Return to search

Contribution à la reconstruction 3D de bâtiments à partir de nuage de points de scanner laser terrestre / A contribution to 3D building reconstruction from terrestrial laser scanner points cloud

La rénovation et la réhabilitation énergétique du parc de bâtiment est un des grands défis identifiés pour les décennies à venir. Devant cet impératif d'une rénovation d'ampleur du parc construit, les solutions techniques utilisant des ossatures rapportées sont employées de plus en plus fréquemment car elles permettent de combiner performance thermique, renouvellement esthétique et ajouts fonctionnels. Une des difficultés dans l'amélioration et l'automatisation des projets de rénovation est liée à la connaissance de la géométrie du bâti existant. Des plans de l'état existant ne sont pas toujours disponibles, et dans le cas échéant, ne sont pas forcément exacts en raison de modifications apportées au bâti et non documentées ou d'écarts initiaux entre les plans et la réalisation. Après une étude bibliographique des méthodes existantes détaillées dans le chapitre 1. Les travaux menés dans le cadre d'une collaboration entre le CRITT Bois et le CRAN ont permis de développer une méthode automatique de reconstruction 3D du modèle de bâtiments à partir de nuages de points obtenus par scanner LASER terrestre. La méthode proposée se décompose en trois phases principales. La première phase détaillée dans le deuxième chapitre, consiste à segmenter le nuage de points en plusieurs plans représentants les façades du bâtiment. L'exploitation de la colorimétrie durant la phase de segmentation du nuage de points permet une réduction importante de la complexité de l'algorithme de segmentation géométrique. L'approche consiste à effectuer dans un premier temps une classification préalable du nuage de points en se basant sur les informations colorimétriques de chaque point. Puis, dans un second temps, il s'agit d'effectuer une segmentation géométrique du nuage de points en utilisant un algorithme de segmentation robuste (RANSAC). Le chapitre 3 présente la deuxième phase qui consiste à modéliser le pas d'échantillonnage de la surface à partir duquel on définit le seuil d'extraction des points de contours. Le but étant d'améliorer la fiabilité d'extraction des points de contours, ainsi que l'approximation de l'erreur sur le modèle. Le chapitre 4 détaille les principales étapes de la reconstruction d'un modèle filaire. Dans un premier temps les régions définies par les points de contours sont classées en Régions d'Irrégularités (RI), Régions d'Eléments Architecturaux (REA) comme les fenêtres et Régions de Façade (RF) représentées par les contours extérieurs de la façade. La deuxième étape consiste à modéliser les différentes régions, par un maillage de Delaunay pour les RI, et des polyèdres pour les RF et REA. La dernière étape calcule une approximation de l'erreur sur le modèle. Les tests de fiabilité de la méthode ont été réalisés sur des chantiers réels conduits par des industriels de la construction et de la rénovation. Il en ressort que la qualité de la reconstruction 3D reste fortement dépendante des facteurs d'acquisition ainsi que de la surface numérisée. L'approximation de l'erreur de modélisation permet ainsi de prévoir à l'avance les erreurs sur le modèle CAO. / The renovation and the improvement of the energy efficiency of existing housing stock is one of big challenges identified for coming decades. In front of this imperative, timber based elements for building renovation are more and more used due to their substantial improvement of the building insulation, aesthetic renewal and functional additions. However, this technology faces some difficulties, one of them is the improvement of the renovation projects automation, which is bound to the knowledge of the existing built geometry. The plans representing the existing state of the building are not always available, and if so, they may be not exact, because the modifications made on the building are usually undocumented. After a literature review of existing methods which are detailed the first chapter. The work within the framework of cooperation between the CRITTBois and CRAN have allowed to develop an automatic method for 3D building CAD model reconstruction from point clouds acquired by a terrestrial LASER scanner. The proposed method is composed of three main phases. The first one detailed in the second chapter, consists in segmenting the point cloud into planar patches representing the building facades. To decrease the segmentation algorithm complexity, the colorimetric information is also considered. The approach consists in making a colorimetric classification of the point cloud in a first step, then a geometrical segmentation of the point cloud using a robust segmentation algorithm (RANSAC). The third chapter presents the second phase of our approach consists in surface sampling steps modeling and boundary point extraction. Here, we consider a local threshold defined according to the approximated surface sampling steps. The aim of considering local threshold is to improve the reliability of the boundary point extraction algorithm and approximating the CAD model error. The last chapter presents the main three steps of the boundary model reconstruction method. The first step consists in classifying the regions defined by their boundary points into three types of regions: Irregularity Region (IR), Architectural Element Region (AER) as windows, and Facades Regions (FR) which represent the building facades defined by their outer boundaries. The second step consists in modeling these regions considering a Delaunay triangulation for the IR and a polyhedral model for the AER and the FR. The third step consists in making an approximation of the error in the model. The method reliability tests were conducted on real projects; they were performed by industrial construction and renovation professionals. The tests show that the quality of the 3D reconstruction remains strongly dependent to the acquisition factors and the scanned surface properties. Also, the approximation of the modeling error can predict in advance the errors on the CAD model.

Identiferoai:union.ndltd.org:theses.fr/2015LORR0139
Date02 October 2015
CreatorsBennis, Abdelhamid
ContributorsUniversité de Lorraine, Brie, David, Bombardier, Vincent
Source SetsDépôt national des thèses électroniques françaises
LanguageFrench
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0029 seconds