Coarse to Fine : Vers un système d’acquisition intelligent

AC3D'14 - 4ème éditionDe l'acquisition à la compression des objets 3D Coarse to Fine : Vers un système d’acquisition intelligent Vincent DAVAL Olivier AUBRETON Frédéric TRUCHETET

Plan • Introduction • Principe : Etat de l’art • Extraction d’informations (Normales, discontinuités, segmentation) • Identification de primitives • Approximation d’une surface de Bézier • Résultats • Conclusion et perspectives

Introduction • 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. Nuage de points Objet3D Acquisition Extraction d’informations Simplification Compression Utilisation industrielle Est-il possible d’adapter l’acquisition à l’objet à numériser ? Paire d’images

Introduction : Contexte • Projet CreActive 3D : • Ce travail s’inscrit dans un projet regroupant 3 partenaires. Identifier des zones (primitives, discontinuités) Calcul de points 3D (Faible densité) • 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 • 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 Paire d’images • Difficultés rencontrées : • Données finales de plusieurs milliards de points, très long à analyser / stocker. • Obtenir autant de données est rarement nécessaire.

I. Principe : Etat de l’art Identification des primitives Segmentation des objets Objet 3D Objet3D Acquisition Extraction d’informations Simplification Compression Utilisation industrielle R. Béniere -Extraction de Primitives dans un maillage 3D CAO, 2011

I. Principe : Etat de l’art Surface de Bézier Informations complémentaires Identification primitives Calcul des points 3D

II. Extraction d’informations Données du scanner Informations extraites (Normales 3D, discontinuités)

II. Extraction d’informations – Etat de l’art Zhang Song -Determining Both Surface Position and Orientation in Structured-Light-Based Sensing, 2010

II. Extraction d’informations – Normales 3D Lumière structurée de notre système expérimental Lumière structurée du système Noomeo

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 Discontinuités estimées Normales obtenues avec les données de l’Optinum

Principe du Coarse to Fine Identification primitives Calcul des points 3D Surface de Bézier Informations complémentaires Identification des primitives Segmentation des objets Objet 3D

III. Segmentation Carte des discontinuités. Coefficients de discontinuités représentés sur les points 3D. • 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. • Croissancederégion: Comment planter la graine.

III. Identification des primitives Image Gaussienne

III. Identification des primitives 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. Surface de Bézier Informations complémentaires Identification primitives Calcul des points 3D

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’salgorithm, 2008.

Résultats Densité : 6 Densité : 1/6 à 1/2 Surface de Bézier Informations complémentaires Primitive : - Erreur max = 0,1 mm - Points corrects = 90% Surface : - Erreur max = 0,1 mm - Points corrects = 90% Identification primitives Calcul des points 3D

Résultats Densité : 6 Surface de Bézier Informations complémentaires Identification primitives Calcul des points 3D

Résultats Densité : 5 Surface de Bézier Informations complémentaires Identification primitives Calcul des points 3D

Résultats Densité : 5 Surface de Bézier Informations complémentaires Primitive : - Erreur max = 0,1 mm - Points corrects = 90% Identification primitives Calcul des points 3D

Résultats Densité : 5 Surface de Bézier Informations complémentaires Surface : - Erreur max = 0,1 mm - Points corrects = 95% Identification primitives Calcul des points 3D

Résultats

Conclusion Nuage de points Paire d’images Surface de Bézier Informations complémentaires Il est possible d’adapter l’acquisition en fonction de la forme de l’objet Identification primitives Calcul des points 3D • 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

Coarse to Fine : Vers un système d’acquisition intelligent