3D-Punktwolken haben die Objektvermessung in den letzten 25 Jahren signifikant verändert. Da Einzelpunktmessungen durch flächenhafte Messungen in Form von Punktwolken bei vielen Anwendungen ersetzt wurden, spricht man auch von einem Paradigmenwechsel in der Vermessung. Ermöglicht wurde diese Änderung in der Messmethodik durch die Innovationen im Instrumentenbau und die rasanten Entwicklungen der Computertechnologie. Luftgestützte und terrestrische Laserscanner sowie handgeführte 3D-Scanner liefern heute direkt dichte Punktwolken, während dichte 3D-Punkt-wolken aus Fotos bildbasierter Aufnahmesysteme indirekt abgeleitet werden, die zur detaillierten 3D-Objektrekonstruktion zunehmend eingesetzt werden.
In dieser Arbeit werden Untersuchungen vorgestellt, mit denen das geometrische Genauigkeitsverhalten verschiedener scannender Messsysteme evaluiert und geprüft wurde. Während bei den untersuchten terrestrischen Laserscannern in den Untersuchungen die Genauigkeitsangaben (1 Sigma) der technischen Spezifikationen der Systemhersteller von 3-5 mm für den 3D-Punkt und die Distanzmessung eingehalten wurden, zeigten sich dagegen bei vielen untersuchten 3D-Handscannern signifikante Abweichungen gegenüber den technischen Spezifikationen. Diese festgestellten Abweichungen deuten auf eine gewisse geometrische Instabilität des jeweiligen Messsystems hin, die entweder durch die Bauweise und/oder durch eine ungenaue Systemkalibrierung (besonders hinsichtlich der Maßstäblichkeit) verursacht werden. Daher ist davon auszugehen, dass diese handgeführten 3D-Scanner offensichtlich erst am Anfang ihrer Entwicklungsphase stehen und dass noch genügend Optimierungspotential vorhanden ist.
Als flexible und effiziente Alternativen zu den scannenden Messsystemen haben sich seit ca. 10 Jahren die bildbasierten Aufnahmesysteme zunehmend im Markt etabliert. Die in dieser Arbeit vorgestellten Untersuchungen des bildbasierten Aufnahme- und Auswertungsverfahren haben gezeigt, dass diese (mit Farbattributen versehene) 3D-Punktwolken, je nach Bildmaßstab und Oberflächenmaterial des Objektes, durchaus den Genauigkeiten der Laserscanner entsprechen. Gegenüber den Ergebnissen vieler 3D-Handscanner weisen die durch bildbasierte Aufnahmeverfahren generierten Punktwolken qualitativ bessere Resultate auf. Allerdings zeigte der Creaform HandySCAN 700, der auf einem photogrammetrischen Aufnahmeprinzip beruht, als einzige Ausnahme bei der handgeführten 3D-Scannern sehr gute Ergebnisse, die mit Durchschnittswerten besser als 30 Mikrometern sogar in den Bereichen der Referenzsysteme (hier Streifenprojektionssysteme) lagen.
Die entwickelten Prüfverfahren und die entsprechenden durchgeführten Untersuchungen haben sich als praxistauglich erwiesen, da man auch unter zur Hilfenahme der VDI/VDE Richtlinie 2634 ver-gleichbare Ergebnisse erzielt, die dem praxisorientierten Anwender Aussagen über die Leistungsfä-higkeit des Messsystems erlauben. Bei den im statischen Modus erfassten Scans kommen noch Fehlereinflüsse durch die Registrierung der Scans hinzu, während bei kinematisch erfassten Scans die Genauigkeiten der verschiedenen (absoluten) Positionierungssensoren auf dem Fehlerhaushalt der Punktwolke addiert werden. Eine sorgfältige Systemkalibrierung der verschiedenen im kinematischen Modus arbeitenden Positionierungs- und Aufnahmesensoren des mobilen Multi-Sensor-Systems ermöglicht eine 3D-Punktgenauigkeit von ca. 3-5 cm, die unter guten Bedingungen mit höherwertigen Sensoren ggf. noch verbessert werden kann. Mit statischen Scans kann eine höhere Genauigkeit von besser als 1 cm für den 3D-Punkt erreicht werden, jedoch sind bei größeren aufzunehmenden Flächen mobile Aufnahmesysteme wesentlich effizienter. Die Anwendung definiert daher das zum Einsatz kommende Messverfahren.
3D-Punktwolken dienen als Grundlage für die Objektrekonstruktion auf verschiedenen Wegen: a) Engineering Modelling als generalisierte CAD-Konstruktion durch geometrische Primitive und b) Mesh Modelling durch Dreiecksvermaschung der Punktwolken zur exakten Oberflächenbeschreibung. Durch die Generalisierung bei der CAD-Konstruktion können sehr schnell Abweichungen vom Sollmaß von bis zu 10 cm (und größer) entstehen, allerdings werden durch die Anpassung auf geometrische Primitive eine signifikante Datenreduktion und eine topologische Strukturierung erreicht. Untersuchungen haben jedoch auch gezeigt, dass die Anzahl der Polygone bei der Dreiecksvermaschung je nach Oberflächenbeschaffenheit des Objektes auf 25% und sogar auf 10% der Originaldatenmenge bei intelligenter Ausdünnung (z.B. krümmungsbasiert) reduziert werden kann, ohne die visuelle und geometrische Qualität des Ergebnisses zu stark zu beeinträchtigen. Je nach Objektgröße können hier Abweichungen von unter einem Millimeter (z.B. bei archäologischen Fundstücken) bis zu 5 cm im Durchschnitt bei größeren Objekten erreicht werden. Heute können Punktwolken eine wichtige Grundlage zur Konstruktion der Umgebung für viele Virtual Reality Anwendungen bilden, bei denen die geometrische Genauigkeit der modellierten Objekte im Einzelfall keine herausragende Rolle spielt.:Erklärung I
Kurzfassung II
Inhaltsverzeichnis V
1. Einführung 1
1.1. Struktur der Arbeit 2
1.2. Punktwolken durch scannende Systeme 4
1.2.1. Technische Spezifikationen terrestrischer Laserscanner 4
1.2.2. Untersuchungen terrestrischer Laserscanner 6
1.2.3. Untersuchungen handgeführter 3D-Scanner 9
1.3. Geometrische Objektmodellierung auf Basis von Punktwolken statischer Scans 10
1.3.1. Automation in der geometrischen Objektmodellierung auf Basis von Punktwolken 11
1.3.2. Engineering Modelling – Objektrekonstruktion mithilfe geometrischer Primitive im CAD 12
1.3.3. Mesh Modelling – Objektrekonstruktion durch Dreiecksvermaschung 17
1.4. Geometrische Objektmodellierung auf Basis von Punktwolken kinematischer Scans 18
1.5. Punktwolken durch photogrammetrische Verfahren 22
2. Genauigkeitsuntersuchungen 25
2.1. Terrestrische Laserscanner 25
2.2. Handgeführte 3D-Scanner 41
3. Objektmodellierung auf Basis statischer Scans 55
3.1. Objektmodellierung durch CAD 55
3.2. Objektmodellierung durch Dreiecksvermaschung 72
4. Objektmodellierung auf Basis kinematischer Scans 85
4.1. Landbasiertes kinematisches Scanning 85
4.2. Wasserbasiertes kinematisches Scanning (Bonus-Artikel) 103
5. Alternative Verfahren für die Generierung von Punktwolken 111
6. Fazit und Ausblick 126
7. Literatur 135 / 3D point clouds have significantly changed the surveying of objects in the last 25 years. Since in many applications, the individual point measurements were replaced through area-based measurements in form of point clouds, a paradigm shift in surveying has been fulfilled. This change in measurement methodology was made possible with the rapid developments in instrument manufacturing and computer technology. Today, airborne and terrestrial laser scanners, as well as hand-held 3D scanners directly generate dense point clouds, while dense point clouds are indirectly derived from photos of image-based recording systems used for detailed 3D object reconstruction in almost any scale.
In this work, investigations into the geometric accuracy of some of these scanning systems are pre-sented to document and evaluate their performance. While terrestrial laser scanners mostly met the accuracy specifications in the investigations, 3-5 mm for 3D points and distance measurements as defined in the technical specifications of the system manufacturer, significant differences are shown, however, by many tested hand-held 3D scanners. These observed deviations indicate a certain geometric instability of the measuring system, caused either by the construction/manufacturing and/or insufficient calibration (particularly with regard to the scale). It is apparent that most of the hand-held 3D scanners are at the beginning of the technical development, which still offers potential for optimization.
The image-based recording systems have been increasingly accepted by the market as flexible and efficient alternatives to laser scanning systems for about ten years. The research of image-based recording and evaluation methods presented in this work has shown that these coloured 3D point clouds correspond to the accuracy of the laser scanner depending on the image scale and surface material of the object. Compared with the results of most hand-held 3D scanners, point clouds gen-erated by image-based recording techniques exhibit superior quality. However, the Creaform HandySCAN 700, based on a photogrammetric recording principle (stereo photogrammetry), shows as the solitary exception of the hand-held 3D scanners very good results with better than 30 micrometres on average, representing accuracies even in the range of the reference systems (here structured light projection systems).
The developed test procedures and the corresponding investigations have been practically proven for both terrestrial and hand-held 3D scanners, since comparable results can be obtained using the VDI/VDE guidelines 2634, which allows statements about the performance of the tested scanning system for practice-oriented users. For object scans comprised of multiple single scan acquired in static mode, errors of the scan registration have to be added, while for scans collected in the kine-matic mode the accuracies of the (absolute) position sensors will be added on the error budget of the point cloud. A careful system calibration of various positioning and recording sensors of the mobile multi-sensor system used in kinematic mode allows a 3D point accuracy of about 3-5 cm, which if necessary can be improved with higher quality sensors under good conditions. With static scans an accuracy of better than 1 cm for 3D points can be achieved surpassing the potential of mobile recording systems, which are economically much more efficient if larger areas have to be scanned.
The 3D point clouds are the basis for object reconstruction in two different ways: a) engineering modelling as generalized CAD construction through geometric primitives and b) mesh modelling by triangulation of the point clouds for the exact representation of the surface. Deviations up to 10 cm (and possibly higher) from the nominal value can be created very quickly through the generalization in the CAD construction, but on the other side a significant reduction of data and a topological struc-turing can be achieved by fitting the point cloud into geometric primitives. However, investigations have shown that the number of polygons can be reduced to 25% and even 10% of the original data in the mesh triangulation using intelligent polygon decimation algorithms (e.g. curvature based) depending on the surface characteristic of the object, without having too much impact on the visual and geometric quality of the result. Depending on the object size, deviations of less than one milli-metre (e.g. for archaeological finds) up to 5 cm on average for larger objects can be achieved. In the future point clouds can form an important basis for the construction of the environment for many virtual reality applications, where the visual appearance is more important than the perfect geometric accuracy of the modelled objects.:Erklärung I
Kurzfassung II
Inhaltsverzeichnis V
1. Einführung 1
1.1. Struktur der Arbeit 2
1.2. Punktwolken durch scannende Systeme 4
1.2.1. Technische Spezifikationen terrestrischer Laserscanner 4
1.2.2. Untersuchungen terrestrischer Laserscanner 6
1.2.3. Untersuchungen handgeführter 3D-Scanner 9
1.3. Geometrische Objektmodellierung auf Basis von Punktwolken statischer Scans 10
1.3.1. Automation in der geometrischen Objektmodellierung auf Basis von Punktwolken 11
1.3.2. Engineering Modelling – Objektrekonstruktion mithilfe geometrischer Primitive im CAD 12
1.3.3. Mesh Modelling – Objektrekonstruktion durch Dreiecksvermaschung 17
1.4. Geometrische Objektmodellierung auf Basis von Punktwolken kinematischer Scans 18
1.5. Punktwolken durch photogrammetrische Verfahren 22
2. Genauigkeitsuntersuchungen 25
2.1. Terrestrische Laserscanner 25
2.2. Handgeführte 3D-Scanner 41
3. Objektmodellierung auf Basis statischer Scans 55
3.1. Objektmodellierung durch CAD 55
3.2. Objektmodellierung durch Dreiecksvermaschung 72
4. Objektmodellierung auf Basis kinematischer Scans 85
4.1. Landbasiertes kinematisches Scanning 85
4.2. Wasserbasiertes kinematisches Scanning (Bonus-Artikel) 103
5. Alternative Verfahren für die Generierung von Punktwolken 111
6. Fazit und Ausblick 126
7. Literatur 135
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:30694 |
| Date | 17 November 2017 |
| Creators | Kersten, Thomas |
| Contributors | Maas, Hans-Gerd, Luhmann, Thomas, Holm, Knut Ragnar, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds