Bölge Büyütmeli ve Kümeleme Tabanlı Yöntemler ile 3 Boyutlu Nokta Bulutlarının Bölütlenmesi

Year 2021, Issue: 29, 99 - 104, 01.12.2021

Hüseyin Bozkurt , Rifat Kurban

https://doi.org/10.31590/ejosat.1012062

Abstract

Endüstri 4.0 ve nesnelerin interneti yaklaşımı ile birçok sektörde geleneksel otomasyon yaklaşımı yerini görüntü işleme temelli yapay zekâ tekniklerine bırakmıştır. Teknolojik gelişmeler beraberinde yeni ihtiyaçları da getirmiştir. Bundan dolayı 2 boyutlu (2B) görüntü bölütleme problemlerinin yerini artık 3 boyutlu (3B) nokta bulutu bölütleme problemleri almıştır. 3B nokta bulutları görüntü işleme teknikleri olmaksızın makineler için bir anlam ifade etmez. Verilerin amaca uygun olarak işlenmesi ve sonrasında yorumlanması gerekir. Bu çalışması amacı, açık kaynak kodlu nokta bulutu kütüphanesi (PCL)'nin içerdiği 3B nokta bulutu bölütleme yöntemlerinin tanıtılması ve birbirleri ile farklı kriterlere göre kıyaslanmasıdır. Buna ek olarak, bu yöntemlerin varsayılan parametre değerlerinde değişiklikler yapılarak daha iyi sonuçların elde edilmesi amaçlanmıştır. Tüm yöntemler, varsayılan parametre değerleri ve belirlenen yeni parametre değerleri ile test edilerek farklı kriterlere göre kendi içinde ve diğerleri ile kıyaslanmıştır. Gerçekleştirilen deneylerde, bölge büyütmeli bölütleme yöntemlerinin bölütleme başarısının yüksek olduğu görülmüştür. Ayrıca küme tabanlı bölütleme yöntemi olan öklid küme çıkarımı yönteminin ise diğer yöntemlere göre daha hızlı sonuç ürettiği görülmüştür.

Keywords

Nokta bulutu kütüphanesi, 3 boyutlu nokta bulutlarının bölütlenmesi, 3 boyutlu algılayıcılar

Supporting Institution

Erciyes Üniversitesi Bilimsel Araştırma Projeleri Birimi

Project Number

FYL-2014-5352

Thanks

Bu çalışma; Erciyes Üniversitesi Bilimsel Araştırma Projeleri Birimi tarafından FYL-2014-5352 kodlu proje ile desteklenmiştir.

Segmentation of 3-Dimensional Point Clouds with Region-Growing and Clustering Based Methods

Abstract

By using Industry 4.0 and the Internet of Things approaches, the traditional automation systems in many sectors have left its place to artificial intelligence techniques based on image processing. Technological developments have brought with new requirements and needs. Therefore, 2-dimensional (2D) image segmentation problems have now been replaced by 3-dimensional (3D) point cloud segmentation problems. 3D point clouds are meaningless to machines without image processing techniques. The visual data must be processed and then analysed. The aim of this study is to introduce the 3D point cloud segmentation methods included in the open-source point cloud library (PCL) and compare them with each other according to different criteria. In addition, it is aimed to obtain better results by making changes in the default parameter values of these methods. All methods are tested with the default parameter values and the optimized parameter values and compared within themselves and with others according to different criteria. In the experiments, it was observed that the segmentation success of the region augmentation segmentation methods is higher than others. In addition, it is seen that the Euclidean cluster extraction method, which is a cluster-based segmentation method, produces faster results than other methods.

Keywords

Point cloud library, 3D point clouds segmentation, 3D sensors

Project Number

FYL-2014-5352

References

• Aslantaş, V., Bendeş, E., Kurban, R., & Toprak, A. N. (2011). Çoklu Algılayıcılardan Alınan Görüntülerde Eşleştirme Yöntemlerinin Karşılaştırılması. Elektrik-Elektronik ve Bilgisayar Sempozyumu, 110-114.
• Sertalp, E., (2010). Görsel İletişimde Üç Boyut Algısı; Hologram Tekniği Ve Bu Teknolojinin Eğitim Ortamına Aktarılması. Gazi Üniversitesi, Eğitim Bilimleri Enstitüsü, Doktora Tezi, Ankara, 228 s.
• Rusu, R. B., & Cousins, S. (2011, May). 3d is here: Point cloud library (pcl). In 2011 IEEE international conference on robotics and automation (pp. 1-4). IEEE.
• Nguyen, A., & Le, B. (2013, November). 3D point cloud segmentation: A survey. In 2013 6th IEEE conference on robotics, automation and mechatronics (RAM) (pp. 225-230). IEEE.
• Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381-395.
• Golovinskiy, A., & Funkhouser, T. (2009, September). Min-cut based segmentation of point clouds. In 2009 IEEE 12th International Conference on Computer Vision Workshops, ICCV Workshops (pp. 39-46). IEEE.
• Region growing rgb segmentation (2015,Mayıs). Erişim adresi: http://pointclouds.org/documentation/tutorials/region _growing _rgb _segmentati on.php#region-growing-rgb-segmentation.
• OpenNI tutorial 3: Cloud processing (advanced)#Conditional (2015,Mayıs) Erişim adresi:http://robotica.unileon.es/mediawiki/ index.php /PCL/ OpenNI_tutorial_3:_Cloud_processing_(advanced)#Conditional.
• Richtsfeld, A., Mörwald, T., Prankl, J., Zillich, M., & Vincze, M. (2012, October). Segmentation of unknown objects in indoor environments. In 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems (pp. 4791-4796). IEEE.
• OpenNI_tutorial_3:Cloud _processing(advanced)#Euclidean (Nisan,2015) Erişim adresi: http://robotica.unileon.es/mediawiki/ index.php/PCL/OpenNI_tutorial_3:Cloud _processing(advanced)#Euclidean.