Kolejnym krokiem jest przetwarzanie danych, a jednym z jego najczęstszych efektów jest model siatkowy (mesh). To właśnie on trafia do prezentacji, środowisk webowych czy analiz przestrzennych. Jednocześnie jest to etap, na którym łatwo utracić jakość wypracowaną wcześniej.

Zanim przejdziemy dalej, warto zaznaczyć jedną rzecz, która często sprawia kłopot: mesh to nie CAD – i jest to różnica, która ma ogromne znaczenie praktyczne.

Model siatkowy (mesh) to zapis powierzchni jako siatki wielokątów. Nawet bardzo dobry mesh pozostaje “siecią” – niesie dużo danych, jest trudny do edytowania i bez znaczącej decymacji bywa ciężki do bezpośredniego wykorzystania w oprogramowaniu CAD. Jego główną zaletą jest niski koszt pozyskania i wierność odwzorowania rzeczywistości.

Model CAD to zupełnie inna filozofia: geometria opisana matematycznie, lekka, w pełni edytowalna. Dobrze wykonany model CAD oparty na bryłach podstawowych można importować nawet do środowisk CAE, takich jak AVEVA. Ceną jest czas i praca – modelowanie CAD jest procesem manualnym, przez co znacznie droższym.

Oba podejścia mają swoje miejsce i zastosowanie – ale nie są wymienne.

Model siatkowy nie powstaje „z niczego”

Model siatkowy tworzony jest poprzez połączenie punktów w trójkąty, które odwzorowują powierzchnie obiektów. Aby było to możliwe, algorytmy muszą określić relacje geometryczne pomiędzy punktami i zidentyfikować ciągłość powierzchni.

Kluczowe znaczenie mają tutaj wektory normalne, czyli kierunki prostopadłe do powierzchni.

Aby model siatkowy był poprawny:

• te same fragmenty obiektu powinny być widoczne z różnych kierunków,
• dane muszą być spójne geometrycznie,
• powierzchnie nie mogą być reprezentowane jednostronnie.

Oznacza to bezpośrednią zależność od liczby i rozmieszczenia skanów. Jeśli pokrycie obiektu jest niewystarczające, model siatkowy nie ma podstaw do poprawnego odwzorowania geometrii.

Braki danych nie znikają – są tylko maskowane

W chmurze punktów brak danych jest jednoznaczny – pojawia się luka w informacji.

W modelu siatkowym algorytmy często próbują takie miejsca uzupełnić poprzez interpolację powierzchni, domykanie geometrii oraz wygładzanie nieciągłości. Efekt wizualny może być spójny, jednak nie oznacza to poprawności geometrycznej.

Artefakty modelu siatkowego powstałe w wyniku uzupełniania brakujących danych – przykład na powierzchni dachu

Konsekwencje:

• pojawiają się powierzchnie, których w rzeczywistości nie ma,
• detale zostają uproszczone lub przesunięte,
• model traci wartość jako wiarygodne źródło danych.

Dlatego automatyczne wypełnianie braków powinno być stosowane świadomie i pod kontrolą.

Czyszczenie chmury punktów – etap krytyczny dla jakości

Przed generowaniem modelu siatkowego chmura punktów musi zostać odpowiednio przygotowana.

Zakres prac obejmuje m.in.:

• usunięcie szumów,
• eliminację błędnych punktów (np. od ruchomych elementów),
• oczyszczenie danych z obiektów nieistotnych.

Nie jest to wyłącznie proces automatyczny – w wielu przypadkach wymaga ręcznej ingerencji i doświadczenia.

Jeżeli szumy pozostaną w danych, zostaną utrwalone w modelu siatkowym jako artefakty geometryczne.

Kolor i tekstura – element jakości często pomijany

Model siatkowy może być wzbogacony o tekstury, które znacząco poprawiają jego czytelność.

Ich jakość zależy od warunków pomiaru:

• nierównomierne oświetlenie,
• ostre cienie,
• zmienne warunki atmosferyczne

mogą prowadzić do niespójności wizualnych.

Najlepsze rezultaty uzyskuje się przy równomiernym, rozproszonym świetle, np. w warunkach zachmurzenia.

Istotne jest również odpowiednie dobranie rozdzielczości tekstur – zbyt szczegółowe znacząco zwiększają rozmiar danych, bez proporcjonalnego wzrostu ich użyteczności.

Integracja danych – skaning i fotogrametria

W wielu projektach łączenie danych z różnych źródeł pozwala uzyskać lepszy efekt końcowy.

Skanowanie laserowe dostarcza dokładnej geometrii, natomiast fotogrametria uzupełnia model o wysokiej jakości informację wizualną. Zdjęcia wykorzystywane w fotogrametrii są zazwyczaj wykonywane w krótkim czasie i w spójnych warunkach oświetleniowych, często przy użyciu kamer o wyższej jakości niż te wbudowane w skanery.

Dzięki temu możliwe jest uzyskanie bardziej jednorodnych i szczegółowych tekstur, co przekłada się na lepszą czytelność modelu siatkowego – szczególnie w obszarach trudnych do zeskanowania.

Model siatkowy wygenerowany z fotogrametrii dronowej – wysoka jakość tekstur i dobra czytelność obiektu kubaturowego

Warto jednak zwrócić uwagę, że możliwe jest tworzenie modeli 3D wyłącznie na podstawie fotogrametrii, bez wykorzystania skanowania laserowego. Takie podejście ma jednak swoje ograniczenia.

Dobrze sprawdza się ono w przypadku obiektów kubaturowych, gdzie dominują płaskie powierzchnie, takie jak ściany czy dachy. W takich warunkach fotogrametria potrafi bardzo dobrze odwzorować geometrię i zapewnić wysoką jakość wizualną.

W przypadku obiektów o bardziej złożonej geometrii – takich jak instalacje przemysłowe – zastosowanie wyłącznie fotogrametrii jest ograniczone. Duża liczba detali, elementów cylindrycznych, przesłonięć i nieregularnych kształtów powoduje, że rekonstrukcja geometryczna staje się mniej stabilna i mniej wiarygodna.

Optymalizacja modelu siatkowego – balans między jakością a wydajnością

Surowy model siatkowy może zawierać bardzo dużą liczbę trójkątów, co utrudnia jego wykorzystanie.

Dlatego stosuje się:

• redukcję liczby trójkątów (decymację),
• uproszczenie geometrii,
• optymalizację tekstur.

Model siatkowy bez tekstury – przykład wysokiej szczegółowości geometrii bez warstwy wizualnej

Kluczowe jest dopasowanie poziomu szczegółowości do zastosowania. Zbyt duży model utrudnia pracę, natomiast nadmierne uproszczenie prowadzi do utraty istotnych informacji.

Model siatkowy a jakość danych wejściowych

Model siatkowy odwzorowuje rzeczywistość tylko w takim stopniu, w jakim pozwalają na to dane wejściowe.

Oteksturowany model siatkowy instalacji przemysłowej – wysoka czytelność dzięki zastosowaniu tekstur

Jego jakość rośnie wraz z:

• liczbą i rozmieszczeniem skanów,
• kompletnością pokrycia obiektu,
• ograniczeniem „martwych pól”,
• spójnością chmury punktów.

W przypadku obiektów rozległych, o złożonej geometrii lub licznych przesłonięciach model staje się bardziej zależny od algorytmów rekonstrukcji. Może to prowadzić do sztucznego domykania powierzchni, uproszczeń geometrycznych oraz utraty jednoznaczności interpretacji.

Podsumowanie

Model siatkowy jest użytecznym narzędziem, ale jego jakość nie powstaje na etapie modelowania.

Zależy bezpośrednio od:

• sposobu wykonania pomiaru,
• jakości chmury punktów,
• kompletności danych,
• metod ich przetwarzania.

Decyzje podjęte na początku projektu determinują to, czy końcowy model będzie wiarygodnym odwzorowaniem rzeczywistości, czy jedynie jej uproszczoną reprezentacją.

Budujesz cyfrową kopię zakładu przemysłowego?

W 3Deling wspieramy klientów na każdym etapie digitalizacji – od planowania pomiarów i osnowy geodezyjnej, przez skanowanie laserowe 3D, aż po przygotowanie danych do modelowania i wizualizacji.

W projektach, w których kluczowa jest wiarygodność danych, jakość należy budować już na etapie ich pozyskania.

Aby omówić możliwe podejścia i zakres prac, zapraszamy do kontaktu.

The post Model siatkowy w skanowaniu 3D – dlaczego jego jakość zaczyna się na etapie pomiaru appeared first on 3Deling - Eksperci w skanowaniu laserowym 3D i przetwarzaniu chmury punktów.

W poprzednim artykule pokazaliśmy, dlaczego osnowa geodezyjna jest fundamentem cyfrowej kopii zakładu przemysłowego i warunkiem długofalowej spójności danych. To jednak dopiero pierwszy krok. Równie istotne jest to, w jaki sposób dane są zbierane w terenie.

W praktyce skanowania laserowego 3D wciąż często spotykamy się z podejściem, w którym kluczowe znaczenie przypisuje się parametrom dobrze wyglądającym w specyfikacjach technicznych: maksymalnemu zasięgowi skanera, bardzo wysokiej rozdzielczości czy deklarowanej dokładności pojedynczego pomiaru. Doświadczenie pokazuje jednak, że o realnej jakości danych decydują zupełnie inne czynniki.

Poniższy tekst opiera się na wieloletnich doświadczeniach zespołu 3Deling oraz obserwacjach Pawła Dudka, CEO 3Deling, zdobytych na przestrzeni niemal dwóch dekad pracy ze skanowaniem laserowym 3D – od pierwszych testów technologii po realizację dużych, złożonych projektów przemysłowych.

skanowanie laserowe 3d pomiary terenowe

Pierwsze doświadczenia ze skanowaniem 3D – krótka lekcja pokory

Pamiętam „testy” naszego pierwszego skanera – był rok 2007. Ustawiliśmy bardzo dużą rozdzielczość skanowania, bo przecież „musi być gęsto”, żeby dane były dobre i żeby nic nie umknęło. Lekkie zdziwienie, że skan potrwa dobre 30 minut, ale nic – czekamy na efekt.

Skan się kończy, zgrywamy dane. Potem „przemielenie” chmury i otwarcie w Pointools View (jeszcze wtedy nie Bentley Pointools). Trochę to trwało, ale w końcu jest – bardzo „ciężki” skan, dane widać jeszcze w bardzo dużej odległości. Widać nawet komin nieistniejącej już ciepłowni, oddalony o kilkaset metrów. Robiło wrażenie.

Sytuacja miała miejsce prawie 20 lat temu. Każdy z nas miał już wtedy pewne doświadczenie w skanowaniu laserowym 3D i wykonywaliśmy takie pomiary dość regularnie. Patrząc jednak z dzisiejszej perspektywy, widać wyraźnie, jak wiele jeszcze wtedy nam brakowało – szczególnie w kontekście dużych projektów.

Dziś nasi geodeci wykonują nawet kilka tysięcy skanów na jednym obiekcie, łączonych w jednym układzie współrzędnych, często w trudnych warunkach i pod presją czasu. A na końcu i tak liczy się jedno – żeby klient otrzymał możliwie najlepsze dane.

Dlaczego dziś skanujemy inaczej?

W praktyce podejście do skanowania wygląda dziś zupełnie inaczej. I nie dlatego, że chcemy skanować „szybko i byle jak”, zamknąć projekt i iść dalej. Wręcz przeciwnie.

Aby uzyskać jak najbardziej kompletną i użyteczną reprezentację geometryczną obiektu, kluczowa jest odpowiednia liczba skanów oraz ich rozmieszczenie, a nie maksymalna rozdzielczość czy zasięg skanera.

Rozdzielczość skanów – dlaczego „gęściej” nie zawsze znaczy „lepiej”

W praktyce bardzo gęste skany są po prostu „ciężkie”. Trudniej się z nimi pracuje – zarówno ze względu na ograniczenia oprogramowania, jak i możliwości sprzętowe.

Dlatego pojedyncze skany bardzo często są filtrowane, a ich rozdzielczość zmniejszana. W efekcie chmura punktów po tzw. unifikacji potrafi być nawet 5–6 razy „lżejsza”, a jednocześnie znacznie wygodniejsza w użyciu – bez realnej utraty informacji istotnej z punktu widzenia projektowania.

Zasięg skanera – parametr rzadko wykorzystywany w pełni

Większość skanerów, których używamy, ma zasięg znacznie przekraczający 100 metrów – jeden z nich nawet do 600 m. W praktyce jednak dane wykorzystywane są zwykle z dużo mniejszych odległości.

• dla wnętrz: zazwyczaj do ok. 30 m,

• na zewnątrz: do ok. 50 m.

Pełny zasięg skanera wykorzystuje się rzadko – głównie przy bardzo wysokich obiektach, do których nie ma bezpiecznego dostępu.

Kompletność reprezentacji geometrycznej – parametr kluczowy

To najważniejszy parametr jakości danych – i jednocześnie taki, którego w 100% praktycznie nigdy nie da się osiągnąć. Zawsze pojawiają się tzw. „cienie” lub martwe pola, czyli miejsca bez danych.

Można je jednak znacząco ograniczyć, wykonując dużą liczbę skanów z różnych pozycji, wysokości i odległości. Z perspektywy czasu można więc jednoznacznie stwierdzić, że to właśnie liczba skanów jest kluczowym czynnikiem wpływającym na jakość końcowej reprezentacji geometrycznej obiektu.

Liczba skanów a realna praca projektowa

Często pomagamy klientom przygotowującym się do digitalizacji zakładów w tworzeniu specyfikacji przetargowych. Widzimy wtedy, że mniej doświadczeni inwestorzy skupiają się głównie na parametrach, które najlepiej „wyglądają na papierze”:

• zasięg (im dalej, tym lepiej),

• rozdzielczość (im gęściej, tym lepiej),

• dokładność (najlepiej 1 mm).

Rozumiemy to – sami kiedyś myśleliśmy podobnie. Dlatego staramy się te oczekiwania „odczarować” i zwrócić uwagę na to, co naprawdę ma znaczenie. A tym parametrem jest liczba skanów.

Tam, gdzie obiekt jest dobrze pokryty skanami, a geometria pomiaru sensownie zaplanowana, późniejsze modelowanie przebiega sprawnie. Dane są czytelne, nie ma „dziur”, elementy da się jednoznacznie zinterpretować, a model powstaje szybko – bez domysłów.

Przy projektach realizowanych zdalnie, np. na Bliskim Wschodzie, słabe pokrycie skanami bardzo szybko staje się poważnym problemem. Gdy danych jest mało, modelowanie i projektowanie zaczyna być zgadywaniem: brakuje informacji, pojawiają się nieciągłości, nie wiadomo dokładnie „co jest czym”.

Braki w danych = realne koszty

Gdy dane są niekompletne, pojawiają się problemy:

• konieczność powrotu na obiekt i wykonywanie dodatkowych skanów,

• wysyłanie kogoś na miejsce, by wykonywał zdjęcia „z ręki”,

• akceptowanie uproszczeń i niepewności w modelu.

Każda z tych opcji oznacza dodatkowy czas, koszty i ryzyko błędów.

Dlatego w praktyce zamiast niewielkiej liczby bardzo gęstych skanów, stawiamy na dużą liczbę skanów o nieco niższej rozdzielczości, ale z dobrym pokryciem obiektu. Dzięki temu:

• mamy kompletne dane geometryczne,

• minimalizujemy „martwe pola”,

• zapewniamy dobre warunki do modelowania i projektowania,

• oszczędzamy czas na interpretacji danych – projektanci nie muszą dedukować, co gdzie się znajduje, bo wszystko jest jednoznaczne już na etapie chmury punktów.

Unified cloud i praca na danych

Z pojedynczych skanów tworzona jest jedna połączona chmura punktów (tzw. Unified), zwykle dodatkowo przefiltrowana (np. do 5 mm). To na niej wykonywane jest modelowanie 3D i dalsze prace projektowe.

Jednocześnie zachowane są wszystkie pojedyncze skany wraz z kolorami i panoramami, do których można wrócić w każdej chwili – np. przez WebPano. To ogromna przewaga przy bardziej złożonych instalacjach, gdzie dostęp do detali i kontekstu przestrzennego ma kluczowe znaczenie.

Na co zwrócić uwagę w zapytaniu ofertowym?

Przy wyborze wykonawcy skanowania 3D warto patrzeć szerzej niż tylko na parametry sprzętowe.

Nie tylko na:

• rozdzielczość,

• zasięg,

• deklarowaną przez producenta dokładność skanera.

Ale przede wszystkim na:

• szacowaną liczbę skanów dla danego obiektu.

To jeden z najlepszych wskaźników realnej jakości danych, jakie finalnie otrzymasz. Większa liczba dobrze zaplanowanych skanów oznacza mniej niepewności, szybsze projektowanie i realne oszczędności czasu i pieniędzy w całym procesie inwestycyjnym.

Podsumowanie

Rozdzielczość i zasięg skanera są ważne, ale nie decydują o sukcesie projektu.
To liczba skanów i ich rozmieszczenie mają największy wpływ na jakość końcowych danych i ich praktyczną użyteczność.

Innymi istotnymi elementami jakości danych są m.in. dokładność połączonej chmury punktów oraz poprawnie dobrany układ współrzędnych – do tych zagadnień wrócimy w kolejnych artykułach serii.

Budujesz cyfrową kopię zakładu przemysłowego?

W 3Deling wspieramy klientów w planowaniu i realizacji digitalizacji zakładów – od osnowy geodezyjnej, przez skanowanie laserowe 3D, po prace projektowe i modelowanie.

Skontaktuj się z nami, aby porozmawiać o kolejnych krokach.

The post Jakość danych w skanowaniu 3D: dlaczego liczba skanów ma większe znaczenie niż rozdzielczość appeared first on 3Deling - Eksperci w skanowaniu laserowym 3D i przetwarzaniu chmury punktów.