KR101530262B1

KR101530262B1 - Mep 파이프 객체 역설계 시스템

Info

Publication number: KR101530262B1
Application number: KR1020140134881A
Authority: KR
Inventors: 강태욱
Original assignee: 한국건설기술연구원
Priority date: 2014-10-07
Filing date: 2014-10-07
Publication date: 2015-06-23

Abstract

본 발명은 MEP(Mechanical, Electrical, and Plumbing) 파이프 객체 역설계 시스템에 관한 것으로서, 더욱 상세하게는, MEP 파이프 객체를 추출하는 공정을 효과적으로 자동화하기 위하여, 선택된 포인트의 주변에 있는 포인트들의 특징을 계산하며, 유사도에 따라 세그멘테이션 범위를 확장해 나가고, 사용자가 원하는 부분까지 파이프에 해당하는 포인트들을 추출함으로써, 사용자가 원하는 부분까지만 파이프 객체를 인식할 수 있도록 역설계 진행을 조정할 수 있으며 향후 개발될 건축 MEP 파이프 객체 역설계에 활용될 수 있는 MEP 파이프 객체 역설계 시스템에 관한 것이다.

Description

MEP 파이프 객체 역설계 시스템 {Mechanical, Electrical, and Plumbing Pipe Object Reverse Engineering System}

역설계 기술은 시설물 유지 관리 및 시공 등의 목적을 위해 시설물로부터 3D 형상을 추출하고 객체 속성 정보를 모델링하는 기술이다. 역설계 기술은 시설물/에너지 유지 관리/운영, 모듈러(Modular) 시공, 시설물 개축 등에 필요한 핵심 기술이다.

종래 시설물 도면과 현장 형상과의 부정합이 과다하게 발생하였으며 시설물 정보의 오류/누락으로 인하여 역설계 도입 필요성이 증가하였다. 시설물 유지 관리 시장만 보았을 때, 2012년도 국내 시설물 관리 계약 실적은 3조 5000억 원에 달하며, 시설물 유지 관리 업체 수는 19년 전 1,500개에서 4,700개로 급증하였는데, 이 중 역설계 기술이 필수적으로 적용되는 시설물 관리 시스템 개발과 관련된 시장 규모는 2020년에 68,000억 원으로 예상된다.

해외의 경우 최근 역설계 기술을 활용해 병원 리노베이션 및 확장 프로젝트가 수행된바 있다. 국내의 경우 2012년에 S사 반도체 공장을 BIM(Building Information Modeling)으로 설계하면서, 유지 관리 및 운영의 이유로 기존에 있던 시설물들을 역설계하고 있다. 이와 같이 역설계 관련 시장은 꾸준히 증가하고 있다.

역설계 기술은 유지보수 시장뿐만 아니라 공장 부재 사전 제작(Prefabrication), 시공 현장 검측, 플랜트 시설물, 교량, 터널 구조물 검측에도 활용되고 있으며, 최근 각광을 받고 있는 3D 프린팅 기술에도 활용되는 등 파급효과가 큰 기술이다.

한편, 포인트 클라우드로부터 형상을 추출할 때는 라이다(LiDAR. Light Detection And Ranging) 기기 측량으로 발생한 오차, 부분 누락 등 다양한 변수가 존재하며, 현재 선진 기술 수준은 3D 모델에서 반자동으로 파이프를 실린더 형상으로만 추출하고, 후처리를 수작업으로 모델링하는 수준이다.

건축 분야에서 역설계 적용 시 가장 효과가 있는 부분은 형상이 가장 복잡하고 설계 변경이 많은 MEP(Mechanical, Electrical, and Plumbing) 부분이다. 최근, 많은 성능을 요구하는 건물의 특성상 MEP 시설 시공 및 관리 비용은 꾸준히 증가하고 있다. MEP 객체에서 가장 많이 차지하는 유형 중 하나는 파이프이다.

종래 기술은 포인터 클라우드 기반의 형상 추출 방법에 대한 기술이 대부분이다. 또한, 국부적인 역설계 알고리즘 개발에 초점이 맞춰져 있다. 형상의 경우 실린더 기반인 경우가 많고, 이 또한, 외피를 추출하는 것에 그치고 있다. 실제로 추출된 외피를 객체화하는 것은 이외에 많은 부분들이 필요하다. 특히, 객체화하는 과정은 많은 수작업을 거치는데, 이런 이유로 객체화하는 방법에 대한 기술 개발이 시급하다.

한편 종래 시설물의 형상 정보를 추출하는 기술 중 하나로서 한국공개특허 제10-2004-0092784호 '인터넷을 이용한 건축물 정보 관리 및 제3자 활용 시스템과 그 방법'은, 부분적으로 건축물 설계 개요 등의 객체 속성 정보를 다루기는 하지만 시설물의 형상 등 객체 정보를 정확히 추출하는데 초점을 둔 기술은 아니었다.

본 발명이 해결하고자 하는 과제는, 상기 문제점을 극복하기 위한 것으로서, MEP(Mechanical, Electrical, and Plumbing) 파이프 객체를 추출하는 공정을 효과적으로 자동화하기 위하여, 선택된 포인트의 주변에 있는 포인트들의 특징을 계산하며, 유사도에 따라 세그멘테이션 범위를 확장해 나가고, 사용자가 원하는 부분까지 파이프에 해당하는 포인트들을 추출함으로써, 사용자가 원하는 부분까지만 파이프 객체를 인식할 수 있도록 역설계 진행을 조정할 수 있으며 향후 개발될 건축 MEP 파이프 객체 역설계에 활용될 수 있도록 하는 MEP 파이프 객체 역설계 시스템을 제공하는 것이다.

본 발명은 MEP(Mechanical, Electrical, and Plumbing) 파이프 객체 역설계 시스템에 관한 것으로서, 포인트 클라우드 데이터로부터 특정 포인트 p를 선택하며, 선택한 포인트 p의 주변 포인트 pc(point cloud)를 탐색 및 획득하고, 각각의 포인트 p의 특징값 f를 계산하여 이를 이용해 주변 포인트 사이의 포인트 유사도 s를 계산하며, 포인트 유사도 s값과 임계치 t를 이용해 임계치 t 내에 있는 유사도를 가진 포인트들을 병합하고, 포인트 유사도 s를 갖는 포인트 군이 없을 때까지 포인트 선택, 주변 포인트 탐색 및 획득, 포인트 유사도 계산 및 포인트 병합을 반복 수행하며, 획득한 포인트 군을 세그먼트로 정의하는 형상 설정 수단; 정의한 세그먼트로부터 파이프 형상을 획득하며 파이프 실린더 형상으로 표현함으로써 객체를 인식하는 객체 인식 수단; 및 획득한 파이프 실린더 형상과, 해당 세그먼트에 포함된 포인트들 사이의 오차를 확인하여 오차가 오차 허용치 내에 있는지를 검증함으로써 객체를 검증하는 객체 검증 수단;을 포함한다.

이때, 상기 형상 설정 수단이 설정한 파이프 형상에서의 에러를 검증하는 형상 에러 검증 수단;을 더 포함하는 것을 특징으로 한다.

또한 이때, 상기 형상 설정 수단은 사용자로부터 주변 포인트 재탐색 요청을 수신하여 반자동 역설계 파라미터를 조정하는 기능을 수행하는 것을 특징으로 한다.

또한 이때, 상기 형상 설정 수단이 주변 포인트 pc를 탐색하는 방식은, 근처점 탐색 방식인 K-NN(K nearest neighbors) 또는 FDN(Fixed distance neighbors) 방식인 것을 특징으로 한다.

또한 이때, 상기 형상 설정 수단이 각각의 포인트 p의 특징값을 계산하는 방식은, PFD(Point feature histogram) 방식 및 근처점 곡률 계산 방식인 것을 특징으로 한다.

또한 이때, 상기 형상 설정 수단이 계산하는 유사도는, 유클리드 거리인 것을 특징으로 한다.

그리고 이때, 상기 객체 인식 수단의 파이프 형상 획득 방식은, RANSAC(RANdom Sample Consensus) 방식인 것을 특징으로 한다.

본 발명에 따르면, MEP(Mechanical, Electrical, and Plumbing) 파이프 객체를 추출하는 공정을 효과적으로 자동화하는 효과가 있으며, 더욱 구체적으로는 사용자가 원하는 부분까지만 파이프 객체를 인식할 수 있도록 역설계 진행을 조정할 수 있으며 향후 개발될 건축 MEP 파이프 객체 역설계에 활용될 수 있는 효과가 있다.

도 1은 본 발명의 바람직한 실시 예에 따른 MEP 파이프 객체 역설계 시스템에 관한 전체 구성도.
도 2는 본 발명의 바람직한 실시 예에 따른 MEP 역설계 요구사항을 기능별로 구분한 참고도.
도 3은 본 발명의 바람직한 실시 예에 따른 MEP 역설계 기능을 유스케이스로 구분한 참고도.
도 4는 본 발명의 바람직한 실시 예에 따른 역설계 시스템 정적 구조를 클래스 다이어그램으로 표현한 참고도.
도 5a 및 도 5b는 본 발명의 바람직한 실시 예에 따른 MEP 파이프 객체 역설계 결과를 설명하기 위한 참고도.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

또한, 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.

본 발명자들은 상술한 바와 같은 종래 파이프 객체 추출에서의 문제점을 인식하고 이를 해결하고자 노력한 끝에 본 발명에서와 같은 역설계 방식에 의한 파이프 객체 추출 시스템을 개발하였다. 본 발명은 포인트 클라우드에서 추출된 외피에서 어떻게 객체 생성을 자동화하는지에 초점이 맞춰져 있으며 이를 위한 시스템을 제공한다.

본 발명에서, 선택된 포인트의 주변에 있는 포인트들 특징을 계산하여, 유사도에 따라 세그먼테이션 범위를 확장해 나가면서, 사용자가 원하는 부분까지 파이프에 해당하는 포인트들을 추출한다. 그러므로, 본 발명에 의하면 사용자가 원하는 부분까지만 파이프 객체를 인식하도록, 역설계 진행을 조정할 수 있는 장점이 있다.

이하, 본 발명의 바람직한 실시 예에 따른 MEP(Mechanical, Electrical, and Plumbing) 파이프 객체 역설계 시스템에 관해 도 1 내지 도 5b를 참조하여 상세히 설명한다.

도 1은 본 발명의 바람직한 실시 예에 따른 MEP 파이프 객체 역설계 시스템에 관한 전체 구성도이며, 도 2는 본 발명의 바람직한 실시 예에 따른 MEP 역설계 요구사항을 기능별로 구분한 참고도이고, 도 3은 본 발명의 바람직한 실시 예에 따른 MEP 역설계 기능을 유스케이스로 구분한 참고도이며, 도 4는 본 발명의 바람직한 실시 예에 따른 역설계 시스템 정적 구조를 클래스 다이어그램으로 표현한 참고도이고, 도 5a 및 도 5b는 본 발명의 바람직한 실시 예에 따른 MEP 파이프 객체 역설계 결과를 설명하기 위한 참고도이다.

도 1에 도시한 바와 같이, 본 발명의 바람직한 실시 예에 따른 MEP 파이프 객체 역설계 시스템은, 형상 설정 수단(110), 형상 에러 검증 수단(120), 객체 인식 수단(130) 및 객체 검증 수단(140)을 포함하여 구성된다.

먼저, 형상 설정 수단(110)은 파이프 형상 등 객체 관련 역설계 대상을 설정한다.

구체적으로, 형상 설정 수단(110)은 포인트 클라우드 데이터로부터 특정 포인트 p를 선택하며, 선택한 포인트 p의 주변 포인트 pc를 탐색 및 획득하고, 각각의 포인트 p의 특징값 f를 계산하여 이를 이용해 주변 포인트 사이의 포인트 유사도 s를 계산하며, 포인트 유사도 s값과 임계치 t를 이용해 임계치 t 내에 있는 유사도를 가진 포인트들을 병합하고, 포인트 유사도 s를 갖는 포인트 군이 없을 때까지 포인트 선택, 주변 포인트 탐색 및 획득, 포인트 유사도 계산 및 포인트 병합을 반복 수행하며, 획득한 포인트 군을 세그먼트로 정의한다.

아울러 형상 설정 수단(110)은 사용자로부터 주변 포인트 재탐색 요청을 수신하여 반자동 역설계 파라미터를 조정하는 기능을 수행한다. 형상 설정 수단(110)에 의해 특정한 반자동 역설계 파라미터에 따른 세그먼트가 얻어진 이후, 사용자가 주변 포인트의 재탐색을 요청한다면 이를 받아들여 세그먼트 정의를 재차 수행할 수 있는 것이다. 이때 수신하는 파라미터는 임계치 t 등이 될 수 있다.

형상 설정 수단(110)이 주변 포인트 pc를 탐색하는 방식으로는, 근처점 탐색 방식인 K-NN(K nearest neighbors) 또는 FDN(Fixed distance neighbors) 방식을 사용할 수 있다. 이때, 각 탐색 방법을 사용함에 있어서 파라미터는 형상 설정 수단(110)이 사용자로부터 입력받는다.

K-NN(K nearest neighbors) 방식은, 주어진 포인트 클라우드에 대해 처리되는 방법으로서, 포인트 클라우드로부터 최소 거리를 가지는 k개의 점을 선택한다. 거리 측정 방법은 유클리드, Manhattan, 또는 다른 삼각법에 의한 거리 측정 방법이 될 수 있다. 많은 수의 k가 고정됨으로써, 이 방법은 포인트 밀도에 따른 영역 관심을 탐색할 수 있다. 또한 이 방법은 k-d tree와 같은 공간 인덱싱 전략을 사용해 최적화되어 수행될 수 있다.

아울러 FDN(Fixed distance neighbors) 방식은, 고정된 거리 내 영역을 정의함으로써, 이 영역 내에 있는 모든 포인트를 탐색한다. 사용되는 거리 측정 방식은 유클리드 거리이나 K-NN 방식과 유사하게 실행될 수 있다. 포인트 수는 이웃 포인트 밀도에 비례한다. K-NN 방식과 비교할 때, 포인트 수는 낮은 밀도 영역에서는 부족한 포인트들을 얻을 수 있으며, 법선 추정 결과는 전체적으로 노이즈를 포함하게 된다. FDN 방식은, 만약, 포인트 밀도가 데이터에 많은 영향을 주지 않는다면, K-NN 방식과 유사하다.

형상 설정 수단(110)이 각각의 포인트 p의 특징값을 계산하는 방식으로는 PFD(Point feature histogram) 방식 및 근처점 곡률 계산 방식을 사용할 수 있으며, 유사도로는 유클리드 거리를 사용할 수 있다.

PFD(Point feature histogram) 방식은 값들의 다중 차원 히스토그램을 사용해 해당 포인트 주변에 평균 곡률을 생성함으로써 k-근처점의 기하학적 속성을 얻는 것이다. 높은 차원의 하이퍼 스페이스는 형상 표현에 대한 의미 있는 정보를 제공하며, 서페이스에 대한 6D 위치 변수로 표현되어, 근처점들의 노이즈나 샘플링 밀도의 차이값을 얻을 수 있다.

포인트 형상 히스토그램은 포인트와 해당 포인트 주변 포인트들에 의해 예측된 서페이스 법선 벡터 간의 관계성에 기반해 계산한다. 샘플된 서페이스 변동은 추정된 법선 방향에 따라 계산될 수 있다. 하이퍼 스페이스는 각 포인트에서 서페이스 법선 추정의 품질에 영향을 받는다.

PFD 방식에 의하면 근처점 내 모든 포인트 쌍에 대한 관계성을 히스토그램으로 계산한다. 계산 방법은 근처점들의 두 쌍의 포인트를 선택한 후, 각 법선을 가지는 pi와 pj 두 점의 상대적인 차이를 계산한다. 상대적인 차이는 법선의 회전이 반영된 3개의 각도값과 두 점의 거리값이다. 그러므로 전체 4개의 값을 얻게 된다.

또한 근처점 곡률 방식은 선택된 포인트 p의 근처점들 중 다른 한 점 j와 곡률을 계산한다. 곡률 계산 시 사용하는 방법은 두 포인트의 법선 간 각도 차이를 계산하는 것이다. 포인트 집합에 대한 법선은 고유치 계산 방식으로 얻을 수 있다. 계산된 곡률의 범위를 제한함으로써 유사한 곡률을 가진 근처점들을 하나의 세그먼트로 병합할 수 있다.

그리고 PFH 또는 근처점 곡률 값들이 어느 정도 유사한지 임계치 t내에서 유클리드 거리 함수를 통해, 포인트들의 유사도를 계산하면, 해당 조건에 유사한 포인트들을 군집화할 수 있으며, 이 과정을 반복함으로써 선택된 포인트가 포함된 포인트들을 효과적으로 세그먼테이션 할 수 있다.

또한 형상 에러 검증 수단(120)은 형상 설정 수단(110)이 설정한 파이프 형상에서의 에러를 조사 및 검증한다.

또한 객체 인식 수단(130)은 정의한 세그먼트로부터 파이프 형상을 피팅 및 획득하며 파이프 실린더 형상으로 표현함으로써 객체를 인식한다.

객체 인식 수단(130)이 파이프 형상을 획득하기 위해, RANSAC(RANdom Sample Consensus) 방식 또는 뼈대 추출 알고리즘 기반 RANSAC 방식을 적용할 수 있으며, 파이프 형상 피팅 시, 일치되는 파이프의 실린더 형상과의 오차 허용치를 지정해, 오차 내에서 파이프 형상을 획득하도록 할 수 있다.

객체 인식 수단(130)이 파이프 형상을 객체화하는데 있어서, 실린더와 같이 인식된 형상을 파이프와 같은 객체로 변환하고, 파이프 객체에 필요한 속성을 정의하여 입력하는 작업이 반복된다.

만약, 인식된 형상을 기반으로 규칙 기반으로 객체를 정의하는 사상함수 R:S→O가 가능하다면, 이 반복 작업 시간을 아낄 수 있다. 사상함수 R:S→O는 가장 근사한 규칙 집합 R을 갖는 객체 O로 맵핑될 수 있다.

이 규칙은 다음과 같이 XML 기반 규칙으로 표현할 수 있다. 이 경우에는 KS규격 파이프 객체를 맵핑하는 경우를 예로 들었다. 이 객체를 사상하는 규칙은 역설계 결과로 얻은 형상의 파라미터를 기초하며, 아래 예는 실린더 형상의 D와 L 파라미터를 포인트 클라우드로부터 RANSAC 방식 등을 이용해 추출하였다는 가정 하에 실행된다.

</Logic>

</Rule>

이렇게 획득된 객체 유형은 객체 유형별 속성을 정의한 객체 유형 속성 DB에 의해 자동으로 정의될 수 있다. 다음은 객체 유형 속성 DB의 구조를 보여준다.

</PropertySet>

</PropertySet>

</ObjectType>

이 규칙과 DB를 미리 정의해 놓은 것을 건축 MEP 파이프 객체 라이브러리 데이터베이스로 정의할 수 있다. 이 데이터베이스는 앞서 설명한 객체를 사상하는 맵핑 규칙과 유형별 속성 정의로 구성된다.

그리고 객체 검증 수단(140)은 획득한 파이프 실린더 형상과, 해당 세그먼트에 포함된 포인트들 사이의 오차를 확인하여 오차가 오차 허용치 내에 있는지를 검증함으로써 객체를 검증한다.

본 발명에 따라 파이프 형상을 역설계 함에 있어서, 사용자가 선택된 포인트의 주변 포인트 군을 인식하는 것부터 처리해야 한다. 포인트 군을 인식하는 작업을 세그먼테이션이라 칭하며, 선택된 포인트의 주변에 있는 포인트들 특징을 계산하여, 유사도에 따라 세그먼테이션 범위를 확장한다. 실린더와 같은 형상을 인식하기 좋도록, 포인트 클라우드에서 에러와 불필요한 부분을 삭제한다. 세그먼테이션 후 그룹화된 포인트 클라우드 각각 실린더와 같은 형상을 인식한다. 그리고, 인식된 형상에 얼마나 오차가 포함되어 있는지 검증한다. 검증된 형상은 형상 파라미터를 기반으로 파이프와 같은 객체로 생성되며, 생성된 객체의 속성 정보를 연계해 속성값을 입력한다.

도 2에 도시한 바와 같은 역설계 기능들을 유스케이스로 구분하여 보면 도 3에 도시한 바와 같은데, 이 중 기술적으로 입력 데이터의 품질에 영향을 많이 받고 난이도가 있는 부분은 포인트 클라우드 세그먼테이션과 세그먼트로부터 형상을 인식하는 부분이다.

결국, 선택된 포인트가 속한 포인트들에 대한 세그먼테이션은 PFH 방식이나 근접점 획득을 통한 거리 및 곡률 기반 방식을 사용하여 수행하며, 곡률을 얻는 방식은 특정 점 P1에 대한 주변 점의 곡률 특징 Cu을 획득한 후 그 값들을 고려하는 방식을 채택한다. 다음은 세그먼테이션 S를 추출하는 알고리즘은 다음과 같이 정리될 수 있을 것이다.

1. 포인트 클라우드 Pc 에서 임의점 P1획득

2. S= SP1

3. P1에서 K-근접점 알고리즘을 이용해 K개 점 군 획득

4. K개 점 군에서 곡률 Cu을 계산

5. P1 근처에 유사 곡률 Cu를 가진 점 P2 획득

6. P1 = P2

7. 더 이상 P2가 존재하지 않을 때까지 2-6 단계 반복

8. Pc = Pc -S

9. 더 이상 Pc가 존재하지 않을 때까지 1-8 단계 반복

MEP 역설계 기능과 알고리즘을 처리하기 위해서는 유연한 시스템 정적 구조가 필요하다. 특히 포인트 클라우드를 처리하는 필터링(Filtering), 세그먼테이션, 뼈대 추출(Skeletonization), RANSAC(RANdom Sample Consensus) 알고리즘은 종류가 다양하며, 각 알고리즘을 적용한 결과로 처리된 포인트 클라우드를 획득할 수 있다. 그러므로, 역설계 대상에 따라 역설계 알고리즘의 조합을 다양하게 함으로써 역설계 결과의 정밀도나 성능을 개선하거나 조정할 수 있다.

도 4에 정적 구조를 UML(Unified Modeling Language) 클래스 다이어그램으로 표현하였는데, 이의 클래스 다이어그램 요소를 설명하면 다음의 [표 1]과 같다.

No	Class	Description
1	PointXYZ	3D point structure which consists of X, Y, Z.
2	PointNormal	3D normal vector
3	PointCloud	3D points container
4	Segment	Point cloud segmentation results.
5	Database	Database to manage the point clouds, shapes, objects and reverse design algorithms.
6	Shape	Shape base class.
7	Cylinder	Cylinder is represented by a point 1, point 2 and radius.
8	Plane	Plane is represented by A, B, C and D.
9	Object	Object such as a pipe.
10	PropertySet	Object's property container.
11	Property	Property is represented by a name, type and value.
12	ReverseDe-signProgram	Algorithm container to manage the object mapping rule sets and reverse design algorithms.
13	ObjectMap-pingRuleSet	Object mapping rule set for mapping shape to object.
14	ObjectMap-pingRule	Object mapping rule is represented by Rs equation.
15	ReverseDe-signStrategy	Reverse design algorithm container to manage the algorithms.
16	Filtering	Filtering algorithm implementation class.
17	Segmentati-on	Segmentation algorithm implementation class.
18	Sekeletoni- zation	Skeletonization algorithm implementation class.
19	RANSAC	RANSAC implementation class.
20	Recognition	Shape recognition implementation class.
21	Validation	Validation implementation class to calculate and check the recognition error.
22	Report	Validation results.
23	PointReferenceCloud	Point cloud reference management class to improve the memory usage effectiveness.
24	PointCloudZone	Point cloud zone to manage the it's spatial region related to the virtual momory management about the large point clouds.

상술한 바와 같은 본 발명에 따라, 파이프 형상을 설계하는 실험을 수행하였는데, 구체적으로 형상을 세그먼트로부터 인식하기 위해 RANSAC 알고리즘을 활용하였다. 주어진 포인트 클라우드에서 평면을 먼저 RANSAC 알고리즘으로 인식한 후, 기존 포인트 클라우드에서 평면 부분을 제거하였다. 평면이 제거된 포인트 클라우드에서 RANSAC 알고리즘을 이용해 파이프 형상에 해당하는 실린더 형상을 인식하였으며, 도 5a 및 도 5b에 도시한 바와 같이 실린더 축의 첫 번째 점, 두 번째 점과 실린더 반경을 획득하였다.

실험 결과는 다음과 같이 요약될 수 있다.

1. RANSAC 알고리즘의 특성상 불완전한 포인트 클라우드의 경우에도 비교적 정확하게 파이프 실린더를 추출한다.

2. 파이프의 Elbow나 Branch 부분에 대한 별도 처리가 필요하다.

3. 형상 인식 시 주어지는 공차는 응용 대상에 따라 결정될 필요가 있다.

4. 대용량 포인트 클라우드의 경우 렌더링 속도가 늦어지며, 원활한 작업 처리를 위해 이를 개선할 필요가 있다.

이 중에서 개선이 필요한 2, 4번은 각각 다음과 같은 방식으로 처리가 가능하다.

2번의 경우 포인트 클라우드의 뼈대를 추출해, 뼈대에서 뼈대를 구성하는 선들이 분기하는 부분을 추출하면 Elbow, Branch를 처리할 수 있다.

4번의 경우 Octree와 같은 공간 인덱싱 기반으로 포인트 클라우드 LOD(Level Of Detail)를 처리하여 카메라 거리에 따라 적절한 LOD를 렌더링하거나, 현재 작업 중인 부분에 대해서만 포인트 클라우드를 메모리에 올리고, 나머지는 하드디스크에 저장하는 방식을 적용할 수 있다.

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시 예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주하여야 할 것이다.

110 : 형상 설정 수단 120 : 형상 에러 검증 수단
130 : 객체 인식 수단 140 : 객체 검증 수단

Claims

MEP(Mechanical, Electrical, and Plumbing) 파이프 객체 역설계 시스템에 있어서,
포인트 클라우드 데이터로부터 특정 포인트 p를 선택하며, 선택한 포인트 p의 주변 포인트 pc를 탐색 및 획득하고, 각각의 포인트 p의 특징값 f를 계산하여 이를 이용해 주변 포인트 사이의 포인트 유사도 s를 계산하며, 포인트 유사도 s값과 임계치 t를 이용해 임계치 t 내에 있는 유사도를 가진 포인트들을 병합하고, 포인트 유사도 s를 갖는 포인트 군이 없을 때까지 포인트 선택, 주변 포인트 탐색 및 획득, 포인트 유사도 계산 및 포인트 병합을 반복 수행하며, 획득한 포인트 군을 세그먼트로 정의하는 형상 설정 수단(110);
정의한 세그먼트로부터 파이프 형상을 획득하며 파이프 실린더 형상으로 표현함으로써 객체를 인식하는 객체 인식 수단(130); 및
획득한 파이프 실린더 형상과, 해당 세그먼트에 포함된 포인트들 사이의 오차를 확인하여 오차가 오차 허용치 내에 있는지를 검증함으로써 객체를 검증하는 객체 검증 수단(140);을 포함하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 형상 설정 수단(110)이 설정한 파이프 형상에서의 에러를 검증하는 형상 에러 검증 수단(120);을 더 포함하는 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 형상 설정 수단(110)은 사용자로부터 주변 포인트 재탐색 요청을 수신하여 반자동 역설계 파라미터를 조정하는 기능을 수행하는 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 형상 설정 수단(110)이 주변 포인트 pc를 탐색하는 방식은, 근처점 탐색 방식인 K-NN(K nearest neighbors) 또는 FDN(Fixed distance neighbors) 방식인 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 형상 설정 수단(110)이 각각의 포인트 p의 특징값을 계산하는 방식은, PFD(Point feature histogram) 방식 및 근처점 곡률 계산 방식인 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 형상 설정 수단(110)이 계산하는 유사도는, 유클리드 거리인 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.
제1항에 있어서,
상기 객체 인식 수단(130)의 파이프 형상 획득 방식은, RANSAC(RANdom Sample Consensus) 방식인 것을 특징으로 하는 MEP 파이프 객체 역설계 시스템.