臺灣博碩士論文加值系統

本研究的目的是將藉由點雲資料產生的3D模型進行平面切割。點雲是透過3D掃描器掃描後所得到的資料，每一點資料包含了(X,Y,Z)資訊，X,Y值為相機的座標資訊、Z值為物體至相機原點的距離(深度值)。3D模型是運用3D掃描器掃描外觀後，重建其具有點雲資訊的立體模型。
3D模型的平面切割所使用的演算法，一開始先從點群之間估計出的法向量資訊進行平面擬合，最後使用區域增長演算法，將模型的平面切割出來。
實驗結果部分將平面切割演算法與RANSAC演算法進行效能及錯誤率比較，先以模擬實驗測試兩種演算法的差異性，最後使用工業的工件及硬幣進行平面切割的實驗。切割後的工件平面可提供具有相同面特性的點群資料，對於工件後續檢測均有所助益。

This research presents plane segmentation of 3d model by point clouds. Point clouds can receive data by 3D scanner’s and each point’s data included (X, Y, Z) information. The X and Y are camera’s coordinate information, Z is the distance (Depth Value) from camera’s central point to the object. 3D models was built by reconstructing the stereoscopic model with point clouds information that scanned by 3D scanner.
The algorithm that the 3D model plane segmentation used is first to do the plane fitting with the normal vector that estimates by the point group. Then use the region growing algorithm to segment the model’s plane.
The result compared performance and error rate by the RANSAC algorithm and the plane segmentation algorithm. We test the differences between two algorithms by simulation experiment, and then use industrial workpiece and coins to do the experiment of plane segmentation which is able to provide point group with the same surface characteristics to help latter workpiece inspection.

主目錄:
摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VI
表目錄 VIII
第一章、緒論 1
1.1　前言 1
1.2　研究動機與目的 2
1.3　文獻回顧 2
1.4　論文架構 2
第二章、基礎概念與方法 4
2.1　點雲(Point Clouds) 4
2.2　OpenTK(Open Toolkit)介紹 5
2.3 RANSAC(Random Sample Consensus)演算法 7
第三章、平面切割演算法 9
3.1　系統架構 8
3.2　點雲資料建模 9
3.3　法向量估計 12
3.4　平面擬合 14
3.5　區域增長 15
第四章、實驗結果與討論 20
4.1　實驗方法與流程 20
4.2　模擬測試與分析 21
4.3　實體測試與分析 24
第五章、結論與未來展望 36

參考文獻 38
附錄一 40

圖目錄
圖 2-1 3維座標系轉換程序……….…………………………….……….5
圖 3-1 平面切割架構圖…………………………………………..….…...9
圖 3-2 攝影平台建置示意圖………………………………….…..…….10
圖 3-3 工件的點雲掃描資料………………………...………………….11
圖 3-4 建模而成的3D模型…………………………………….….…….12
圖 3-5 法向量運算……………………………………………..…….….12
圖 3-6 點與面關係……………………………………………..….…….13
圖 3-7 點到平面擬合面示意圖……………………………..……….….14
圖 3-8 平面擬合錯誤過程……………………………………..…….….15
圖 3-9 投影化及區域增長流程….…………………………….…….….16
圖 3-10 正投影.………………………………………………………..….17
圖 3-11 區域增長-散布兩處的點資料………………………….…….…18
圖 3-12 區域增長-選擇出發的種子…………………………….…….…19
圖 3-13 區域增長-停止區域增長後的點資料………………….….……19
圖 3-14 區域增長後的工件…………………….……………….….…….19
圖 4-1 正方體的點雲模擬資料….…………………………….….…….21
圖 4-2 模擬實驗面切割………….…………………………….….…….23
圖 4-3 模擬實驗的實驗資料…….…………………………….….…….23
圖 4-4 工件的點雲掃描資料…….…………………………….….…….24
圖 4-5 RANSAC於工業的工件平面分割結果.……………….….…....25
圖 4-6 平面切割演算法於工業的工件的平面分割結果.…….….……27
圖 4-7 硬幣平面切割演算法的實驗資料……………………..……….29
圖 4-8 硬幣實際排列狀況(頂視圖)………..…………………..……….30
圖 4-9 硬幣的點雲掃描資料.…………………………………..……….30
圖 4-10 平面切割後預期該有的效果…………………….……..……….31
圖 4-11 RANSAC於硬幣平面分割結果….……………………..………31
圖 4-12 平面切割演算法於硬幣的平面分割結果.……………..……….33
圖 4-13 硬幣的平面切割演算法的實驗資料………………….…..…….35
圖 4-14 硬幣交錯………………………………………………..………..35
圖 4-15 延伸平面交錯……………………....…………………..………..35

表目錄
表 2-1 3維座標系轉換說明….……………………………….…………6
表 3-1 平面係數(a,b,c)投影方向.………………………………..….….17
表 4-1 實驗測試電腦設備……….…………………………….…….…20
表 4-2 演算法參數設定………….………….….……………….………21
表 4-3 兩種方法的性能比較…….………….…….…………….………22
表 4-4 演算法參數設定…….…….…………………………….……….25
表 4-5 兩種方法的性能比較…………………..……………….……….29
表 4-6 演算法參數設定.…….…………………………………………..31
表 4-7 兩種方法的性能比較…………………..……………….……….34

[1]M. A. Fischle,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.
[2]R. C. Gonzalez and R.E. Woods, Digital Image Processing 2nd Edition, Prentice Hall, New Jersey, 2002.
[3]D. D. Hearn, M. P. Baker, and W. Carithers, Computer Graphics with OpenGL ,4th edition, 2013.
[4]D. Holz, S. Holzer, R. B. Rusu, and S. Behnke, ”Real-Time Plane Segmentation using RGB-D Cameras”, Proceedings of the 15th RoboCup International Symposium, Istanbul, Turkey, July 2011
[5]H. Hoppe, T. DeRose, T. Duchamp, M. Halstead, H. Jin, J. McDonald, J. Schweitzer, and W. Stuetzle, "Piecewise Smooth Surface Reconstruction", Proc. SIGGRAPH '94, pp. 295-302, July 1994.
[6]T. Rabbani, F. A. van den Heuvel, and G. Vosselmann, "Segmentation of point clouds using smoothness constraint", IEVM06, 2006.
[7]H. A. Song, OpenGL, 線上檢索日期:2017年3月5日。
網址:http://www.songho.ca/opengl/gl_transform.html
[8]Wikipedia。3D scanner。檢索日期:2016年11月11日。
網址：https://en.wikipedia.org/wiki/3D_scanner
[9]Wikipedia。Point cloud。檢索日期:2016年11月4日。
網址：https://en.wikipedia.org/wiki/Point_cloud
[10]Wikipedia。OpenGL。檢索日期:2016年12月28日。
網址：https://en.wikipedia.org/wiki/OpenGL
[11]Wikipedia。Random sample consensus。檢索日期:2017年2月24日。網址：https://en.wikipedia.org/wiki/ Random_sample_consensus
[12]Wikipedia。STL (Formate)。檢索日期:2016年12月15日。
網址：https://en.wikipedia.org/wiki/STL_(file_format)
[13]涂翠珊。3D機器視覺將成智慧製造新趨勢。檢索日期:2017年7月15日。網址：http://www.digitimes.com.tw/iot/article.asp?cat=158&cat1=20&id=0000494928_25DLR3LT1DL7UW9FQ9QXJ