EUROMOLD: Algorithmen strukturieren 3D-Punktwolken
Seien es Produktentwicklung oder Fabrikdigitalisierung: Technologien bestehende Objekte zu erfassen, um 3D-Modelle von ihnen zu erstellen, gibt es einige. Was bislang fehlt sind Programme, die die erzeugten Punktwolken automatisch segmentieren und helfen, die eigentlichen Objektdaten heraus zu filtern. Ein erster Schritt in diese Richtung ist das automatisierte Erkennen von Regelgeometrien.
Mit einem Laser-Radar-Scanner erzeugte Punktwolke
Punktwolke mit erkannten und eingepassten Objekten
Neue Produkte oder Fabrikanlagen entstehen heute in der Regel am Rechner. Sollten später Änderungen oder Verbesserungen nötig werden, können Konstrukteure und Fabrikplaner auf exakte 3D-Modelle zurückgreifen. Von bereits bestehenden Objekten existieren oft nur zweidimensionale Pläne oder die Werkstücke und Anlagen selbst. Laserscanner, Computertomographen oder Koordinatenmessgeräte erfassen diese Objekte zwar, liefern aber zunächst nur dreidimensionale Punktwolken. Die gewünschten Objekte aus diesen Punktwolken herauszufiltern, ist eine langwierige Aufgabe für erfahrene Spezialisten und bedarf ausgeklügelter Software. Bereits am Markt verfügbare Programme arbeiten häufig mit zeitintensiven Algorithmen, die bereits vom Benutzer unterteilte Punktwolken als Eingabe erfordern. Ira Effenberger und Sung Joon Ahn vom Fraunhofer IPA haben einen Algorithmus entwickelt, der regelgeometrische Objekte wie Kugeln, Zylinder oder Quader selbsttätig in Punktwolken erkennt. "Regelgeometrische Objekte in Punktwolken zu identifizieren ist der erste Schritt, um in einem schnellen, automatisierten Verfahren aus Punktwolken CAD-Modelle zu generieren", erklärt Effenberger. Die meisten CAD-Modelle
bestehen zu einem großen Teil aus solchen Objekten.
Die am Fraunhofer IPA entwickelten Algorithmen zeichnen sich u. a. durch hohe Genauigkeit, Robustheit und Laufzeiteffizienz aus. 3D-Datensätze, die der Algorithmus verarbeiten kann, müssen keine besonderen Bedingungen wie beispielsweise eine gleichmäßige Verteilung der Messpunkte erfüllen. Ahns und Effenbergers Programm ist in der Lage, große Datenmengen ohne jede Struktur oder Anordnung zu verarbeiten. "Selbst bei verrauschten Datensätzen und teilweise verdeckten Features haben wir noch sehr gute Ergebnisse erzielt", berichtet die Mathematikerin. Die Segmentierung, also die Unterteilung des 3D-Datensatzes, erfolgt weitgehend automatisch. Der im Programm enthaltene Feature-Erkennungs-Algorithmus basiert auf Least Squares Approximation. Er liefert als Ergebnis die Form-, Lage- und Rotationsparameter des eingepassten Elements. Die Formparameter bestimmen die Grösse und das Aussehen des Objekts. Die Lage- und Rotationsparameter charakterisieren die Position des Objekts im Raum. Der Algorithmus konvergiert sehr gut. Die Besteinpassung arbeitet auch bei schlechteren Startparametern hochgenau (höchster Genauigkeitsgrad nach ISO/DIS 10360-6). Laufzeit- und Speicherplatzbedarf verhalten sich proportional zur Anzahl der Messpunkte.
Technologien, die geeignete Bilddaten bestehender Teile und Anlagen erzeugen, sind bislang relativ teuer und nicht für alle Anwendungen geeignet. Mit günstigeren und leistungsstärkeren Sensoren wird es jedoch bald möglich sein, auch grosse Datenmengen in Echtzeit zu erfassen, was die Generierung von 3D-Punktwolken beschleunigen und verbilligen wird. Die Folge: "In Zukunft werden die Anwendungsgebiete für Segmentierungs- und Feature-Erkennungsmethoden stark zunehmen und leistungsstarke Algorithmen, die diese Datenmengen verarbeiten können, dringend benötigt", prognostiziert Sung Joon Ahn.
Eine Demonstration der Software gibt es auf der EUROMOLD
(4. bis 7.12. 2002) in Düsseldorf: Halle 9.0, Stand G43
Ihr Ansprechpartner für weitere Informationen:
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA
Dipl.-Math. Ira Effenberger
Telefon: 0711/970-1853, E-Mail: ira.effenberger@ipa.fraunhofer.de
