Automatic Segmentation of Aircraft Dents in Point Clouds

要約

航空機の皮膚のへこみは頻繁に発生し、耐空性チェック中に簡単に検出されないことがあります。これは、その検査プロセスが退屈で、人的要因や環境条件に大きく左右されるためです。
現在、3D スキャン技術は、より信頼性の高い、人間に依存しない測定のために提案されていますが、データの取得と検証はまだエンジニアによって行われているため、検査と報告のプロセスは依然として面倒で時間がかかります。
へこみ検査を完全に自動化するには、取得した点群データを信頼性の高いセグメンテーション アルゴリズムを介して分析し、人間を損傷の検索と評価から解放する必要があります。
この論文では、自動へこみ検査に向けた 2 つの開発について報告します。
1 つ目は、完全な畳み込みニューラル ネットワークをトレーニングするために、へこんだ表面の合成データセットを生成する方法です。
機械学習アルゴリズムのトレーニングには、すぐには入手できないかなりの量のへこみデータが必要です。
したがって、へこみは、ボーイング 737 構造修理マニュアルの基準と定義内で、ランダムな位置と形状でシミュレートされます。
次に、スキャニング装置からのノイズ分布が追加され、トレーニングでの 3D ポイント取得の完全なプロセスが反映されます。
2 番目の命題は、3D 点群を 2.5D に変換するサーフェス フィッティング戦略です。
これにより、3D サンプリング アプローチを含む最先端の方法と比較して、より高い解像度の点群を少量のメモリで処理できます。
利用可能なグラウンド トゥルース データを使用したシミュレーションは、提案された手法が 80% を超える交差オーバーユニオンに達することを示しています。
へこみサンプルに対する実験では、1 秒あたり 500,000 ポイントを超える速度でへこみを効果的に検出できることが証明されています。

要約(オリジナル)

Dents on the aircraft skin are frequent and may easily go undetected during airworthiness checks, as their inspection process is tedious and extremely subject to human factors and environmental conditions. Nowadays, 3D scanning technologies are being proposed for more reliable, human-independent measurements, yet the process of inspection and reporting remains laborious and time consuming because data acquisition and validation are still carried out by the engineer. For full automation of dent inspection, the acquired point cloud data must be analysed via a reliable segmentation algorithm, releasing humans from the search and evaluation of damage. This paper reports on two developments towards automated dent inspection. The first is a method to generate a synthetic dataset of dented surfaces to train a fully convolutional neural network. The training of machine learning algorithms needs a substantial volume of dent data, which is not readily available. Dents are thus simulated in random positions and shapes, within criteria and definitions of a Boeing 737 structural repair manual. The noise distribution from the scanning apparatus is then added to reflect the complete process of 3D point acquisition on the training. The second proposition is a surface fitting strategy to convert 3D point clouds to 2.5D. This allows higher resolution point clouds to be processed with a small amount of memory compared with state-of-the-art methods involving 3D sampling approaches. Simulations with available ground truth data show that the proposed technique reaches an intersection-over-union of over 80%. Experiments over dent samples prove an effective detection of dents with a speed of over 500 000 points per second.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google