Etapes de la modélisation «tel que construit»

ETAPES DE LA MODÉLISATION «TEL QUE CONSTRUIT»

Spécificité des lignes de tuyauterie

Considérons maintenant le cas des lignes de tuyauterie. Pour des scènes de taille et de complexité importantes, cette étape est fastidieuse, et ce pour deux raisons. Tout d’abord, les lignes de tuyauterie étant en général longues, elles s’étendent sur de grandes parties de la scène complète, ce qui fait que l’on peut difficilement travailler sur des zones plus petites. Ensuite, il peut être relativement difficile de visualiser le cheminement d’une ligne dans une scène comportant de nombreux éléments. Ceci est lié au fait que la perception des formes dans un nuage de points n’est pas toujours aisée : les points ne cachent pas ceux qui sont derrière, il y a des ambiguïtés «avant-arrière», les formes ne se perçoivent en général facilement que depuis certains points de vue, etc. Notons que la visualisation du nuage de points peut tout de même être améliorée : affichage avec simulation de l’éclairage à partir des normales (orientées ou non), brouillard en fonction de la profondeur, luminance (si disponible).

Remarque
De récents développements ont accéléré cette étape (fonction «smart line» dans 3Dipsos v2.4) : l’utilisateur dessine une ligne brisée suivant la tuyauterie (chaque segment correspond alors à peu près à une primitive). Toutefois, cette méthode s’avère sensible aux points qui sont cliqués par l’utilisateur.

Exportation du modèle

Enfin, la phase d’exportation permet d’utiliser le modèle «tel que construit» comme un modèle CAO classique. Pour les environnements industriels, l’export se fait en particulier vers les logiciels PDS (InterGraph), PDMS (CadCentre), Microstation (Bentley).

Automatisation de la segmentation-modélisation

Motivation
Pour des environnements de grande taille, cette chaîne de traitement peut nécessiter plusieurs semaines de temps-homme. En particulier, l’étape de segmentation-modélisation est de loin la plus longue. En effet, les ratios observés du temps de modélisation sur le temps d’acquisition des données sont généralement assez élevés. Ce ratio varie bien entendu selon l’ampleur du projet, le type de scène et le modèle souhaité. Pour donner un ordre de grandeur, voici deux exemples d’estimation de ce ratio, pour des applications industrielles utilisant la technologie développée par MENSI (scanner Soisic, logiciel 3Dipsos)  :
Exemple 1 (société Technip) : pour un gros projet (8 semaines sur site, 36 nuits scanner de saisie). Ratio modélisation/saisie = 4 environ.
Exemple 2 (société Chleq Froté) : pour un projet comportant 50h d’acquisition, en excluant la vérification finale et la modélisation pour le logiciel PDS. Ratio modélisation/saisie = 2,8 environ. En outre, ce ratio tend à augmenter étant donné que les scanners 3D sont de plus en plus rapides : pour la même durée d’acquisition, on obtient beaucoup plus de points qu’auparavant (environ 100 points par seconde pour le scanner Soisic, et 1000 points par seconde pour le scanner GS100).

Un ensemble volumineux et non-structuré de points 

Un nuage typique comporte quelques millions de points. De plus, avec les progrès des procédés d’acquisition, les tailles de nuages de points à traiter augmentent rapidement. Dans les fichiers «.soi» provenant du scanner Soisic, il y a encore l’information du point de vue, c’est-à-dire la position du scanner dans la vue correspondante, associée à chaque point. De plus, les points suivent l’ordre du scan: les points immédiatement avant et après dans la liste de coordonnées sont les points respectivement précédent et suivant dans la ligne de scan, hormis aux extrémités d’une ligne, où le point après se trouve au début de la ligne suivante (de l’autre côté). Dès lors que plusieurs vues sont recalées et fusionnées, il n’y a plus de structure de grille ou de ligne de scan. En particulier, dans les fichiers «.neu» provenant de Soisic, il n’y a plus d’information sur la position du scanner. Cependant, les points sont encore regroupés par points de vue dans la liste. Ceci implique que l’ordre des lignes de scan est quand même préservé : lorsque l’on est dans un même point de vue, les points avant et après sont voisins sur la ligne de scan (toujours hormis les extrémités). On peut donc dire que des points voisins dans la liste sont «la plupart du temps» voisins (au sens des lignes de scan) dans la scène. Ceci étant, on ne sait plus quand ils le sont ou quand ils ne le sont pas.

Une densité de points non-homogène
Cette propriété provient :
– de la distance et de l’orientation de la surface par rapport au scanner (dans chaque point de vue),
– de parties scannées dans plusieurs points de vue et d’autres par un seul,
– des occlusions ,
– de scans spécifiques pour certains détails («sous-point de vue»).

Des points bruités 

Le bruit sur les points a trois origines :
– dispersion (bruit a priori gaussien étalé dans la direction du scanner, dépend de l’angle à la surface et de sa spécularité),
– distorsion (méconnue : ceci nécessite un étalonnage en 3D du scanner),
– erreurs de recalage .
Dans la pratique, on supposera que les erreurs provenant de la distorsion et du recalage ne sont pas trop importantes. En particulier, il ne semble pas réaliste de vouloir traiter automatiquement les situations extrêmes, c’est-à-dire pour lesquelles un utilisateur aurait lui-même des difficultés. La dépendance du niveau de bruit par rapport à la distance au scanner dépend du type de scanner. En effet, l’erreur en distance d’un scanner à triangulation (ex : Soisic) croît théoriquement comme le carré de la distance au scanner (ordre de grandeur pour Soisic : 1 mm lorsque l’on se trouve à 5m du scanner), alors que celle d’un scanner à temps de vol est théoriquement indépendante de la distance [LNdC95, p.11] . Notons toutefois que le bruit total dépend aussi d’autres paramètres, comme par exemple de l’orientation de la surface par rapport à la direction du faisceau lumineux, mais aussi de facteurs tels que la spécularité des surfaces, la lumière ambiante ou même la température. Pour synthétiser, on peut dire que l’on ne dispose (pour l’instant) pas d’information sur le niveau de bruit des points, et qu’il n’est pas évident de déduire cette information du nuage de points seul.

Table des matières

1 Introduction
1.1 La numérisation 3D
1.1.1 Triangulation optique
1.1.2 Temps de vol
1.2 Etapes de la modélisation «tel que construit»
1.2.1 Saisie des données
1.2.2 Pré-traitement
1.2.3 Segmentation et modélisation
1.2.4 Exportation du modèle
1.2.5 Automatisation de la segmentation-modélisation
1.3 Caractéristiques des données 3D
1.3.1 Un ensemble volumineux et non-structuré de points
1.3.2 Une densité de points non-homogène
1.3.3 Des points bruités
1.4 Contributions de la thèse et structure du document
2 Etude bibliographique, état de l’art
2.1 Traitements «bas niveau» des données 3D (sans modèles)
2.1.1 Structuration du nuage de points, reconstruction 3D
2.1.2 Extraction d’information sur les surfaces
2.1.3 Classification, segmentation sans modèles
2.2 Traitements des données 3D à base de modèles
2.2.1 Différents types de modèles
2.2.2 L’ajustement de modèle
2.2.3 La reconnaissance ou sélection de modèle
2.2.4 Extraction de modèle et segmentation à base de modèles
2.2.5 Création de modèles plus complexes
2.3 Tableau récapitulatif des systèmes testés ou disponibles
3 Segmentation de lignes de tuyauterie
3.1 Connaissances «métier»
3.1.1 Qu’est-ce qu’une ligne de tuyauterie ?
3.1.2 Eléments constitutifs
3.1.3 Compléments d’information
3.1.4 Que doit-on modéliser ?
3.1.5 Caractérisation géométrique d’une ligne de tuyauterie
3.2 Extraction d’une ligne de tuyauterie
3.2.1 Présentation de l’application développée
3.2.2 Détail des différentes étapes
3.2.3 Résultats sur scènes de différents scanners
3.2.4 Tests auprès d’utilisateurs experts de 3Dipsos
3.2.5 Développements suite aux tests
3.2.6 Discussion et perspectives
3.3 Modélisation d’une ligne de tuyauterie
3.3.1 Modélisation directe avec cylindres et tores
3.3.2 Segmentation à partir du résultat de l’algorithme d’extraction
3.3.3 Résultats et perspectives
3.3.4 Perspectives sur la modélisation
3.4 Conclusion
4 Ajustement de primitives
4.1 Introduction
4.1.1 Primitives traitées
4.1.2 Motivation
4.1.3 Expression du problème et choix
4.2 Méthode de résolution du problème d’estimation
4.2.1 Algorithme d’optimisation utilisé
4.2.2 Incertitude sur les paramètres estimés
4.3 Paramétrisation et distance pour chaque primitive
4.3.1 Paramètres pour chaque primitive
4.3.2 Expression de la distance exacte
4.3.3 Gradient des distances aux primitives
4.3.4 Cas de séparabilité de l’espace de paramètres
4.4 Initialisation des paramètres
4.4.1 Primitives libres
4.4.2 Primitives contraintes
4.4.3 Tableau récapitulatif
4.5 Discussion et perspectives
4.5.1 Aspect numérique et conditionnement
4.5.2 En présence de points aberrants
4.5.3 Résultats et remarque
4.5.4 Nouvelles primitives
4.5.5 Ajustement de primitives plus complexes
5 Conclusion

Télécharger le rapport complet