3D-Datenvisualisierung

In der 3D-Messtechnik wird eine intuitiv erfassbare Darstellung der Messergebnisse immer wichtiger. Aus den umfangreichen multidimensionalen Datenströmen müssen die relevanten Informationen ausgewählt und aufbereitet werden. Wir entwickeln Softwarebausteine zur anwendungsspezifischen Visualisierung von 3D-Daten mit Metainformationen.

GPU-Programmierung für interaktive 3D-Anwendungen

Die 3D-Datenerfassung bietet einen hohen Mehrwert, beispielsweise wenn es um die Inspektion und das Monitoring baulicher Infrastruktur geht. Die Mensch-Maschine-Schnittstelle ist dabei in der Regel noch immer ein Bildschirm, kombiniert mit interaktiven Eingabegeräten wie Maus oder Tastatur. Technologien aus den Bereichen Augmented oder Virtual Reality (AR/VR) bieten inzwischen die technologische Voraussetzung für die 3D-Visualisierung von Messdaten. So wird das intuitive Erfassen relevanter Messparameter möglich. Was die Bedienung für den Betrachtenden erleichtern soll, erfordert auf Seiten der Entwicklung umfangreiches Know-how in der spezifischen Prozessierung von Daten und algorithmischen Visualisierungstechniken.

Damit der Mensch die Darstellung als angenehm empfindet, muss sie ruckelfrei erfolgen. Dies ist ab einer Bildfolge von mindestens 20 Hertz der Fall. 3D-Datensätze aus messtechnischen Anwendungen bestehen üblicherweise aus mehreren hunderttausend 3D-Punkten. Diese müssen für jedes einzelne zu generierende 2D-Bild zunächst in den Bildraum transformiert werden. Dann erfolgt für jedes Pixel des Ergebnisbilds eine komplexe Berechnung von Farbwerten, Schatten und Texturen. Hierzu ist eine enorme Rechenleistung nötig. Getriggert von der Gaming-Industrie sind heute extrem leistungsfähige GPUs (Graphical Processing Unit) mit sehr hohen Rechenleistungen verfügbar. Mit diesen GPUs der neuen Generation ist eine enorme Parallelisierung von Bild-Rechenprozessen möglich. Die effiziente Nutzung der GPU bildet die Grundlage unserer Arbeiten zur 3D-Datenvisualisierung. Dabei setzen wir auf plattformunabhängigen Source-Code.

Daten für die Echtzeitvisualisierung vorbereiten

3D-Daten liegen im Rohformat zunächst als Punktwolken vor. Dies sind große, ungeordnete Punktmengen ohne jegliche Zusatzinformation, etwa über Nachbarschaftsverhältnisse oder Zugehörigkeit zu Flächen. Während in 2D-Bildern in jedem Pixel Information steckt, die für das menschliche Auge in geordneter Form erscheint, weisen 3D-Punktwolken viele Lücken auf. Das macht sie für den Menschen schwer zu interpretieren. Deshalb vermaschen wir in unserer Visualisierungssoftware zunächst die Daten, bilden also Oberflächen, die die Lücken füllen. Hierzu werden Beziehungen zwischen benachbarten Einzelpunkten in der Punktwolke gesucht und es werden Flächen gebildet, die von zusammengehörigen Punkten aufgespannt werden. Oft bestehen die Flächen aus triangulierten Quadraten, die jeweils wiederum aus zwei zusammengesetzten Dreiecken bestehen. Die Kantenlänge der Dreiecke bestimmt dabei die Maschenweite des entstehenden Gitters. Diesen Dreiecken wird dann wiederum eine Farbe zugeordnet, die repräsentativ für das Oberflächenstück ist.

Während der Vermaschung findet bereits eine erste Reduktion der Datenmenge statt, da auf einer Fläche liegende Punkte nun nicht mehr einzeln vorliegen, sondern bereits in das Dreieck mit der Information über Größe und Lage im Raum aufgegangen sind. Für die Echtzeit-3D-Darstellung sind vermaschte 3D-Geometrien deshalb besonders günstig. Hier liegen neben verhältnismäßig wenigen Punkten (begrenzt auf mehrere Hunderttausend) zusätzlich Informationen vor, wie die Punkte miteinander zu Flächen verbunden sind.

Verschiedene (»on-line«) Darstellungsvarianten einer in Echtzeit visualisierten Punktwolke. Voraussetzung für die Echtzeitvisualisierung sind Kenntnisse über die Vielzahl der unterschiedlichen Datenformate, unterschiedlichste Methoden der Datenaufbereitung und die Vor- und Nachteile sowie die Kombinierbarkeit dieser Methoden.

Digitales 3D-Modell
© Fraunhofer IPM
Ein digitales 3D-Modell der Szene dient als Ausgangsbasis für die Erstellung eines fotorealistischen Renderings (Mitte) und eines segmentierten Bilds (rechts)
Fotorealistisches Rendering
© Fraunhofer IPM
Auf Basis des 3D-Modells gerendertes Bild. Solche künstlich erstellen Bilder dienen Demonstrationszwecken; auch das Betrachten aus unterschiedlichen Perspektiven ist möglich.
Automatisch segementiertes und klassifiziertes Bild
© Fraunhofer IPM
Auf Basis des 3D-Modells kann die Szene mithilfe geeigneter Software segmentiert und klassifiziert werden. So können Betrachtende gesuchte Objekte intuitiv und schnell erfassen.

Publikationen

Jahr
Year
Titel/Autor:in
Title/Author
Publikationstyp
Publication Type
2023 3D Reconstruction from 2D Plans Exemplified by Bridge Structures
Poku-Agyemang, Kwasi Nyarko; Reiterer, Alexander
Zeitschriftenaufsatz
Journal Article
2023 Creating 3D Models of Bridges Using Different Data Sources and Machine Learning Methods
Poku-Agyemang, Kwasi Nyarko; Kellner, Maximilian; Schmitt, Annette; Reiterer, Alexander
Konferenzbeitrag
Conference Paper
2023 Modellierung von Gebäuden für Open- und Closed-BIM mithilfe von KI - erste Konzepte und Ergebnisse des Projekts Kit-CAD
Busert, Sarah; Negassi, Misgana; Scheuerer, Alexander; Müller, Christoph; Reiterer, Alexander
Zeitschriftenaufsatz
Journal Article
2023 Reconstructing Geometrical Models of Indoor Environments Based on Point Clouds
Kellner, Maximilian; Stahl, Bastian; Reiterer, Alexander
Zeitschriftenaufsatz
Journal Article
2022 Fused Projection-Based Point Cloud Segmentation
Kellner, Maximilian; Stahl, Bastian; Reiterer, Alexander
Zeitschriftenaufsatz
Journal Article
2022 A Study on the Effect of Multispectral LiDAR Data on Automated Semantic Segmentation of 3D-Point Clouds
Vierhub-Lorenz, Valentin; Kellner, Maximilian; Zipfel, Oliver; Reiterer, Alexander
Zeitschriftenaufsatz
Journal Article
Diese Liste ist ein Auszug aus der Publikationsplattform Fraunhofer-Publica

This list has been generated from the publication platform Fraunhofer-Publica