19/10/2017
Door Ad Spijkers
Met speciale camera's kunnen reële objecten digitaal worden vastgelegd. Dankzij nieuwe informatietechnologie kunnen nu ook onvolledige datasets in digitale objecten worden omgezet.
Digitale camera's bereiken hun grenzen wanneer bijvoorbeeld de het oppervlak van een object voor de scanner te donker is en daarom geen signaal levert, of wanneer onderdelen elkaar over en weer overlappen. Informatici van het Max-Planck-Institut für Informatik hebben, samen met collega's van de Amerikaanse halfgeleiderfabrikant Intel en het Intel Visual Computing Institute van de Universität des Saarlandes, een methode ontwikkeld, die zelfs onvolledige opnamen van een digitaal object kan reconstrueren. De onderzoekers gebruiken daarvoor een speciaal type neuronaal netwerk.
Hoewel de 3D-scan technologie de laatste jaren een aanzienlijke sprong voorwaarts heeft gemaakt, is het nog altijd een uitdaging de geometrie en vorm van een reëel object digitaal en automatisch vast te leggen. Volgens de groep 'Scalable Learning and Perception' zijn dieptesensoren zoals de Microsoft Kinect Sensor zeer krachtig, maar ze functioneren niet op alle materialen even goed, wat tot data met veel ruis of zelfs ontbrekende meetwaarden leidt. De hieruit resulterende foute of zelfs volledige 3D-geometrieën vormen een probleem voor een serie toepassingen, bijvoorbeeld in de virtual en augmented reality, bij de samenwerking met robots en bij het 3D-printen.
Neuronale netwerken
De wetenschappers ontwikkelden daarom een methode die ook met onvolledige datasets werkt. Ze gebruiken een speciaal neuronaal netwerk. De methode vereist geen toezicht tijdens de leerfase, wat in deze vorm een noviteit is. Op deze manier konden de onderzoekers bijvoorbeeld een vlakke monitor (waarvan het digitale beeld na de 3D-scan nog het meest op een houten plaat lijkt) odanig construeren dat iedereen in het digitale objet weer een monitor herkent.
Hiermee verslaan de informatici uit Saarbrücken ook tot nu toe gebruikte methoden die foute 3D-scans verbeteren en vormen volledig maken. Ook bij de classificering van gescande objecten geeft de nieuwe methode goede resultaten. In de toekomst willen de wetenschappers hun methode verder ontwikkelen, zodat deze ook werkt bij vervormbare objecten en grote producten.
In de toekomst moet het eenvoudig en snel lukken om objecten uit de reële wereld te bepalen en levensecht in de digitale wereld te projecteren. Hiervoor moet ook een nieuwe generatie van uitstekende wetenschappers en technici worden opgeleid. En daar is de Universität des Saarlandes volop mee bezig.