ІНТЕГРОВАНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ 3D-ХМАРИ ТОЧОК ДЛЯ КАЛІБРУВАННЯ РЕЗЕРВУАРІВ

Автор(и)

  • Денис Проскуренко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна image/svg+xml https://orcid.org/0000-0002-0673-5708
  • Михайло Безуглий Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна image/svg+xml https://orcid.org/0000-0003-0624-0585

DOI:

https://doi.org/10.20535/1970.69(1).2025.333512

Ключові слова:

хмара точок, гібридний алгоритм, геометричне моделювання, сегментація, калібрування резервуарів, лазерне сканування

Анотація

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.

Біографії авторів

Денис Проскуренко, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Аспірант 3 курсу приладобудівного факультету, КПІ ім. Ігоря Сікорського, кафедри комп'ютерно-інтегрованих технологій виробництва приладів

Михайло Безуглий , Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Професор, доктор технічних наук приладобудівного факультету, КПІ ім. Ігоря Сікорського, кафедри комп'ютерно-інтегрованих технологій виробництва приладів, Перший проректор КПІ ім. Ігоря Сікорського

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

2025-06-28

Як цитувати

[1]
Д. Проскуренко і М. Безуглий, «ІНТЕГРОВАНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ 3D-ХМАРИ ТОЧОК ДЛЯ КАЛІБРУВАННЯ РЕЗЕРВУАРІВ», Bull. Kyiv Polytech. Inst. Ser. Instrum. Mak., вип. 69(1), с. 75–81, Чер 2025.

Номер

Розділ

АВТОМАТИЗАЦІЯ ТА ІНТЕЛЕКТУАЛІЗАЦІЯ ПРИЛАДОБУДУВАННЯ