenaires.

Scanner 3D Noomeo - Optinum :

- Nombre de points : 10.000 à 500.000 par acquisition.

- Champ de vision : 150 x 165 mm- Profondeur de champ : 100 mm

Difficultés rencontrées :

- Données finales de plusieurs milliards de points, très long à analyser / stocker.- Obtenir autant de données est rarement nécessaire.

Secteur d’activité – Aéronautique :

- Il faut énormément de points pour reconstruire une partie d’un avion :

Acquisition dense pour détecter d’éventuelles déformations / impacts

- De nombreuses pièces sont composées de primitives simples : Train d’atterrissage, tôles

Calcul de points 3D

(Faible densité)

Identifier des zones

(primitives, discontinuités)

Paire d’images

5

I. Principe : Etat de l’art

Objet 3D Segmentation des objets Identification des primitives

R. Béniere - Extraction de Primitives dans un maillage 3D CAO, 2011

Objet 3D Acquisition Extraction d’informations

Simplification

Compression

Utilisation industrielle

Calcul des points 3D

6

Informationscomplémentaires

Identificationprimitives

Surface deBézier

I. Principe : Etat de l’art

II. Extraction d’informations

7

Données du scanner

Informations extraites(Normales 3D, discontinuités)

8

II. Extraction d’informations – Etat de l’art

Zhang Song - Determining Both Surface Position and Orientation in Structured-Light-Based Sensing, 2010

9

II. Extraction d’informations – Normales 3D

Lumière structurée de notre système expérimental

Lumière structurée du système Noomeo

10

II. Extraction d’informations – Discontinuités

Définition : une discontinuité peut être définie comme la rupture d’une forme continue.

Principe utilisé pour estimer les discontinuités à partir des images.

Image vue par la caméra

II. Extractions d’informations - Résultats

11

Normales obtenues avec les données de l’Optinum Discontinuités estimées


12



Surface deBézier

Principe du Coarse to Fine

Objet 3D Segmentation des objets Identification des primitives

13

III. Segmentation

Comment segmenter la Map des discontinuités :

- Clustering : On ne connait pas le nombre de classe.

- Histogramme : Ne fonctionnera pas si on a deux plans parallèles.

- Croissance de région : Comment planter la graine.

Coefficients de discontinuités représentés sur les points 3D. Carte des discontinuités.

14

III. Identification des primitives

Image Gaussienne

15

Analyse en composante principale :

L’ACP permet de déterminer les axes qui décorrèlent le mieux les données, c’est-à-dire les axes qui expliquent le mieux la dispersions des points.

Les valeurs propres associées aux vecteurs propres fournissent une mesure de dispersion des points le long des axe.

III. Identification des primitives

Type de primitives Cylindre/cône Plan Sphère

Valeurs propres λ1 λ2 λ3 λ1 λ2 λ3 λ1 λ2 λ30,2014 0,0123 0,0002 0,0001 0,0001 0,0001 0,1523 0,1245 0,0012




Surface deBézier

16

III. Approximation de surfaces de Bézier

- On fixe l’ordre des carreaux de Bézier à 3.

- Les carreaux ne passant pas par les points de contrôles, il faut choisir des « points fictifs ».

- On évite ainsi de privilégier des points par rapport à d’autres, et on réduit considérablement les discontinuités entre les carreaux.

T. Guillod - Bezier subdivision and de casteljau’s algorithm, 2008.

Résultats

17




Surface deBézier

Primitive :- Erreur max = 0,1 mm- Points corrects = 90%

Densité : 1/6 à 1/2

Surface :- Erreur max = 0,1 mm- Points corrects = 90%

Densité : 6

Résultats

18




Surface deBézier

Densité : 6

Résultats

19




Surface deBézier

Densité : 6

Résultats

20




Surface deBézier

Densité : 6

Résultats

21




Surface deBézier

Densité : 6

Résultats

22




Surface deBézier

Densité : 5

Résultats

23




Surface deBézier

Densité : 5

Résultats

24




Surface deBézier

Densité : 5

Primitive :- Erreur max = 0,1 mm- Points corrects = 90%

Résultats

25




Surface deBézier

Densité : 5

Surface :- Erreur max = 0,1 mm- Points corrects = 95%

Résultats

26

Conclusion

27

Nuage de points

Paire d’images

Il est possible d’adapter

l’acquisition en fonction de la

forme de l’objet




Surface deBézier

- Le système ne donne pas de bons résultats pour des objets non manufacturés. L’application est réservée à des pièces industrielles.

Merci pour votre attention

28

Coarse to Fine : Vers un système d’acquisition intelligent

Documents

extraction de primitives

d noomeo

extraction dinformations

d classique

milliards de points

discontinuits reprsents

d lumire structure

lart objet