Veranstaltungsprogramm

Sitzung
Verarbeitung von 3D-Punktwolken
Zeit:
Donnerstag, 03.02.2022:
13:30 - 15:00

Chair der Sitzung: Daniel Wujanz, technet GmbH
Virtueller Veranstaltungsort: ZOOM-Meeting

Präsentationen

Integration von Hyperspektraldaten in RandLA-Net zur Klassifikation in 3D Punktwolken

Isaak Mitschke, Thomas Wiemann

Universität Osnabrück, Deutschland

In den letzten Jahren wurden viele Deep Learning Verfahren entwickelt, um 3D-Punktwolken automatisch zu segmentieren. Als Eingangsdaten werden dabei üblicherweise Punktwolken, welche zusätzlich mit weiteren Informationen wie Reflektionsintensitäten und RGB Farbwerten versehen seien können, verwendet. Mithilfe von Hyperspektraldaten lassen sich detaillierte Aufschlüsse über die chemische Zusammenätzung unterschiedlicher Materialien gewinnen. In vorhergehenden Arbeiten haben wir untersucht, ob sich klassische Verfahren des maschinellen Lernens direkt auf solche Daten übertragen lassen. Es zeigte sich, dass dies in Prinzip funktioniert, die Klassifikationsgenauigkeit aber noch stark verbessert werden kann. In diesem Beitrag kombinieren wir den vorherigen Ansatz mit einem Verfahren, dass neben den Spektraldaten auch die geometrische Verteilung der Messpunkte berücksichtigt. Als Grundlage dient das neuronale Netz RandLA-Net, welches auf aktuellen Benchmarkdatensätzen wie Semantic3D und SemanticKITTI sehr gut abschneidet. Untersucht wird dabei, wie RandLA-Net auf einem selbsterzeugten und segmentierten Datensatz mit und ohne Hyperspektralwerden abschneidet.



Entwicklung einer randomisierten Hough-Transformation zur Zylinderdetektion in Laserscans

Sarah Menninger, Michael Bleier, Andreas Nüchter

Informatik VII - Robotik und Telematik, Julius-Maximilians-Universität Würzburg, Deutschland

Neben Ebenen sind Zylinder eine der häufigsten auftretenden grundlegenden Formen im industriellen Bereich. Eine schnelle, effiziente und robuste Methode zur Detektion von Zylindern in Punktwolken ist somit essentiell, um die manuellen Schritte bei der Modellerzeugung zu minimieren. Auch wenn es möglich ist, mithilfe einer 5D Hough-Transformation Zylinder zu detektieren, so ist dieser Ansatz doch sehr komplex und zeitintensiv. Eine Verringerung der Komplexität kann durch einen sequentiellen zwei Schritt Ansatz ermöglicht werden. Der erste Schritt findet mithilfe einer 2D-Hough-Transformation eine starke Hypothese für die Zylinderachsenorientierung, während sich der Zweite mit der Suche des Radius und der Zylinderposition im dreidimensionalen Raum beschäftigt. Die vorliegende Arbeit stellt eine Randomized Hough-Transformation (RHT) Methode für die Zylinderachsendetektion sowie die Kreisdetektion vor. Neben vollständigen Zylindern können auch Teilzylinder bis hin zu Halbzylindern automatisch detektiert werden. Anschließend wird die Implementierung mithilfe von Simulations- sowie Echtdaten validiert.

Menninger-Entwicklung einer randomisierten Hough-Transformation_b.pdf


JUniForm – Regressionsanalyse von Kurven und Flächen in der industriellen Messtechnik

Michael Lösler

Frankfurt University of Applied Sciences, Deutschland

Regressionskurven und -flächen besitzen ein breites Anwendungsspektrum nicht nur in den messenden Disziplinen. So geben bspw. Formparameter Aufschluss über die Fertigungsqualität eines Bauteils in der Toleranzprüfung. Weiterhin liefert die Regres-sionsanalyse wichtige Indikatoren über Veränderungen an einem Objekt in der Defor-mationsanalyse oder über das Vorliegen eines Trends in der Zeitreihenanalyse. Die Regressionsanalyse ermöglicht auch das indirekte Bestimmen von unzugänglichen oder nicht materialisierbaren Kenngrößen wie bspw. eine Drehachse. Aus diesem Grund verfügen kommerzielle Softwarepakete i. A. über Routinen zur Bestimmung von geometrischen Primitiven wie Kugeln, Ebenen oder Zylinder.

In diesem Beitrag wird das neu entwickelte Modul Java·Unified·Form·Fitting (JUniForm) vorgestellt, welches Teil des freien Ausgleichungspakets Java·Applied·Geodesy·3D (JAG3D) ist. Neben der Bestimmung von geometrischen Primitiven wird demonstriert, dass JUniForm das Verschneiden bzw. Kombinieren von unterschiedlichen Geometrien zum Ableiten zusätzlicher Kenngrößen ermöglicht. Weiterhin wird gezeigt, dass die Performanz gegenüber der Vorgängerversion deutlich gesteigert werden konnte, sodass auch eine Verarbeitung größerer Punktmengen möglich ist. Die Richtigkeit der Ergebnisse wird mit Validierungsdatensätzen, die das National Institute of Standards and Technology (NIST) bereitstellt, belegt.

Lösler-JUniForm – Regressionsanalyse von Kurven und Flächen_b.pdf