عنوان پایان‌نامه
توسعه الگوریتم های تحلیل داده های سه بعدی
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3624;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 81383;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3624;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 81383
- تاریخ دفاع
- ۲۹ دی ۱۳۹۴
- دانشجو
- مجتبی اریایی
- استاد راهنما
- محمدعلی آزاده
- چکیده
- سیستم‌های مختلفی برای اکتساب داده‌ها وجود دارد که به وسیله آن‌ها قطعات با شکل‌های دلخواه به دقت اندازه‌گیری می‌شوند و با دقت بالای علم اندازه‌گیری بُعدی ارزیابی می‌شوند. داده‌های حاصل به وسیله دو روش تطبیق، یعنی تطبیق جزئی و کلی، در یک سیستم مختصات مشترک ترکیب می‌شوند. هر چند روش مشخصی برای تطبیق کلی وجود ندارد، شیوه ای جدید در این مطالعه به کار رفته است که از پارامترهای منحنی و تبدیل هاف (HT) بهره می‌گیرد و به کاهش هزینه محاسباتی کمک می‌کند. برای تطبیق جزئی در این مطالعه، روشی بهبودیافته از الگوریتم تکرارشونده نزدیک‌ترین نقطه (ICP) به کار رفته است. روش ICP خطاهای تطبیق ناشی از استفاده از پارامترهای منحنی را کاهش می‌دهد و تطبیق اولیه داده‌های به دست آمده از تطبیق کلی را بهینه‌سازی می‌کند. به منظور تعریف معیار فاصله برای جست و جوی نقاط مشابه، یک فاصله خاص با توجه به سنجش‌های شباهت ویژگی‌های منحنی و فاصله اقلیدسی، ترکیب شده است. هم‌چنین، کمینه‌سازی نقطه به نقطه (Point-to-Point) و کمینه‌سازی نقطه به صفحه (Point-to-Plane) به منظور تقویت الگوریتم‌های رایج و بهبود تابع هدف، ترکیب شده‌اند. عملکرد روش‌های ذکر شده با مجموعه داده‌های واقعی و شبیه‌سازی شده حاصل از یک سیستم توموگرافی کامپیوتری (CT) ارزیابی گردیده‌اند. نتایج به دست آمده از این تحقیق، برتری روش‌ها و بهبودهای ارائه شده را نشان می‌دهند. به منظور ارائه یک سطح جایگزین در نقاط اندازه‌گیری شده، زمانی خطای تابع هدف حداقل می‌شود که توسط Lp-Norm ها تعریف شوند. در این پژوهش ابتدا به بررسی فاصله‌های L1 برای سطوح متعارف می پردازیم و سپس آن را با L2 وL? مقایسه می‌کنیم. در نهایت یک تحلیل حساسیت برای P ارائه می‌گردد، به طوری که مقدار بهینه توان به کار رفته در تابع تطبیق، مشخص گردد. عملکرد الگوریتم ارائه شده، برای چهار مطالعه موردی آکادمیک و یک مطالعه موردی واقعی با استفاده از یک روش شبیه‌سازی، ارزیابی گردیده است. واژه‌های کلیدی: تطبیق کلی، تطبیق جزئی، تبدیل هاف (HT)، الگوریتم تکرارشونده نزدیک‌ترین نقطه (ICP)، کمینه‌سازی نقطه به نقطه (P-P)، کمینه‌سازی نقطه به صفحه (P-Pl)، فاصله‌های Lp.
- Abstract
- There are different data acquisition systems by which shape of freeform work-pieces are accurately measured and assessed in high precision dimensional metrology. These obtained data are aligned and mixed into a common coordinate system by means of two registration methods, namely fine and coarse registration. Although there is no conventional method for coarse registration, a new method is applied in this study, which help to reduce computational cost, on the basis of curvature parameters exploitation that is Hough Transformation (HT). For fine registration, an enhanced Iterative Closest Points (ICP) method is used. ICP method reduces registration errors occurred by curvature parameters exploitation and optimizes the rough alignment of data and the obtained model data by coarse registration. In order to define the distance criterion for correspondence searching, a specific distance with respect to curvature features similarity measures and Euclidean distance are combined. Also, the point-to-point (P-P) minimization and the point-to-plane (P-Pl) minimization are combined to robustify traditional algorithms and to improve the objective function. Performance of the mentioned methods is evaluated by simulated and real data sets obtained from a computer tomography (CT) system. The obtained results delineate the superiority of the proposed methods. In order to fit a substitute surface to the measured points, error is minimized when the error objective function is defined by the Lp fitting norm. The work will first address the investigation of the L1-norm for canonical surfaces and its comparison with L2 and L?. Then, it will evaluate the sensitiveness of P so as to determine the optimum value of this exponent used in the fitting function. Performance of the proposed algorithm has been evaluated for four academic and one real case studies using a simulation approach. Keywords: Coarse Registration, Fine Registration, Hough Transformation (HT), Iterative Closest Points (ICP), Point-to-Point (P-P) Minimization, Point-to-Plane (P-Pl) Minimization, Lp-Norms.
