ІНТЕГРОВАНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ 3D-ХМАРИ ТОЧОК ДЛЯ КАЛІБРУВАННЯ РЕЗЕРВУАРІВ
DOI:
https://doi.org/10.20535/1970.69(1).2025.333512Ключові слова:
хмара точок, гібридний алгоритм, геометричне моделювання, сегментація, калібрування резервуарів, лазерне скануванняАнотація
У статті представлено гібридний метод сегментації 3D-хмар точок для калібрування циліндричних горизонтальних резервуарів, який поєднує алгоритми RANSAC і DBSCAN із подальшим уточненням меж на основі локальних геометричних характеристик.
Аналіз попередніх досліджень показує, що RANSAC ефективний для виявлення циліндричних поверхонь, але чутливий до шуму, тоді як DBSCAN добре виконує кластеризацією зашумлених даних, але потребує оптимізації параметрів. Гібридні методи, які поєднують ці алгоритми, демонструють кращі результати, проте їх стійкість до низькощільних хмар і точність у перехідних зонах залишаються недостатньо дослідженими. Мета роботи – розробити та оцінити гібридний метод сегментації 3D-хмар точок, що поєднує RANSAC, DBSCAN і уточнення меж, для автоматизованого калібрування резервуарів із високою точністю за щільностей від ~1 млн до ~18 млн точок.
Результати досліджень базуються на порівнянні сканованої (18,012,345 точок при максимальній щільності) та ідеальної (17,986,543 точок) моделей резервуара. Гібридний метод дозволив точно оцінити геометричні параметри: радіус (R ≈ 1.5 м, похибка ±0.03 м) і довжину (L ≈ 10.8 м, похибка ±0.05 м). Сегментація виділила переднє днище (372,890 точок, ~2.07 %), заднє днище (411,230 точок, ~2.28 %) та шум (2,181,240 точок, ~12.1 %). Пропорційність зменшення точок для днищ зі зниженням щільності підтверджена лінійною апроксимацією (рис. 1): нахили ~20,700–22,800 точок/млн для сканованої моделі та ~20,900–21,100 для ідеальної, із R² ≈ 0.999. Відносні похибки сегментації становлять 0.1–0.7 % для переднього днища та 8.3–8.9 % для заднього, що вказує на вищу точність для переднього днища та потребу вдосконалення для заднього. Стабільність шуму (~12.1–12.2 %) підтверджує ефективність DBSCAN. Метод зберігав точність навіть при низькій щільності (~1 млн точок), хоча зростання похибки заднього днища (~8.75 %) сигналізує про можливі втрати деталей.
Отже, розроблений гібридний метод є стійким до шуму, масштабованим для щільностей 1–18 млн точок і придатним для автоматизованого калібрування резервуарів. Пропорційність компонентів і стабільний шум підкреслюють надійність методу, а візуалізація (циліндр - червоний, переднє днище - зелений, заднє - синій) ілюструє чітке розмежування. Подальші дослідження можуть зосередитися на оптимізації DBSCAN для низькощільних хмар і зниженні похибки для заднього днища в перехідних зонах.
Посилання
M. Weinmann, B. Jutzi, S. Hinz, and C. Mallet, “Semantic point cloud interpretation based on optimal neighborhoods and random forests,” ISPRS J. Photogramm. Remote Sens., vol. 108, pp. 145–162, Oct. 2015, doi: 10.1016/j.isprsjprs.2015.01.016.
J. Wang, X. Zhang, and Y. Li, “Robust segmentation of 3D point clouds using geometric features and machine learning,” Earth Sci. Informat., vol. 16, no. 4, pp. 1–15, Dec. 2023, doi: 10.12082/dqxxkx.2023.230305.
M. A. Fischler and R. C. Bolles, “Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography,” Commun. ACM, vol. 24, no. 6, pp. 381–395, Jun. 1981, doi: 10.1145/358669.358692.
T. Rabbani, F. A. van den Heuvel, and G. Vosselman, “Segmentation of point clouds using smoothness constraints,” in Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., vol. XXXVI-5, Dresden, Germany, 2007, pp. 248–253. [Online]. Available: http://www.isprs.org/proceedings/XXXVI/part5/paper/1248_Dresden06.pdf
L. Li, F. Yang, H. Zhu, D. Li, Y. Li, and L. Tang, “An improved RANSAC for 3D point cloud plane segmentation based on normal distribution transformation cells,” Remote Sens., vol. 9, no. 5, p. 433, May 2017, doi: 10.3390/rs9050433.
M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise,” in Proc. 2nd Int. Conf. Knowl. Discovery Data Mining (KDD-96), Portland, OR, USA, 1996, pp. 226–231. [Online]. Available: http://www.aaai.org/Papers/KDD/1996/KDD96-037.pdf
T. Czerniawski, B. Sankaran, M. Nahangi, C. Haas, and F. Leite, “6D DBSCAN-based segmentation of building point clouds for planar object classification,” Autom. Construct., vol. 88, pp. 44–58, Apr. 2018, doi: 10.1016/j.autcon.2017.12.029.
D. Borrmann, J. Elseberg, K. Lingemann, and A. Nüchter, “The 3D Hough transform for plane detection in point clouds: A review and a new accumulator design,” 3D Res., vol. 2, no. 2, pp. 1–13, Jun. 2011, doi: 10.1007/3DRes.02(2011)3.
A.-V. Vo, L. Truong-Hong, D. F. Laefer, and M. Bertolotto, “Octree-based region growing for point cloud segmentation,” ISPRS J. Photogramm. Remote Sens., vol. 104, pp. 88–100, Jun. 2015, doi: 10.1016/j.isprsjprs.2015.01.011.
Z. Liu, Y. Zhang, and J. Wang, “PointNet++: Deep hierarchical feature learning on point sets in a metric space,” in Adv. Neural Inf. Process. Syst., Long Beach, CA, USA, 2017, vol. 30, pp. 5099–5108. [Online]. Available: https://arxiv.org/abs/1706.02413O.
O. Samoilenko and V. Zaets, “Calibration of tanks and ships’ tanks for storage and transportation of liquids by laser scanning,” in IntechOpen, 2022, doi: 10.5772/intechopen.100565.
J. Chen, Z. Kira, and Y. K. Cho, “Deep learning-based point cloud segmentation for autonomous construction,” J. Comput. Civil Eng., vol. 33, no. 5, p. 04019029, Sep. 2019, doi: 10.1061/(ASCE)CP.1943-5487.0000842.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Д. М. Проскуренко, М. О. Безуглий

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.