Detecting and classifying geometrically-complex CAD objects and determining their poses in unstructured point clouds

Abstract

Computer-aided design (CAD) systems are extremely important for the design and doc umentation of complex installations. The ability to (semi-)automatically obtain CAD models from physical installations has two important benefits: (i) it can be used to monitor a construction process, identifying, as soon as possible, any deviations from the original design, saving both time and money; and (ii) it can be used to document complex instal lations for which CAD representations are outdated or inexistent. Both scenarios have important practical and economic value. This thesis is part of a project whose goal is to develop a system for obtaining CAD models from unstructured point clouds captured from (possibly still under construction) complex installations using 3D scanners. The thesis presents a practical solution for detecting and classifying geometrically-complex CAD objects and determining their poses in such unstructured point clouds subjected to noise and partial occlusions. For this, it proposes a pipeline that combines deep learning and conventional pattern-recognition techniques. Using synthetic datasets that represent com plex environments under realistic conditions, we demonstrate the ability of the proposed solution to detect, classify, and estimate poses for CAD objects. These experiments show that our solution can automate most of the process, significantly reducing the amount of manual intervention required by previous CAD reverse engineering solutions to achieve similar results

Sistemas CAD (projeto assistido por computador) são de extrema importância para projeto e documentação de instalações complexas. A capacidade de obter (semi-)automaticamente modelos CAD de instalações físicas tem dois benefícios importantes: (i) pode ser usado para monitorar um processo de construção, identificando, o mais rápido possível, quaisquer desvios do projeto original, economizando tempo e dinheiro; e (ii) pode ser usado para documentar instalações complexas para as quais as representações CAD estão desatua lizadas ou inexistentes. Ambos os cenários têm importante valor prático e econômico. Esta tese faz parte de um projeto cujo objetivo é desenvolver um sistema para obtenção de modelos CAD a partir de nuvens de pontos não estruturadas capturadas de instalações complexas (possivelmente ainda em construção) usando scanners 3D. A tese apresenta uma solução prática para detectar e classificar objetos CAD geometricamente complexos e determinar suas poses em nuvens de pontos não estruturadas sujeitas a ruído e oclusões parciais. Para isso, é proposto um pipeline que combina aprendizado profundo e técnicas convencionais de reconhecimento de padrões. Usando conjuntos de dados sintéticos que representam ambientes complexos sob condições realistas, demonstramos a capacidade da solução proposta para detectar, classificar e estimar poses para objetos CAD. Esses experimentos mostram que nossa solução pode automatizar a maior parte do processo, reduzindo significativamente a quantidade de intervenção manual exigida pelas soluções de engenharia reversa CAD anteriores para obter resultados semelhantes.