bsc thesis - karoly radoczy

Budapesti Műszaki és Gazdaságtudományi Egyetem

Építőmérnöki Kar

Általános- és Felsőgeodézia Tanszék

Szádvár felmérése lézerszkennerrel

(Diplomamunka)

2013

Készítette: Radóczy Károly

Konzulensek: Dr. Takács Bence (BME-ÁGT)

Dr. Lovas Tamás (BME-FMT)

Fehér András (HumanSoft Kft.)

Nyilatkozat

Alulírott Radóczy Károly, a Budapesti Műszaki és Gazdaságtudományi Egyetem hallgatója kijelentem,

hogy ezt a diplomamunkát meg nem engedett segítség nélkül, saját magam készítettem és a

dolgozatban csak a megadott forrásokat használtam fel. Minden olyan részt, melyet szó szerint, vagy

azonos értelemben, de átfogalmazva más forrásból átvettem, egyértelműen, a forrás megadásával

megjelöltem.

Budapest, 2013. december 4.

..............................................

Radóczy Károly

Abstract

Surveying and Modeling of the Ruins of Castle Szádvár with

Terrestrial Laser Scanning

In my diploma thesis I applied two types of terrestrial laser scanners (Faro and Z+F) to survey the

ruins of Castle Szádvár. I investigated how to process the different laser scanned data in the same

software.

Thanks to the built-in digital camera, both scanners are able to produce coloured point clouds. The

registration of the scanned point clouds was solved with black/white Z+F Professional Targets. After

investigating a few modeling methods, I chose the method of generating a polygonal mesh from the

point cloud because it appropriately describes the complex geometry of the ruins and the

surrounding ground surface.

Total station measurements supported the georeferencing of the laser scanned set. I compared the

result model to the points of the geodetical survey from 2008 and analysed the differences.

In addition, I tested the Faro scanner and its sphere targets in different scenarios to investigate the

automatic sphere detection and point cloud registration.

Furthermore, I provided recommendations for data acquisition and processing procedure for such

projects.

The application field of terrestrial laser scanning is rapidly broadening, the results of my thesis

proved that this technology has remarkable potential in heritage protection and castle modeling.

5

Tartalomjegyzék

1. Bevezető ...................................................................................................... 7

2. Szádvár korábbi geodéziai felméréseinek ismertetése ................................. 9

2.1. Az 1965-ös felmérés ................................................................................. 9

2.2. A 2008-as felmérés ................................................................................. 10

3. Felmérés .................................................................................................... 12

3.1. A felmérendő terület kiválasztása .......................................................... 12

3.2. A felmérés eszközei ................................................................................ 13

3.2.1. Zoller+Fröhlich Imager 5010c ........................................................... 14

3.2.2. Faro Focus 3D ................................................................................... 15

3.2.3. Leica TS15i ........................................................................................ 16

3.3. A felmérés végrehajtása ......................................................................... 17

4. Feldolgozás ................................................................................................ 20

4.1. A Faro állományok színezése .................................................................. 20

4.2. A Z+F állományok színezése ................................................................... 21

4.3. Importálás a Cyclone-ba ......................................................................... 21

4.4. Különböző forrásokból származó pontfelhők kezelése egy programban 21

Részletszkennelés alkalmazhatósága a Faro szkenner esetén .................... 23

4.5. Az összeillesztett pontfelhő transzformálása EOV-be ............................. 25

4.6. A pontfelhő tisztítása ............................................................................. 26

4.7. Számítógépes modell létrehozása .......................................................... 30

4.7.1. Pontfelhő felhasználási lehetőségei ................................................. 30

4.7.2. Az általam választott módszer: poligonháló ..................................... 33

4.7.3. Egy kedvezőbb megoldás a poligonháló létrehozására ..................... 39

4.7.4. A kész modell bemutatása ................................................................ 39

4.8. A korábbi felmérés modellje .................................................................. 44

4.9. A 2013-as és a 2008-as mérések összehasonlítása ................................. 46

6

5. Faro szkenner tesztelése ............................................................................ 49

5.1. Az 1. vizsgálat - 20 méternél távolabbi gömbök felismerése .................. 50

5.2. A 2. vizsgálat - 25 méternél közelebbi gömbök felismerése.................... 55

5.3. A vizsgálatok eredménye ........................................................................ 56

6. Tanulságok, következtetések ..................................................................... 57

7. Összefoglalás .............................................................................................. 58

8. Irodalomjegyzék ......................................................................................... 59

Radóczy Károly: Szádvár felmérése lézerszkennerrel (Diplomamunka)

7

1. Bevezető

Diplomamunkám témája – Szádvár felmérése lézerszkennerrel – kicsit rendhagyó az Általános- és

Felsőgeodézia Tanszéken, hiszen ilyen témákkal inkább a Fotogrammetria és Térinformatika

Tanszéken foglalkoznak.

Az elmúlt félévekben mindkét tanszék szakirányának tárgyait hallgattam, és szakmai gyakorlatok

során is mindkét területbe sikerült betekintést nyernem. Ezért fontosnak tartottam, hogy olyan

témát dolgozhassak fel, amelyben ezeket az ismereteimet kamatoztathatom, illetve lehetőségem van

elmélyülni olyan gyakorlati témában, ahol a geodéziára és a térinformatikára egyaránt szükségem

van. Ezenkívül az is szempont volt, hogy témám alapja valós munka legyen, és azt több szempontból

is megvizsgáljam.

2013 februárjában jelentkeztem a HumanSoft Kft.-hez, hogy tapasztalatot szerezzek a

lézerszkenneres felmérésekben és azok feldolgozásában. Így felkerestem 2013 nyarán a cég

tanácsadási üzletág igazgatóját, Fehér Andrást, hogy van-e a közeljövőben olyan munka, amelyet

feldolgozhatnék a diplomamunkámban, és vállalná-e, hogy a külső konzulensem legyen. Ekkor

javasolta, hogy foglalkozhatnék Szádvár felmérésével, hiszen annak egyetemi vonatkozása is van.

A vár 2008-as geodéziai felmérése ugyanis Tuchband Tamás diplomamunkája volt, amelyet Takács

Bencével közösen végeztek el [2]. Ennek nagyon megörültem, hiszen már korábban felkértem Takács

Bencét, hogy legyen a konzulensem.

A téma térinformatikai vonatkozásából adódóan megkértem a Fotogrammetria és Térinformatika

Tanszékről Lovas Tamást is, – aki többek között a Lézerszkennelés [1] című monográfia társszerzője –

hogy hasznos tanácsaival és ötleteivel segítse a munkánkat.

A 2008-as felmérés dokumentációját olvasva kiderült, hogy már akkor felmerült a lézerszkenneres

technológia használatának lehetősége, hiszen ez nagyságrendekkel részletgazdagabb felmérést

eredményez, és jóval látványosabb modellt kaphatunk eredményként, mint a hagyományos

technológiák esetén. Ehhez azonban a technikai körülmények akkor még nem voltak adottak.

Azóta viszont a Fotogrammetria és Térinformatika Tanszéken beszereztek egy lézerszkennert, és

számos tapasztalat gyűlt össze a technológia mérnöki alkalmazásai terén.

Joó Péter és Bödő Gábor diplomamunkája is nagyon hasznos tapasztalatokkal járult hozzá a témához,

amelyekre diplomamunkám során én is építettem [4] [3]. Az előbbi dolgozat többek között a Faro

Focus 3D lézerszkenner mikrodomborzati felszínmodellezésre való használatával foglalkozik, utóbbi

pedig egy műemlékkastély lézerszkenneres felmérésével és feldolgozási, modellezési lehetőségeivel.

Mindenképpen meg kell említeni, hogy a HumanSoft Kft. a SZIME3DAR projekt keretén belül többféle

várfelmérési és modellezési feladatot is végzett már, nem volt ismeretlen tehát a feladat a cég

számára [19] [20].

Bár azt is fontos látni, hogy a téma még mindig számos kutatási-fejlesztési kihívást tartogat,

megfelelő szakirodalom hiányában nagyon sok problémára nekünk kell megtalálni a megoldást, és ez

gyakran kísérletezéssel jár. Ezekkel a tapasztalatokkal gazdagodva fejlődünk egyre tovább, és az

általunk megoldott problémákat dokumentálva fejlődik tovább a szakirodalom is.


8

A feladat újdonsága ezúttal abban rejlett, hogy a várat két különböző típusú szkennerrel szerettük

volna felmérni, és többek között azt is meg kívántuk vizsgálni, hogy ezek az állományok a feldolgozás

során mennyire kezelhetők együtt.

A felmért pontfelhőből egy általam választott módszerrel modellt is kellett készítenem, majd ezt

össze kellett hasonlítanom a 2008-as méréssel. A diplomamunka célja volt továbbá, hogy a Faro

szkennerrel végzett vizsgálatok alapján néhány gömbfelismerésre vonatkozó kérdést is tisztázzak.

Így alakult ki, hogy olyan témát dolgozhatok fel, amilyet előzetesen szerettem volna. A téma bőven

rejt magában megoldásra váró problémákat és egy egész „csapat” (két egyetemi konzulens, külső

konzulens, munkatársak) egyengeti az utamat ennek során.

Ezenkívül az ilyen várfelmérési munkának komoly szerepe van kulturális örökségünk megőrzésében.

Nagyon sok hazai várunk esetében tapasztalhatjuk, hogy állapotuk erősen pusztulófélben van, és

egyszerűen nincs pénz arra, hogy ezt a folyamatot megállítsák.

Ilyenkor nagyon fontos, hogy időnként rögzítsük, milyen állapotban van a vár, és hogy néz ki az adott

időszakban. Ezek alapján dokumentálni lehet egy adott állapotot, és a vár rekonstrukciója

elkészíthető, ha több időpontban végzett felmérés alapján lépésenként haladunk visszafelé az

időben. Ez mind olyan tevékenység, amely segít megőrizni a várat az utókornak.

A hagyományos műemlék-felmérési módszerekkel szemben a lézerszkennelés olyan nagyságrendi

előrelépést jelent, amellyel a munka sokkal gyorsabban és pontosabban elvégezhető. Ennek

eredményeképpen olyan látványos digitális 3D állományt kapunk, amellyel a jövőbeni befektetőket is

könnyebben meg lehet győzni.


9

2. Szádvár korábbi geodéziai felméréseinek ismertetése

Az előzmények megismeréséhez Tuchband Tamás diplomamunkáját hívtam segítségül, amelyben a

szerző kitér az 1965-ben végzett geodéziai felmérésre, majd a diplomamunka keretében elvégzett

2008-as geodéziai felmérést részletesen ismerteti [2].

2.1. Az 1965-ös felmérés

Az 1965-ös felmérést az akkori kor technológiáját felhasználva végezték el. Az alapponthálózat

létesítését követően szögprizma és mérőszalag segítségével derékszögű koordinátaméréssel végezték

el a részletmérést. Egy, a 2008-as és 2013-as felméréshez képest erősen egyszerűsített felmérésről

van szó, ahol a falakat csak néhány ponttal mérték be és ezek vastagságát többnyire állandónak

vették (1. ábra).

1. ábra - Az 1965-ös felmérés egy részlete [2]

A méretek több helyen is csak deciméter élességgel vannak megadva. Általában elmondható, hogy ez

a felmérés illeszkedik a 2008-as méréshez, viszont néhány helyen előfordul, hogy bizonyos részek

alakra és helyzetre sem közelítik a mai állapotot.

Található ma olyan rész, ami az 1965-ös felmérésen nem szerepel, de ugyanez elmondható fordítva

is. Sokat segít a mai és a régi állapot összehasonlításában az alaprajz és az elkészített nézetek. Ezek

alapján általánosságban megállapítható, hogy a két mérés között eltelt időszakban sajnos a vár

állapota sokat romlott.


10

2.2. A 2008-as felmérés

2008-ban korszerű geodéziai módszerekkel egy igen részletes, körülbelül 8700 pontból álló felmérés

készült (2. ábra). 4 hétvégén keresztül folyt a munka, amely igen jól szervezett volt, hiszen a felmérő

személyzeten kívül építész és régészek is segítették szaktudásukkal a mérést, kijelölték a bemérendő

pontokat, felhívták a figyelmet arra, hogy melyik részletre milyen pontsűrűséggel van szükség. És

természetesen nem szabad azt sem elfelejteni, hogy végig ott voltak a Szádvárért Baráti Kör tagjai is,

akik segítették a csapatot abban, hogy nekik már csak a geodéziai munkálatokra kelljen koncentrálni.

2. ábra - A 2008-as felmérés [2]


11

A felmérés dokumentálta az akkori állapotot és számítógépes modell (3. ábra) is készült belőle, ez

képezte alapját a vár azóta megtörtént részleges restaurációjának [5] [21].

3. ábra - A 2008-as felmérés alapján készült modell [5]

Érdekes rész a diplomamunkában, amikor a végén amolyan kitekintés jelleggel megemlíti, hogy

valószínűleg a közeljövőben egy újabb felméréshez már lézerszkennert használnának. 5 év elteltével

ez meg is valósulhatott, hiszen a miskolci Herman Ottó Múzeum felkérésére a HumanSoft Kft.

elvállalta a feladatot, amelynek első részét a diplomamunkám keretében dolgoztam fel.

A diplomamunkám alapjául a 2008-as felmérés alapponthálózatát vettem, majd később

felhasználtam a részletmérés azon pontjait is, amelyek az általunk felmért területre vonatkoznak.


12

3. Felmérés

3.1. A felmérendő terület kiválasztása

Szádvár Borsod-Abaúj-Zemplén megye északi részén található Szögliget település és a szlovák-magyar

határ közvetlen közelében (4. ábra).

4. ábra - Szádvár földrajzi helyzete (Zentai László ábrája - 2006)

A várat először V. István egyik 1268-as oklevelében említették. Az azután következő századokban a

várnak számos tulajdonosa volt. A korabeli krónikák szerint 1567-ben a várat a német-római császári

csapatok ostromolták, és falai a négy napos bombázás következtében erősen megrongálódtak. 1688-

ban Szádvárat a bécsi udvar utasítására felgyújtották és sorsára hagyták. 1920 után a határ közelében

elhelyezkedő vár tiltott zónának számított, így gazdátlanul maradt és visszahódította a természet [16]

(5. ábra).

5. ábra - Szádvár látképe


13

Néhány éve elindultak a törekvések Szádvár állagmegóvásával kapcsolatban; azóta jó néhány falat

megerősítettek [21] és időnként a növényzet irtását is elvégzik.

A vár kiterjedéséről a Szádvárért Baráti Kör honlapján a következőket olvashatjuk. „ A Várhegy 460

méter magas, sziklás fennsíkját koronázzák meg Szádvár falai. A szabálytalan alaprajzú vár hossza

kelet-nyugati irányban mintegy 200 méter, legnagyobb észak-déli szélessége pedig körülbelül 70

méter. Területe a Várhegy északi oldalán található „Csigával” együtt egy hektárra tehető.” [5]

Hatalmas területe mellett a vár igen tagolt, és növényzettel sűrűn fedett. Tervbe van véve az egész

vár lézerszkenneres felmérése, de az túlmutat a mostani diplomamunka keretein. Célunk volt, hogy a

várból egy olyan összefüggő területet válasszunk ki, amely felmérését 2-3 nap alatt el lehet végezni.

A terepi bejárás során a Külsővár területe bizonyult a legalkalmasabbnak (6. ábra). Ez a rész magába

foglalja a Várkaput, a Külsővár udvarát, az ott található ciszternát, a várudvart szegélyező falakat, a

Német-bástyát és a Lisztes-bástyát.

6. ábra - Szádvár alaprajza a kiválasztott terület megjelölésével [5]

3.2. A felmérés eszközei

A kiválasztott területet 2 nap alatt mértük fel (2013. július 29-30). A várfal külső részein egy

Zoller+Fröhlich Imager 5010c típusú lézerszkennert használtunk, amelyet a HumanSoft Kft. biztosított

a számunkra. A vár belső részét a Fotogrammetria és Térinformatika Tanszék Faro Focus 3D típusú

lézerszkennerével mértük fel. Ezenkívül, mivel a felmérést a 2008-as geodéziai felmérés koordináta-

rendszerében kívántuk elvégezni, szükség volt néhány kapcsolópont mérőállomással történő

bemérésére, hogy ezek alapján a szkennelt állományokat transzformálhassuk a korábbi felmérés

koordináta-rendszerébe. Ehhez az Általános- és Felsőgeodézia Tanszék Leica TS15i mérőállomását

használtuk.


14

3.2.1. Zoller+Fröhlich Imager 5010c

A Zoller+Fröhlich Imager 5010c (továbbiakban Z+F szkenner) egy német gyártmányú lézerszkenner.

Kb. 190 méter a hatótávolsága, 320° x 360° a látómezeje, másodpercenként 1 millió pont

leképezésére alkalmas. Beépített kamerával rendelkezik, amely 42 kép alapján egy körülbelül 80

megapixeles panorámafotót készít, amely a környezeti viszonyoktól függően körülbelül 3-4 percet

vesz igénybe. Érintőképernyős, egyszerűen kezelhető, 1 akkumulátorral hozzávetőlegesen 3 órán

keresztül üzemel. 64 GB belső tárhelye mellett csatlakoztatható hozzá 2 db 32 GB-os USB tároló is.

Akkumulátorral együtt 11 kg-os súlyával nehéz terepen nem könnyen, de azért kézben hordozható. A

masszív házzal rendelkező szkenner terepi körülmények között kiválóan alkalmazható (7. ábra) [6].

7. ábra - Zoller+Fröhlich Imager 5010c [6]

Egy szkennelés során nagyon kényes kérdés a megfelelő pontfelhő felbontás kiválasztása. Figyelembe

kell venni a felmérendő objektum, terület kívánt részletességét, illetve azt is, hogy az álláspontok

közötti kapcsolópontokra (illesztőgömb, jeltárcsa, stb.) is elég pont jusson, különben a

feldolgozószoftver nem tudja automatikusan felismerni a kapcsolópontot, így az álláspontok közötti

illesztést csak meglehetősen nagy hibával lehet elvégezni.

A Faro szkenner esetén, ha távolabbi kapcsolópontok is vannak, akkor csak a kapcsolópontok

felismerése miatt maximális felbontással kell felmérni az egész álláspontot, ami felesleges

adatmennyiséget eredményez és túl sokáig tart (15 perc és 2 óra közötti időtartam, minőségi

beállítástól függően). Egy terepi munka során gyakran nincs rá lehetőség, hogy ilyen sokat időzzünk

egy állásponton és a feldolgozás is túlságosan nehézkessé válik a hatalmas adatmennyiség miatt.

A Z+F szkennernél viszont elegendő a felbontást úgy beállítani, hogy az tükrözze a felmérendő

objektum, terület részletességét, ami gyakran kisebb, mint amivel a kapcsolópontok felismertethetők

lennének, majd ezután külön kijelölhetjük a felmért területen belül azokat a kisebb részleteket, ahol

a kapcsolópontok vannak, és ezeket megmérhetjük még egyszer, immár a detektáláshoz szükséges


15

felbontással. Ez a „selection”-szkennelés, mellyel időt és adatmennyiséget takarítunk meg és biztosak

lehetünk benne, hogy a kapcsolópontunkat utólag fel tudjuk ismertetni a szoftverrel [9].

3.2.2. Faro Focus 3D

A Faro Focus 3D (továbbiakban: Faro szkenner) egy amerikai gyártmányú lézerszkenner. 120 méter az

elméleti hatótávolsága, 305° x 360° a látómezeje, másodpercenként 976.000 pont rögzítésére

alkalmas. Beépített kamerája 70 megapixeles panorámaképet készít. Érintőképernyős, egyszerűen

kezelhető, 1 akkumulátorral hozzávetőlegesen 4-5 órán keresztül üzemel. A szkenner tartozéka egy

32 GB-os SD kártya, erre menti az adatokat. 24x20x10 cm-es méretével és 5kg súlyával a legkisebb

méretű szkenner, amit eddig gyártottak (8. ábra) [7].

8. ábra - Faro Focus 3D [7]

Eredetileg fotóállványra csatlakoztatható, ami viszont terepi munkára többnyire alkalmatlan. Az

Általános- és Felsőgeodézia Tanszék műhelyében gyártottak hozzá egy olyan adaptert (9. ábra),

amivel már geodéziai műszerállványra helyezhető a szkenner és így már alkalmas a terepi mérésre

[4].

9. ábra - A műszer adaptere [4]


16

3.2.3. Leica TS15i

Mivel a feladat szempontjából ez kevésbé lényeges, ezért nem térnék ki az általunk használt

mérőállomás részletes ismertetésére (10. ábra). Ami számunkra fontos volt, hogy a műszer 1”

szögmérési és 1mm+1,5mm/km távmérési középhibával képes dolgozni, ami a tárcsák megfelelően

pontos helymeghatározását teszi lehetővé.

10. ábra - Leica TS15i mérőállomás

Érdekességként még megemlíteném, hogy ez a mérőállomás a ma létező egyik legkorszerűbb

mérőállomás, amely számos hasznos funkcióval segíti használóját. Például készíthetünk a beépített

kamerájával fényképet és annak segítségével választhatjuk ki a felmérendő pontot, szervomotorral

felszerelt, követi a prizmát, lézeres távmérője több mint 1 km hatótávolságú. Ezek mind olyan

funkciók, amelyek lehetővé teszik, hogy a felmérést végző személy akár egyedül is elvégezhesse a

munkát [8].


17

3.3. A felmérés végrehajtása

Ahhoz, hogy a felmérés álláspontjait egy rendszerben tudjuk kezelni, szükség van kapcsolópontokra.

Több lehetőség közül választhattunk, használhattuk volna a Faro szkennerhez tartozó

illesztőgömböket (11. ábra), a Z+F szkennerhez tartozó jeltárcsákat (12. ábra) vagy mindet együtt.

11. ábra - Faro illesztőgömb

12. ábra - Z+F jeltárcsa

Hogy ebben a kérdésben egy megfelelően megalapozott döntést hozhassunk, ahhoz a felmérés előtt

tesztelni kellett volna, hogy az egyes szkennerek esetén, ugyanolyan a felbontással maximálisan

milyen távolságokban helyezhetők el a jeltárcsák illetve az illesztőgömbök, hogy azok a feldolgozás

során automatikusan felismerhetők legyenek.

Illetve azt is meg kellett volna vizsgálnunk, hogy a gömbökkel vagy a tárcsákkal célszerűbb-e dolgozni.

Például nagy előnye az illesztőgömböknek, hogy nem kell forgatni őket, hiszen mindenképpen a

szkenner felé néznek, viszont elképzelhető, hogy felismertetésükhöz nagyobb felbontásra van

szükség. Ezzel szemben a jeltárcsák felismerésénél elegendő kevesebb pont is, főként az intenzitás a

lényeges információ. Viszont a jeltárcsákat mindig a szkenner felé kell fordítani. Ezeknek a

szempontoknak az összevetésével és alaposabb vizsgálatával ebben a kérdésben is megalapozottabb

döntést hozhattunk volna.

Sajnálatos módon a körülmények úgy hozták, hogy erre nem volt lehetőségünk a felmérés

megkezdése előtt. Így korábbi felmérési tapasztalatokra alapozva mindkét szkenneren a körülbelül

6mm/10m-es felbontást állítottuk be és néhány kivételtől eltekintve ezzel dolgoztunk. Illetve úgy

döntöttük, hogy csak a jeltárcsákat fogjuk használni az álláspontok kapcsolására.

Bizonyos vizsgálatokat ezzel kapcsolatban az illesztőgömbökre utólag elvégeztünk, ezeket részletesen

az 5. fejezetben ismertetem.

A Z+F szkennerhez tartozó kapcsolójelek kör alakú, álló-és fekvőtengelyük körül elforgatható

jeltárcsák. A külső és belső szkennelés illesztéséhez a jeltárcsákat a várfalak tetején helyeztük el, úgy

hogy azok kívülről és belülről is látszódjanak (13. ábra). Ügyeltünk arra, hogy a tervezett belső

álláspontokból mindig legalább 3 tárcsa 20 méteren belül legyen, illetve hogy kívülről is legyen az

álláspont körül legalább 3 tárcsa. Viszont itt már nem volt kitétel, hogy 20 méteren belül legyen,

hiszen a Z+F szkennerrel tudunk „selection”-szkennelést is végezni, ami ezt a problémát semlegesíti.


18

13. ábra - A Z+F jeltárcsák elhelyezése a várfalakon

Helyenként szükség volt arra is, hogy a tárcsákat állványra rakjuk, különben nem látszódtak volna a

várfal mindkét oldaláról (14. ábra).

14. ábra - Állványokon elhelyezett jeltárcsák

A tárcsák elhelyezésekor az alaprajzra felrajzoltuk az álláspontok tervezett helyét. Ezután elkezdtük a

felmérést. A külső és belső területen egyszerre folyt a szkennelés, ügyelve arra, hogy egymást ne

zavarjuk. Ezalatt azt értem, hogy odafigyeltünk arra, hogy lehetőség szerint egyszerre ne ugyanazokra

a tárcsákra legyen szükségünk, mert a tárcsákra egyszerre csak az egyik szkennerrel lehet mérni,

hiszen a biztos azonosítás miatt célszerű, ha a tárcsa a szkenner felé van fordítva.


19

A végleges álláspontokat és az álláspontokból látszódó tárcsákat a 15. ábra mutatja be. Sárga

háromszögekkel vannak az álláspontok jelölve, 1-10 a külső álláspontokat jelöli, F1SZ.ptx – F10SZ.ptx

pedig a belső álláspontokat. A számok jelölik a jeltárcsákat, az ALU jelzés arra utal, hogy a tárcsa

alumínium állványon volt, a PIR pedig a piros prizmatartó állványon lévő jeltárcsát jelöli (14. ábra).

15. ábra – Álláspontok és jeltárcsák

Mindkét műszer rendelkezik beépített kamerával, minden álláspontnál készültek a pontfelhőkön

kívül fényképek is, amik alapján a feldolgozás során a pontfelhőket meg lehetett színezni.

A szkennelés ellenőrzéséhez és a felmérés EOV rendszerben való elhelyezéséhez néhány jeltárcsát

mérőállomással is bemértünk. Ehhez a korábbi, 2008-as geodéziai felmérés alappontjait és tájékozó

irányait vettük alapul [2].

A lézerszkenneres felmérés során számos nehézségbe ütköztünk. Az igen dús és nem ritkán fél méter

magas gaztól nem látszódott a várfal és a talaj találkozása, így a mérés előtt a terület nagy részét meg

kellett tisztítanunk. A várfalakon belül található fák is zavaró tényezők, amelyeket a feldolgozás során

kell eltávolítani. Ezenkívül a várba igen nehéz és meredek terepen lehet csak feljutni, ahol

személygépkocsi már nem tud közlekedni, így a nehéz mérőfelszerelést gyalog kellett felcipelni a

hegy tetejére, ahová egyébként mindenféle csomag nélkül is fárasztó felmenni.

Nem könnyítette meg a munkavégzést az időjárás sem. Az első napi kánikula, majd a második nap

változékony, esős időjárása, amikor háromszor kellett nekivágnunk a hegynek, hogy befejezhessük a

mérést, mind hátráltatták a munkánkat.


20

4. Feldolgozás

A felmérés során 10 belső (Faro) és 10 külső (Z+F) álláspontot szkenneltünk be.

A feldolgozás kezdetén a fő szempont az volt, hogy a két különböző szkennerből származó

pontfelhőket egyetlen programban lehessen összeilleszteni, és azokat egyszerre kiegyenlíteni.

Erre a célra a Leica Cyclone 8.0 nevű szoftvert választottam [9]. Ez egyik szkennernek sem a saját

programja, de ha importáljuk a különböző állományokat, akkor jól használható, és többféle illesztési

algoritmussal is rendelkezik.

Mielőtt azonban ezt megtennénk, el kell néhány lépést végeznünk a szkennerek saját szoftvereiben

is.

4.1. A Faro állományok színezése

A Faro szkenner által felmért állományok sproj kiterjesztéssel rendelkeznek, amelyeket

alapértelmezés szerint csak a szkenner saját szoftverével, a Faro Scene-nel tudjuk beolvasni. Az

álláspontok külön mappában vannak, ha egy álláspontot meg akarunk nyitni a szoftverben, akkor az

egész mappát be kell húzni a program kezelőfelületére („drag and drop”). Ezután a programban az

álláspontra jobb egérgombbal kattintva megjelenik többek között a Loaded opció, amellyel betöltjük

az állományt. Ezután kiválasztjuk a számunkra megfelelő megjelenítési módot (pl. Quick View).

A felmérés során beállítottuk, hogy a szkenner beépített kamerája készítsen fotókat, amelyek alapján

a pontfelhő megszínezhető. Ez a Faro Scene-ben nagyon egyszerű művelet. Kiválasztjuk jobb klikk

után az Operations – Color/Pictures – Apply Pictures útvonalon elérhető parancsot, amely

automatikusan a beépített kamera képei alapján megszínezi a pontfelhőt (16. ábra).

16. ábra - A Faro állományok színezése

Ezt a műveletet elvégeztük minden álláspontnál és elmentettük a színezett állományokat [7].


21

4.2. A Z+F állományok színezése

A Z+F szkenner zfprj formátumban tárolja a szkennelt állományokat, amelyek így közvetlenül csak a

szkenner saját szoftverével, a Z+F Laser Control-lal nyithatók meg.

Itt lehetőségünk van behívni az összes álláspontot, és egy kattintással az összeset egyszerre

megszínezni a Color – Generate color scan(s) parancs kiválasztásával (17. ábra) [6].

17. ábra - A Z+F állományok színezése

4.3. Importálás a Cyclone-ba

Importálás előtt létre kell hozni egy új adatbázist, amelybe importáljuk a pontfelhőket. Az adatbázis

imp kiterjesztéssel rendelkezik és minden további változtatást már ebben a fájlban tárol a program,

nem változtatja meg az eredeti állományokat. Az adatbázis létrehozása után az Import paranccsal

importáljuk az állományokat, ahol még lehetőségünk nyílik beállítani, hogy hogyan kezelje a

normálisokat, a színeket és hogy a teljes adatmennyiség mekkora hányadát olvassa be [9].

A Z+F pontfelhőket a Cyclone tudja közvetlenül importálni, a Faro állományok közvetlen

importálásához viszont már olyan licensz kellett volna, amivel nem rendelkeztünk. Így egy

kerülőúthoz kellett folyamodnunk, a megszínezett Faro pontfelhőket álláspontonként exportáltam

ptx formátumba, majd ezt a formátumot importáltam a Cyclone-ba.

4.4. Különböző forrásokból származó pontfelhők kezelése egy programban

Az importálás után ütköztem az első problémába, ugyanis a különböző gyártók által létrehozott

állományok nem mindig kompatibilisek egymással. Jelen esetben a Faro színes pontfelhői esetén a

színinformációkat sikerült helyesen átvinni a Cyclone-ba, viszont az intenzitásértékeket már hibásan

kezelte. Ez azért jelent problémát, mert a Cyclone jeltárcsafelismerő algoritmusa az intenzitásértékek

alapján ismeri fel a tárcsa középpontját. A rossz intenzitásértékek miatt viszont nem lehetett

felismertetni a tárcsákat.

Ezután megnéztem, hogy működik mindez színezetlen pontfelhők esetén. Itt már jól kezelte az

intenzitásokat és felismerhetők voltak a jeltárcsák, viszont már nem volt lehetőség a pontfelhők

utólagos színezésére. Ez még önmagában nem lett volna olyan nagy gond, viszont előállt az a helyzet,

hogy az összeillesztett pontfelhő szürkeárnyalatos volt, de annak csak egy nagyon szűk

tartományában mozgott, így a pontfelhő egyáltalán nem volt látványos, sőt alig lehetett belőle

kivenni lényeges tematikus információt.


22

Ekkor jutott eszembe egy olyan megoldás, amelyben a Faro állományokat a szkenner saját

szoftverében illeszteném össze és színezném meg, majd az összeillesztett állomány pontfelhőjét

hívnám be a Cyclone-ba, ahol már az összeregisztrált külső álláspontokhoz közös pontok alapján

illeszteném. Itt az volt a probléma, hogy a Faro Scene nem minden esetben tudta felismerni a

tárcsákat, vagy felismert valamit, de rosszul. Így viszont szintén nem lehetett összeilleszteni, tehát ez

a változat sem állta meg a helyét.

Visszatértünk oda, hogy meg kellene próbálni egy másik algoritmussal minél pontosabban

összeilleszteni a színezett Faro állományokat. Ekkor próbáltam ki a Cyclone cloud-to-cloud

regisztrációját, amelyben egyik pontfelhőt a másikhoz manuálisan bejelölt minimum 3 közös pont

alapján illeszti. Az algoritmus lényege, hogy lehetőleg nagy átfedések legyenek az álláspontok

pontfelhői között, akkor működik jól [9].

A külső álláspontoknál (Z+F) automatikusan felismerte a program a tárcsákat, és ezek alapján gond

nélkül össze lehetett illeszteni a pontfelhőket.

A tárcsák alapján összeregisztrált külső állományt és belső álláspontokat (Faro) végül cloud-to-cloud

regisztrációval illesztettem össze. Korábbi vizsgálatok igazolták, hogy ez a módszer kevésbé pontos,

mintha tárcsák alapján illesztettem volna, de így utólag sajnos nem volt más megoldás (18. ábra).

18. ábra - Regisztráció

A regisztráció után megtekinthetővé vált a felmérés koordináta-rendszerében lévő összeillesztett

pontfelhő (19. ábra).

19. ábra - Az összeillesztett pontfelhő


23

Részletszkennelés alkalmazhatósága a Faro szkenner esetén

A felmérés feldolgozása során számos olyan eset adódott, amikor kiderült, hogy mennyivel jobb lett

volna, ha több tervezés, tesztelés és tapasztalatszerzés előzi meg a konkrét munkálatokat. Mint már

említettem, nem vizsgáltuk meg előre, melyik szkennernél melyik lenne az optimális felbontás, és ez

esetben mi az a távolság, amelyen túl már nem ismertethetők fel a tárcsák. Emiatt olyan hibával

találkoztunk, hogy a Faro szkenner állományait nem is tudtuk tárcsák alapján összeilleszteni. A Z+F

szkennernél valamivel egyszerűbb dolgunk volt a „selection”-szkennelési lehetőségnek

köszönhetően. Ezenkívül abba az állításba is belenyugodtunk, hogy a Faro szkennerrel ilyenre nincs

lehetőségünk, a következőkben ezt kívánom megcáfolni.

Az ugyan igaz, hogy olyan értelemben vett „selection”-szkennelési lehetőségünk nincs, mint a Z+F

szkenner esetében, de találtam egy olyan módszert, amivel ez mégiscsak lehetséges.

Elegendő egy olyan felbontású szkennelést készíteni egy álláspontból, amit a felmérés tervezett

részletessége megkövetel. Ha színes szkennelést akarunk, akkor állítsuk be, hogy fényképezzen is.

Ezután ezt a szkennelést előnézetként használva a szkenneren lehetőségünk van lehatárolni egy

kisebb területet, ahol tárcsáink vannak. Ha több irányban szétszórva vannak a tárcsák, ezt többször is

megismételhetjük. Egy dologra kell figyelni, a lehatárolt területek szkennelésénél már kapcsoljuk ki a

fotózás funkciót vagy egyszerűen a feldolgozás során ezeket a kis részleteket ne színezzük meg, mert

a szürkeárnyalatos szkennelésre lesz szükségünk. Minden álláspontnál ezek után ugyanígy járunk el.

Itt azonban meg kell említenem azt is, hogy a lehatároláskor nem tudunk belenagyítani az előnézeti

képbe, ezért gyakran a tárcsák sem látszódnak. Ez jelentősen megnehezíti a kijelölést és emiatt

bővebb tartományokat kell kijelölnünk. Ez a probléma már korábban is felmerült, hiszen előfordulhat,

hogy a szkennelt terület olyannyira nem jellegzetes, hogy az előnézeti képen csak nagyon

körülményesen, vagy egyáltalán nem találjuk meg azt a tartományt, ahol a jeltárcsa van [4].

Mindezek ellenére általában alkalmazható ez a módszer, csak legfeljebb kicsit nagyobb

tartományokat kell kijelölnünk. De ha belegondolunk, ez még mindig kevesebb idő, mintha egy teljes

szkennelést maximális felbontásban elvégeznénk.

A feldolgozáskor betöltjük az állományokat a Scene-be, a főszkenneléseket megszínezzük, a szelektált

részeket nem, majd egyesével exportáljuk az állományokat ptx formátumba. Célszerű az exportált

állományokat átnevezni úgy, hogy egyértelmű legyen, melyikek a főszkennelések illetve melyikek a

hozzájuk tartozó részletszkennelések. Tehát például:

- 1. főszkennelés: 01.ptx

- 1. főszkenneléshez tartozó részletszkennelések: 01_a.ptx, 01_b.ptx

- 2. főszkennelés: 02.ptx

Ezután létrehozunk egy adatbázist a Cyclone-ban, amibe importáljuk az összes szkennelést.

Majd az részletszkennelés Scans nevű mappájából a 01-a.ptx fájlt átmásoljuk a főszkennelés Scans

mappájába, majd töröljük az eredetileg behívott részletszkennelést.


24

Ezután így néz ki a mappastruktúra:

Ennek hatására a program már egyben kezeli a két szkennelést, mintha csak direkt „selection”-

szkennelést végeztünk volna.

A főszkennelés ekkor színes és mint már említettem, nem jók az intenzitásértékei. Viszont az

részletszkennelés szürkeárnyalatos, megfelelők az intenzitásértékei, és kellően nagy a felbontása

ahhoz, hogy a tárcsákat felismerje a program és ezek alapján összeregisztrálhatók legyenek az

álláspontok.

Regisztráció után a részletszkennelések törölhetők, és marad a színes, összeillesztett pontfelhő.

Tehát, amennyiben terepi körülmények között sikerül megfelelően lehatárolni a részletszkennelések

területét, a problémát sikerült megoldani. Ennek gátja lehet, hogy a szkennelési terület

lehatárolására csak a szkenner érintőképernyőjén van lehetőség, ahol a pontfelhő csak korlátozott

felbontásban látszik. Így, ha nincsenek nagy intenzitásbeli különbségek, nem lehet kellően leszűkíteni

a részletszkennelés határait.

Ezek után jogosan merülhet fel a kérdés, hogy mi van a hagyományos esetben, azaz ha csak egy Faro

szkennerrel mérünk, Faro gömböket használunk az álláspontok összekapcsolásához és csak a

szkenner saját szoftvere áll rendelkezésre a feldolgozáshoz.

Sajnos a Scene-ben nem tudunk fő- és részletszkennelésekből álló mappastruktúrát létrehozni, így

ennek az egy programnak a használatával nem megoldható ez a probléma.

Megvizsgáltam, hogy segíthetem a feladat megoldását pontfelhő feldolgozó szoftverek (Geomagic és

Rapidform) segítségével. Az volt az elképzelés, hogy az exportált fő- és részletszkenneléseket

valamelyik programban összeolvasztom egy fájllá, majd ezt visszatöltöm a Scene-be, és ezekkel

folytatom a feldolgozást. Sajnos azonban az összeolvasztás után már nem exportálható a pontfelhő

olyan formátumba, amely visszatölthető lenne a Scene-be, tehát ez a módszer sem jelent megoldást.

Így hát kijelenthetjük, hogy a megvizsgált szoftverek alapján a Faro szkenner „selection”-szkennelésre

alkalmas módszerrel való használata csak a Leica Cyclone szoftverrel lehetséges. És még ez a program


25

sem ad teljes szabadságot. Kipróbáltam azt az eshetőséget is, hogy a Cyclone-ban egyesítettem a fő-

és részletszkenneléseket, majd ezt próbáltam visszatölteni a Scene-be, de ez sem volt lehetséges.

Marad tehát az a lehetőség, hogy a Cyclone-ban ismertetjük fel a gömböket, természetesen itt is

beállítható például a gömb átmérője, és ezek alapján regisztráljuk össze az álláspontokat.

4.5. Az összeillesztett pontfelhő transzformálása EOV-be

Mint említettem, a felmérés során majdnem az összes tárcsa középpontját bemértük mérőállomással

is, hogy ezek alapján az összeregisztrált állományt transzformálhassuk a korábbi felmérés koordináta-

rendszerébe, ami az Egységes Országos Vetület koordináta-rendszere.

A transzformáláshoz az alábbi tárcsákat használtuk fel (1. táblázat).

ID Y X Z

110 769449,296 356956,480 458,365

980 769449,085 356976,664 458,572

220 769457,482 356960,895 456,627

200 769419,655 356933,525 460,545

155 769430,106 356940,276 456,905

130 769440,209 356948,513 455,286

1. táblázat - A bemért tárcsák koordinátái (EOV)

A koordinátákat txt formátumban importáltam a Cyclone-ba, és ezek alapján regisztráltam a

pontfelhőt. Ennek sikerességét az alábbi ábra (20. ábra) bizonyítja, miszerint az összeillesztés

legnagyobb hibája 4 mm, amit elfogadhatónak ítéltünk meg.

20. ábra - Transzformálás EOV-be


26

4.6. A pontfelhő tisztítása

Ahogy a 19. ábra is mutatja, a pontfelhő a regisztráció után még nagyon sok felesleges pontot

tartalmaz, amiket utólag ki kell szűrni.

Említettem, hogy a terület nagyon gazos volt, főleg a falak külső részén. Ennek egy részét kiirtottuk a

helyszínen, viszont maradtak területek, ahol erre már nem maradt időnk, energiánk, vagy a gazak a

falból nőttek ki, amikhez hozzá sem tudtunk volna férni. Sajnálatos módon ezek a falból kinövő gazok

gyakran nagyobb összefüggő falfelületeket takartak ki (21. ábra).

21. ábra - A falrészleteket kitakaró növényzet

Ezenkívül a területen több fa is található, amelyek kitakarják a lényeges részeket és a várfalakat (22.

ábra).

22. ábra - Felesleges fák a pontfelhőn


27

Ki kellett takarítani a pontfelhőből az általunk elhelyezett tárgyak pontjait is (23. ábra), ide tartoznak

többek között a jeltárcsák, táskák, dobozok, több szkennelésben is önkéntelenül benne szerepelt a

másik szkenner vagy éppen a mérőállomás. Ezek mind oda nem tartozó részletek.

23. ábra - Az általunk otthagyott tárgyak a pontfelhőn

A következő kategória az emberek. Mivel egyszerre három műszerrel dolgoztunk, elkerülhetetlen

volt, hogy néhány szkennelésben rólunk is verődjenek vissza lézersugarak. Illetve a várat időnként

turisták is látogatták, őket sem volt módunk ebben korlátozni. Így tehát utólag ezeket a pontokat is ki

kellett törölni (24. ábra).

24. ábra - Emberi alakok pontjai a pontfelhőn


28

Végül mivel első nap szinte végig napsütésben szkenneltünk, így néhány álláspontnál a szkenner

beépített kamerája fényképezéskor pont szembenézett a nappal, ez pedig azon a részen a színek erős

torzulását eredményezte (25. ábra). Ezeket a pontokat is, ha ezen kívül másik álláspontból is

látszódtak, kénytelen voltam törölni, hiszen teljesen elrontották volna a megszínezett pontfelhő

kinézetét.

25. ábra - Eltorzult színek miatt törlendő pontok

A felesleges pontok letisztítását a Cyclone-ban manuálisan végeztem. Aprólékosan átnéztem a

pontfelhőt és kézzel kijelöltem a törlendő részeket. Itt kell megjegyeznem, hogy dolgozhattam volna

különböző programok által felkínált automatikus szűrő algoritmusokkal is, de úgy sem kerülhettem

volna el azt, hogy utána manuálisan felülvizsgáljam a műveletet és esetleg még töröljek pontokat.

Ezenkívül egy automatikus módszer esetén mindig fennáll annak a veszélye, hogy értékes pontokat

veszítünk. Így végül ennél a lépésnél a teljesen manuális tisztítás mellett döntöttem. Ez terepi

adottságoktól függően egy igen hosszadalmas folyamat, esetünkben körülbelül 3 napig tartott.


29

Összehasonlításképp álljon itt a tisztítatlan (26. ábra) és a tisztított pontfelhő (27. ábra) felülnézeti

képe.

26. ábra - Tisztítatlan pontfelhő

27. ábra - Tisztított pontfelhő


30

4.7. Számítógépes modell létrehozása

Nagyon fontos azt látni, hogyha valamit lézerszkennerrel mérünk fel, akkor a keletkezett pontfelhő

ugyan igen komoly eredmény, hiszen sokmilliós nagyságrendű felmért és színezett pont

megjelenítéséről van szó, de a mérnöki felhasználásra alkalmatlan, még akkor is, ha azt szépen

letisztítjuk. Innen még tovább kell lépni egy következő lépcsőfokra, amely mindig a megrendelő

igényeitől függ.

4.7.1. Pontfelhő felhasználási lehetőségei

4.7.1.1. Pontfelhő berepülő videó

Egy igen látványos megoldás, mikor a megfelelő program segítségével pontfelhő berepülő videót

készítünk. Ennek során beállíthatjuk a például a repülési útvonalat és a sebességet, és a program

virtuálisan végigvisz minket a pontfelhőn, bemutatva azt a legérdekesebb, leglátványosabb

szemszögekből.

Nagy előnye, hogy mivel egy bárki által lejátszható videófájl készül belőle, ezért nagyon jól

alkalmazható bemutatók során és jól eladhatóvá teszi a munkát. Nincs különleges gép- és

programigény és nem kell hozzá olyan személy, aki kezelni tudja a programot. Előre kiszámítható a

hatás, nincsenek véletlen hibák, tehetünk alá megfelelő aláfestő zenét, beszélhetünk róla, mit látunk

éppen, anélkül, hogy a gép mellett kellene ülni.

Hátránya, hogy csak az előre beállított útvonalon és kameraállásokból nézhetjük végig a pontfelhőt,

nincs lehetőségünk arra, hogy bizonyos részletet jobban megnézzünk, más szemszögből,

részletesebben. Ezenkívül ezt csak nézni lehet, nem lehet méreteket venni róla, és egyáltalán semmi

interaktivitást nem tesz lehetővé [12].

4.7.1.2. Építészeti metszetek készítése a pontfelhő segítségével

Ez a megoldás az egyik leghasznosabb felhasználási lehetősége a lézerszkenneres felmérésnek. A

megfelelő szoftverben lehetőségünk nyílik arra, hogy a pontfelhőt általunk beállított síkokkal

elmetsszük. Ekkor megfelelő pontsűrűség esetén a pontfelhő pontjai egészen jól kirajzolják például a

falak alakját.

Előfordulhat, hogy úgy választjuk ki a metszősíkot, hogy jellemző pontok nincsenek rajta. Erre olyan

megoldást célszerű alkalmazni, hogy úgy vesszük fel a metszősíkot, hogy annak beállítunk egy

bizonyos vastagsági tartományt, ahonnan a pontokat összegyűjti.

Ezeket a pontokat egyenként is összeköthetjük, vagy célszerűbb módon pontok sokaságára

egyeneseket illesztve hozhatunk létre alaprajzokat, metszeteket. Ezeket a vonalakat aztán

továbbvihetjük különböző rajzolóprogramokba (pl. AutoCAD, ArchiCAD). Innentől már a rajzi elemek

rétegekbe sorolhatók, a rajz feliratozható, elkészíthetők a különböző méretarányoknak megfelelő

részletességű rajzok.

Előnye, hogy ez a módszer a sokmillió pontból álló pontfelhőből már olyan állományt hoz létre, amely

sokkal kevesebb pontból áll, bármely CAD szoftverben kezelhető, szerkeszthető, és kézzelfogható

eredményt ad, amit más szakterületek is fel tudnak használni.


31

Hátránya, hogy a metszetek sokkal kevesebb pontból, egyszerűbb és olcsóbb technológiával is

előállíthatóak, mindent összevetve valószínűleg hasonló idő alatt, ha ismerjük előre, hogy mely

metszeteket kell elkészítenünk és így célzottan azoknak jellemző pontjait mérjük fel hagyományos

technológiával.

A lézerszkenneres felméréssel viszont, ha első ránézésre feleslegesen sok adatnak is tűnik, egyszerre

mindent felmérünk (a szkenner látómezejében), és abból az állományból utólag tetszőlegesen

válogathatunk le a feladat szempontjából releváns részeket. Ennek különösen akkor van jelentősége,

ha a terepen nem eldönthető, nem állapítható meg egyértelműen, hogy mely jellemző pontok

felmérése szükséges a kívánt részletességű és pontosságú modell vagy egyéb termék előállításához.

Összességében elmondható, hogy az adott feladattól függ, melyik technológiát érdemesebb

alkalmazni. Ha csak néhány jellemző töréspontra van szükségünk, akkor célszerű a hagyományos

technológiákat választani. Viszont ha részletesebb metszetekre van szükségünk vagy nagyon komplex

geometriájú objektum felmérése a cél, akkor megfontolandó a lézerszkenner használata.

4.7.1.3. Egyszerűsített modellek készítése

Ez a megoldás jól működhet olyan pontfelhők esetén, amelyek viszonylag szabályosabb

építményekről készültek. Lényege az, hogy a valós felületet valami egyszerűbb elemmel

helyettesítjük. Például kijelölöm az egy falfelületre eső pontokat és ezekre egy legjobban illeszkedő

síkot illesztek. De lehet további felületelemeket is illeszteni, például hengert, gömböt vagy kúpot is.

El kell dönteni a modellezés kezdetén, hogy milyen részletességi szint (LoD – Level of Detail) szerint

szeretnénk dolgozni. Ha ilyen jellegű modellezésbe kezdünk, érdemes megismerkedni az OGC (Open

Geospatial Consortium) által kifejlesztett CityGML (City Geography Markup Language) nemzetközi

szabvánnyal [11], amely 5 modellezési szintet különböztet meg (28. ábra):

- LoD 0 – regionális, digitális terepmodell

- LoD 1 – város, régió

- LoD 2 – városi kerület, projektek

- LoD 3 – építészeti modell (külső), terepelemek

- LoD 4 – építészeti modell (belső)


32

28. ábra - A CityGML 5 modellezési szintje [17]

Ennek a modellezési metódusnak az előnye, hogy más programok által is kezelhető, viszonylag kis

pontszámú modellt kapunk, amely jól használható volt például arra, hogy a Google Earth

adatbázisába feltöltsük épületek illetve egész városrészek egyszerűsített modelljét különböző

részletességi szintek szerint. Sajnos ma már a Google erősen korlátozza, hogy egyéni felhasználók

épületmodelleket tölthessenek fel.

Hátránya, hogy még itt sincs maximálisan kihasználva az hatalmas felmért pontmennyiség, hiszen

még mindig jelentősen egyszerűsítünk, generalizálunk.

Esetünkben a felmért objektum túlságosan szabálytalan jellege miatt nem tartottam megfelelő

megoldásnak ezt a fajta a modellezési módszert.

4.7.1.4. Poligonháló létrehozása

A legrészletesebb modellt úgy kapjuk, ha a pontfelhő pontjaira illesztett háromszögek segítségével

egy poligonhálót (TIN-modell, háromszögháló) hozunk létre. Ez nagyon jól leköveti a legapróbb

részleteket és zárt felületeket illetve zárt testeket alkot. A poligonháló utólag módosítható,

egyenletesebbé tehető, beállítható, hogy a közel sík felületeken kevesebb háromszöget használjon, a

nagyobb részletességet követelő részeken pedig több háromszöggel dolgozzon. A poligonháló

méretét és részletességét újramintavételezéssel (decimálással) csökkenthetjük, melynek során

beállítható a szoftverben egy olyan automatizmus, amely az objektum főbb morfológiai jellemzőit

megtartva olyan helyeken ritkítja a poligonhálót, ahol az nem zavaró [10]. Mivel azonban a

szoftverekbe beépített algoritmusokról igen keveset tudunk, ennek következtében az

újramintavételezés mindig különös figyelem és ellenőrzés mellett végezhető.

Előnye, hogy szabálytalan felületek nagy részletességgel modellezhetők, látványos modell keletkezik,

amely szépen textúrázható.


33

Hátránya, hogy nagyon jól le kell tisztítani a pontfelhőt, hogy jó eredményt kapjunk. Az utólagos

javítások, a lyukak foltozása sajnos néha elég szembetűnő, mert azokon a helyeken a textúrát is

összemossa. Ezenkívül, ha nagyon részletes modellt akarunk, az nehezen kezelhető, hatalmas

adatmennyiség, nagy gép- és programigénnyel. Az adatcsere ezáltal nehézkes.

4.7.2. Az általam választott módszer: poligonháló

Szádvár esetében a megfelelő modellezési módszernek a poligonhálót találtuk, hiszen a falak

szabálytalan alakú kövekből épülnek fel, ezáltal a falak felülete közel sem sík, de ha ettől

eltekintenénk, még ott van az a probléma is, hogy nem is teljesen egyenes a vonalvezetésük.

Ezenkívül a terep sem mondható szabályosnak. Ezekből adódik, hogy nem modellezhető jól úgy, hogy

síkokkal, hengerekkel helyettesítjük a falakat és a terepet. A poligonháló viszont pont az ilyen

helyzetekben a legalkalmasabb.

4.7.2.1. Pontfelhő exportálása (Cyclone)

Ahhoz, hogy a pontfelhőből poligonhálót hozhassunk létre, azt egy erre alkalmas programban kell

megnyitni. Erre a feladatra a Geomagic Design X 2014 (korábbi Rapidform XOR) és a Geomagic Studio

2014 programokat választottam, mert ezekhez volt hozzáférésem és ezeket ismertem. (A

továbbiakban az előbbi programokat az egyszerűség kedvéért Rapidform illetve Geomagic néven

fogom említeni.)

A pontfelhőt álláspontonként exportáltam a Cyclone-ból, ptg formátumban. Viszont az exportált

álláspontok pontfelhőjét megnyitva a fent említett programokban azt észleltem, hogy nem tudják

megfelelően kezelni ezeket. Rájöttünk, hogy a probléma abból adódik, hogy a pontfelhők EOV

rendszerben vannak, ami túl nagy koordinátákat eredményez. Ilyen nagy koordinátákat pedig ezek az

alapvetően gépészeti alkalmazásokra fejlesztett programok nem kezelnek jól.

Ezt a problémát úgy sikerült kiküszöbölni, hogy a pontfelhőt eltoltam egy konstans értékkel. Ezt

legegyszerűbb módon úgy vittem véghez, hogy annak a 6 tárcsának, amikkel EOV rendszerbe

transzformáltam a pontfelhőt, az Y és X koordinátáiból levágtam az első 3 számjegyet, majd ezekkel a

koordinátákkal újratranszformáltam a pontfelhőt. Ebben az új rendszerben már olyan koordinátákkal

rendelkezett a pontfelhő, amelyet már a feldolgozó programok is képesek voltak kezelni. Később a

poligonháló létrehozása után természetesen a modellt visszatranszformáltam EOV rendszerbe, de

majd erről később, a megfelelő helyen említést teszek.

4.7.2.2. Pontfelhők kombinálása (Rapidform)

Az exportált álláspontok pontfelhőit egyenként hívtam be a Rapidform-ba, olyan módon, hogy

importáltam az első álláspontot, aztán erre behívtam a második álláspontot és ezeket kombináltam.

A kombinálás azt jelenti, hogy összeolvasztja a pontfelhőket és kiszűri belőle a redundáns részeket,

azaz az olyan pontok közül, amelyek mindkét pontfelhőben szerepelnek, csak az egyiket tartja meg.

Ezzel csökkenthető a pontfelhő mérete és az adatredundancia [10].

Ezután a két pontfelhőből egy pontfelhő keletkezett. Majd ugyanide behívtam a következő

álláspontot és a már kombinált álláspontokat kombináltam az új állásponttal, míg végül az összes

álláspontot behívtam és előállt az egységes pontfelhő.


34

4.7.2.3. A kombinált pontfelhő darabolása kisebb egységekre (Rapidform)

Ezután a kombinált pontfelhőt manuálisan kisebb részekre daraboltam fel és ezekkel dolgoztam a

továbbiakban. Különválasztottam a falakat és a terepet, majd ezeket is még kisebb egységekre

daraboltam. Ilyen módon könnyebben és gyorsabban kezelhetővé váltak az egyes részek. Később

ezeket a külön-külön feldolgozott darabokat összefűztem.

4.7.2.4. A pontfelhő darabok decimálása és exportálása (Rapidform)

Mivel a teljes pontfelhő még tisztított állapotában is körülbelül 560 millió pontot tartalmazott, így ha

ezt kisebb egységekre is daraboljuk, akkor is kezelhetetlenül sok ponttal kell dolgoznunk. Célszerű

ezért, ha a feladat megengedi, a pontfelhő darabok méretét csökkenteni, decimálni. Erre a Rapidform

Point cloud – Construct mesh parancsát használtam, ahol az alábbi beállítási lehetőségek (29. ábra)

konzekvens használatával elértem, hogy ugyanolyan módon decimálja az összes pontfelhő darabot,

és mindenhol hasonló pontsűrűség keletkezzen [10].

29. ábra - Az alkalmazott decimálási beállítások

Ennek a folyamatnak a végén egy poligonhálót kapunk eredményül. Ezt exportáltam asc formátumba,

majd megnyitottam a Geomagic-ben, ahol a további feldolgozást kívántam elvégezni.

4.7.2.4. Poligonháló létrehozása (Geomagic)

Érdekes módon az előbb exportált állományt, ami elvileg poligonháló volt, a Geomagic már ismét

pontfelhőként kezelte. Ezért a Geomagic-ben ismét létrehoztam egy poligonhálót, amelyet innentől

már obj formátumban mentettem el.

Itt teljesen logikusan felmerülhet a kérdés, hogy ez a műveletsorozat vajon tényleg nem hajtható

végre egyszerűbb módon?

Utólag rájöttem egy módszerre, amely az előbb ismertetettnél sokkal automatikusabb megoldást

kínál, ezt később ismertetem.


35

4.7.2.5. Poligonháló javítása és optimalizálása (Geomagic)

A poligonháló létrehozásával viszont még nincs kész a modell. Nagyon sok hiba marad benne, amit

még ki kell javítani. Hiába végeztünk nagyon alapos munkát a pontfelhő tisztításakor, a létrehozott

poligonháló általában nem tökéletes.

Első lépésben célszerű a Mesh Doctor parancsot lefuttatni, amely megkeresi a modell hibáit és

megpróbálja kijavítani (30. ábra). Ez gyakran csak több lépésben sikerül.

30. ábra - A Mesh Doctor által talált hibák

A Mesh Doctor kijavítja többek között a kis lyukakat, a kiugró csúcsokat, a külön álló éldarabokat, a

kis alagutakat és az önmagunkba metsződő éleket.

Általában az is tapasztalható, hogy a Mesh Doctor lefuttatása után még lyukas marad a modellünk.

Ilyenkor célszerű a Fill All parancsot kiválasztani, amely kitölti az összes lyukat. Itt viszont ügyelni kell

arra, hogy az automatikus kitöltésből kihagyjuk a legnagyobb méretű lyukakat, mert azok jobb

manuálisan befoltozni. Erre a következő lehetőségeket kínálja fel a program.

Kitölthető a teljes lyuk, csak egy része vagy pedig húzhatunk egy áthidaló részt, ezzel is csökkentve a

kitöltendő lyuk méretét. A kitöltések alakjánál is választhatunk három lehetőség közül, a kitöltés vagy

teljes mértékben igazodik a környezetének a görbületéhez, vagy teljesen lapos, vagy pedig a kettő

között van.

Végül ismét le kell futtatni a Mesh Doctor-t és az már egy nem lyukas, folytonos, simított

poligonhálót eredményez [10].

4.7.2.5.1. A várfalak javítása (Geomagic)

A falakból kinövő dús gaz sajnos gyakran nagyobb összefüggő falfelületeket is kitakart. Ezáltal a

falban ott lyuk keletkezett, hiszen a fal síkjában nem képződött le elegendő pont. Ezeket a kitakart

részeket általában kivágtam, és befoltoztam a lyukakat. A textúra ezeken a helyeken általában

elmosott zöldes-szürkés, jellegtelen geometriával (31. ábra). Ez ugyan nem a legelegánsabb

megoldás, de legalább nincsenek lyukak a modellben és az is egyértelműen látszik, hol voltak

nagyobb gazkitakarások.


36

31. ábra - Falak foltozása

A másik hasonló jelenség az volt, hogy a legtöbb magasabb falrészletnél nincsenek szkennelt

pontjaink a falak tetejéről. A lyukas modell elkerülése miatt ezeken a helyeken is hasonló foltozásra

kényszerültem. Az eredmény ismét egy viszonylag csúnya látvány, ahol egyből feltűnik, hogy foltozva

van. Ennek persze meg van az az előnye is, hogy egyből szembeötlik az is, hogy az nem mért terület,

így arra a továbbiakban nem is szabad úgy tekinteni (32. ábra).

32. ábra - Falak tetejének foltozása

A harmadik kényes és javítandó terület a falak és a terep találkozása. Ez az a rész, ami a helyszíni

növényzettakarítás ellenére nem mindig volt látható. Ezért amikor a falakat és terepet


37

összeillesztettük, akkor ezeken a helyeken általában foltozni kellett. Ezek a részek is könnyen

észrevehetők a poligonháló szabályosságáról és a textúra összemosódott színéről. Ez szintén egy

jelentős egyszerűsítés a modellben.

4.7.2.5.2. A terep javítása (Geomagic)

A tereprészletekből generált poligonháló az esetek nagy részénél, főleg a külső álláspontoknál egy

rendkívül lyukas és hibás modellt eredményezett első körben (33. ábra). Ennek oka a terep

gazossága; a különböző magasságokból visszaverődő lézersugarak nem tudtak egy egyenletes

felületet leképezni.

33. ábra - Javítandó terep

Erre a következő megoldást kísérleteztem ki. Először is visszaalakítottam a poligonhálót pontfelhővé,

majd decimáltam a pontfelhőt, úgy, hogy a pontok egyenletesen, 10 cm-enként legyenek. Ezután


38

többféle zajszűrési algoritmust lefuttattam, illetve kiszűrtem azokat a részeket, amik túlságosan

kilógtak a környezetükből. Ezután ismét generáltam egy poligonhálót, ami már sokkal rendezettebb

volt az előző állapotnál, majd ezeket a lépéseket többször megismételtem. Végül javítottam a

poligonháló maradék hibáit.

A folyamat végén egy viszonylag kevés pontból álló, egyszerűsített, de rendezett terepmodellt

kaptam, ami már nagyon jó közelítése a valóságnak, mégsem növeli felesleges mértékben modellünk

méretét (34. ábra).

34. ábra - Javított terep

4.7.2.6. A poligonhálós modell darabok összeillesztése (Geomagic)

Miután létrehoztam a különböző modell darabokat, utána egyesével összeillesztettem azokat. Ehhez

a Geomagic Combine parancsát használtam [10]. Ehhez úgy kell megvágni a modell darabokat, hogy

lehetőleg ne legyen átfedés közöttük. Ha ez megtörtént, akkor a program a két darabot egyként

kezeli. Ekkor jöhet a két részlet összefoltozása; ha ügyesek vagyunk, akkor nem is nagyon vehető

észre, mely részeken lett a pontfelhő szétdarabolva, majd a modell darabok összeillesztve.

Végül előállt a felmért terület egyszerűsített, poligonhálós modellje, amely körülbelül 6 millió

háromszöget tartalmaz. Ha jobban szemügyre vesszük a modellt, ez már elég látványos, nagyon jól

visszaadja a geometriát és a textúrát, viszont tulajdonképpen akár lehetne részletesebb is, hiszen az

eredeti pontfelhő ennél nagyságrendekkel több pontból állt.

Azt is látni kell viszont, hogy míg egy ekkora modell mérete körülbelül 150 MB és nagyon jól

kezelhető, addig a teljes, kombinált pontfelhő mérete már 22 GB. Egy igen erős számítógépen (Dell

Precision T7500 munkaállomás, 96GB RAM, 2,4GHz processzorteljesítmény) is 15-20 perc csak az az

idő, amíg betöltődik a Rapidform-ba (a Geomagic valószínűleg nem is tudja megnyitni), és a kezelése

is meglehetősen nehézkes és lassú.

Belátható tehát, hogy nem mindig jó, ha feleslegesen részletes modellt akarunk létrehozni.

Modellünk mindig olyan méretű legyen, ami a célunk eléréséhez szükséges és elégséges.


39

4.7.3. Egy kedvezőbb megoldás a poligonháló létrehozására

Mint említettem, sikerült utólag egy automatikusabb megoldást találnom erre a feladatrészre.

A pontfelhő Rapidformba importálásakor kijelöljük az összes álláspontot, és már importáláskor

beállítható, hogy egyből kombinálja is az álláspontokat. Így egyszerre több ideig tart az importálás,

viszont elég egyszer elindítani, otthagyni a gépet, majd a folyamat végén elmenteni.

Ezután egyben is decimálható a pontfelhő egy kívánt méretre, ami egy számításigényes feladat.

A decimált pontfelhőt nem szükséges exportálás előtt szétdarabolni, exportálható egyben is, és mivel

már kezelhető a mérete, ezért nem is tart olyan hosszú ideig.

Egy körülbelül 6 millió pontból álló pontfelhő már megnyitható és könnyen kezelhető a Geomagic-

ben. Ezután Geomagic-ben feldaraboljuk a pontfelhőt, és innentől a már ismertetett poligonháló

generáló és javító módszereket alkalmazzuk.

Ezzel a módszerrel időt és energiát is spórolhatunk.

4.7.4. A kész modell bemutatása

A kész modell bemutatására készítettem egy berepülő videót a Geoverse nevű pontfelhő-megjelenítő

program, egy képernyőrögzítő szoftver (Apowersoft Screen Recorder Pro) és egy videószerkesztő

szoftver (Sony Vegas Pro) segítségével, amely az általam kiválasztott útvonal alapján bemutatja a

várról készült poligonhálós modellt [13] [14] [15]. A videó bármely médialejátszóval megjeleníthető,

ez megtalálható a CD mellékleten.

Az alábbi ábrákon bemutatom a modellt a legjellemzőbb nézetekből.


40

35. ábra - A modell felülnézetből

36. ábra - Vár (részlet) oldalnézet (déli oldal)

37. ábra – Vár (részlet) oldalnézet (északi oldal)


41

38. ábra – Déli oldali fal (részlet)

39. ábra - Északi oldali fal (belülről)

40. ábra – Német bástya (déli oldal)


42

41. ábra - Német bástya (belülről, felülről)

42. ábra - Német bástya (kívülről, felülről)


43

43. ábra - A vár udvara és a ciszterna

44. ábra - Lisztes bástya (szemből)

45. ábra - Lisztes bástya (belülről)


44

4.8. A korábbi felmérés modellje

A 2008-as felmérés alapján készült modellt nem használtam fel a diplomamunkámban. Megkaptam

viszont a felmért területre vonatkozó pontok koordinátáit dwg állományban, amelyben a pontok a

felmérés során alkalmazott pontkódok szerint külön rétegekbe vannak rendezve (46. ábra).

46. ábra - A pontkódok jelentése

A pontokat a rétegeknek megfelelően összekötöttem 3D vonallánccal AutoCAD-ben (47. ábra) [18].

47. ábra - Az összekötött pontok


45

Az így létrehozott modellt kicsit bizonytalannak éreztem, mert nem láttam a várat akkori állapotában,

így nem tudtam megállapítani, hogy ahogyan én összekötöttem a pontokat, az mennyire állná meg a

helyét.

Végül inkább azt a megoldást választottam, hogy a 2008-ban felmért pontokat megjelenítem

pontfelhőként és azt vizsgálom, hogy mennyire illeszkedik a lézerszkennerrel felmért modellhez.

Ez esetben két módszer közül választhattam: összehasonlítom a 2008-as pontokat a 2013-as

pontfelhővel vagy a 2013-as poligonhálós modellel. Úgy gondoltam, hogy két pontfelhőt egyszerre

megjeleníteni nem lenne elég látványos, főleg nyomtatott formátumban nem látszana a lényeg. Így a

másik megoldást választottam.

Itt azonban egy olyan problémába ütköztem, a poligonhálós modell egyelőre még az eltolt

koordinátarendszerben volt, hiszen mint korábban említettem, a pontfelhőt transzformálni kellett

egy olyan rendszerbe, amelyben nem olyan nagyságú koordináták vannak, mint az EOV-ben, mert azt

a modellező programok nem kezelték megfelelően.

A modell EOV-be visszatranszformálását a Cyclone-ban tudtam volna megoldani, amely azonban

poligonhálót nem jelenít meg, csak pontfelhőt. Így ezt a verziót elvetettem.

Helyette a 2008-as pontokat transzformáltam a 2013-as modell eltolt koordinátarendszerébe. Így

teljesült a követelmény, hogy ugyanabban a rendszerben jelenítsem meg mindkét felmérést, és még

a megjelenítést is sikerült úgy megoldani, ahogy szerettem volna.


46

4.9. A 2013-as és a 2008-as mérések összehasonlítása

A két mérés eredményét a Geomagic-ben jelenítettem meg. A 2013-as mérés poligonhálós modelljén

a jobb átláthatóság kedvéért kikapcsoltam a textúrát, majd behívtam mellé a 2008-as mérés pontjait.

Ezeknek a pontoknak a méretét pedig megnöveltem, hogy még jobban látszódjanak.

Az alábbi ábrákon bemutatom az együtt megjelenített modelleket.

48. ábra - Áttekintő nézet a két modellről

49. ábra - Déli oldali fal külső része (oldalnézet)


47

A 49. ábra azt mutatja, hogy a 2008-as mérésnél a fal tetejének pontjai magasabban vannak a

mostani modell megfelelő pontjainál. Ebből több dologra is következtethetünk: vagy a fal teteje

leomlott, vagy mérési/modellezési hibát követtünk el, esetleg egyéb módon magyarázható a

jelenség.

A 50. ábra bemutatja az adott déli oldali falrészleten elvégzett vizsgálat eredményét, amelyben a

Geomagic Qualify modulja segítségével összehasonlítottam, hogy a mostani modellt referenciaként

véve mekkorák a 2008-as modell eltérései [10].

50. ábra - Déli oldali fal (oldalnézet) - 3D-s eltérések

A zöld pontok mutatják a legkisebb mértékű eltérést, körülbelül ±3 cm közötti értékeket jelez a

program így, a kék és a sárga színek 5-10 cm eltérést mutatnak, a narancssárgával jelzett pontok

eltérése 10 és 25 cm körül vannak, a piros és a kék ennél is több, de maximum 50 cm.

Az a változat, miszerint a fal tetejéből a legfelső rész leomlott, akár hihető is lenne, ha nem tudnánk,

hogy a falat időközben megerősítették [21]. A Szádvárért Baráti Körtől szerzett értesüléseim szerint a

várfalat egy fix magasságig visszabontották, majd megerősítve visszaépítették. Elmondásuk szerint

könnyen elképzelhető, hogy az átépítés a fal magasságát ilyen mértékben befolyásolta.

A fal és a terep találkozásánál lévő nagyobb eltérések (50. ábra) azzal magyarázhatók, hogy a sűrű

növényzettől ezek a részek nem látszódtak pontosan a szkennelésen, és ezeken a részeken a

poligonháló létrehozásakor is generalizáltam a feladatot. Ez mind indokolja az ott fellelhető

pontatlanságot.


48

Ezután megvizsgáltam a Német bástya azon falrészletet, amelyet 2008-ban a mérőállomás szkennelő

funkciójával mértek fel (51. ábra).

51. ábra – Német bástya részlete – 3D-s eltérések

52. ábra - Néhány eltérés számszerűen kiíratva

Néhány pont esetén megnéztem számszerűen is az eltéréseket (52. ábra). Látszik, hogy a fal nagy

részén az eltérés maximum 1 cm körüli, az a pár pont, ami ennél nagyobb eltérést mutat, azok is csak

3-5 cm mértékűek. Ebből is látszik, hogy a két mérés igen jól illeszkedik egymásra; ezek az eltérések

sok esetben (valószínűleg) a mért pontok azonosítási nehézségeiből adódnak.

Ezek alapján megállapíthatjuk, hogy ezen a falrészleten nem történt lényeges változás az elmúlt 5

évben.


49

5. Faro szkenner tesztelése

A terepi munkavégzés során többször felmerült az igény, hogy végezzünk olyan vizsgálatokat,

amelyek alapján egyértelműen megállapítható, hogy egy adott távolságban lévő jeltárcsa esetén

milyen felbontásban kell szkennelni, illetve megfordítva a kérdést, ha adott felbontásban kívánjuk

végezni a méréseket, akkor maximum mekkora távolságban helyezhetjük el a jeltárcsát, hogy azt a

feldolgozó szoftver felismerje és ezáltal a középpontja egyértelműen azonosítható legyen.

Továbbgondolva a kérdést pedig arra jutottunk, hogy a mi felmérési módszerünk speciális esetnek

tekinthető. Nem túl gyakran fordul elő ugyanis az a helyzet, hogy Faro szkennerhez Z+F és Leica HDS

jeltárcsákat használunk. Most úgy döntöttünk, hogy ezt a vizsgálatot csak a Faro szkennerhez tartozó

illesztőgömbökre végezzük el. A későbbiekben viszont érdemes lenne egy újabb vizsgálat keretében

visszatérni erre a speciális esetre is, hiszen láthatjuk, hogy bár ritkábban fordul elő, mégis van

gyakorlati haszna.

A Fotogrammetria és Térinformatika Tanszék kétféle illesztőgömb csomaggal rendelkezik, amelyek

közül a szkennerhez eredetileg tartozó Faro Starter Kit gömböket választottuk (53. ábra).

53. ábra - Faro Starter Kit illesztőgömbök

54. ábra - Illesztőgömb háromlábú állványon


50

Ezek a gömbök fehér színűek, matt felületűek, és nagyon kedvező reflektivitásúak. Átmérőjük 139

mm. A talpuk mágneses, ami lehetővé teszi, hogy bármilyen fémfelületre elhelyezhetők legyenek. A

mágneses talphoz csatlakoztatható kis háromlábú állvány (54. ábra) segítségével pedig a földre is

letehetők [7].

5.1. Az 1. vizsgálat - 20 méternél távolabbi gömbök felismerése

Első körben azt vizsgáltuk meg, mennyire alkalmas a Faro szkenner a 20 méternél távolabbi

illesztőgömbök felismerésére. A gömböket a szkennertől 20, 30, 40 és 50 méterre helyeztük el, 50

méternél az egyik gömböt egy állványra raktuk fel (55. ábra).

55. ábra - Mérési elrendezés

A szkennelés minőségét alapvetően 2 paraméter beállításával határozzuk meg, ezek a felbontás és a

minőség.

Különböző felbontási alapbeállításokat tud a szkenner, amelyekre innentől a felbontási kategória

elnevezést használom. A felbontási kategóriák mutatják, hogy a műszer egy bizonyos távolságon

belül milyen pontsűrűség felvételére képes az adott beállítás mellett.

A szkennelési minőség fogalma a zajszűréssel függ össze. Ha növeljük a minőséget, csökken a zaj,

viszont nő a szkennelési idő [7].

A méréseket az 1/2-es felbontási kategóriától (3,068mm/10m) kezdve a szkenner legalacsonyabb

felbontásáig elvégeztük (

2. táblázat). Minden alkalommal a szkennelés minőségét a lehető legalacsonyabbra állítottuk. Ezzel


51

az volt a célunk, hogy kiderítsük, hogy a minimális szkennelési időkkel felismertethetők-e a gömbök.

Ha igen, akkor nem érdemes nagyobb minőségben szkennelni.

Felbontási kategória Felbontás (mm/10m)

1/1 1,5

1/2 3,1

1/4 6,1

1/5 7,7

1/8 12,3

1/10 15,3

1/16 25,2

1/20 30,7

1/32 49,1

2. táblázat - Felbontási kategóriák [7]

A gömbfelismerés során a Faro Scene szoftver zöld gömbbel jelöli, ha megfelelő mennyiségű pont állt

rendelkezésére a gömbillesztéshez, és sárgával, ha ugyan tud rá gömböt illeszteni, de már jóval

kevesebb pont alapján [7]. Az ilyen gömböket a tapasztalatok szerint már nem érdemes felhasználni

az álláspontok összeregisztrálásánál.

Az 1/2-es felbontási kategória esetén a szoftver a 20 és a 30 méterre lévő gömböt tudta jól

felismerni, előbbinél 267 pont, utóbbinál 99 pont alapján illesztette a 0,07 m sugarú gömböt (56.

ábra).

56. ábra - Gömbfelismerés (1/2-es felbontási kategória)

Az 1/4-es felbontási kategória esetén már a 20 méterre lévő gömböt is csak bizonytalanul ismeri fel,

itt 48 pont alapján próbál gömböt illeszteni, a távolabbiak esetén pedig már nem jár sikerrel (57.

ábra).


52

57. ábra - Gömbfelismerés (1/4-es felbontási kategória)

A további kisebb felbontású szkenneléseknél már értelemszerűen nem ismerte fel egyik gömböt sem.

Ezután megvizsgáltuk, hogy bizonyos kiválasztott felbontási kategóriák esetén a minőség növelésével

változik-e a felismert gömbök száma illetve a felismerés pontossága.

Az 1/10-es felbontási kategória esetén a szoftver még a minőség maximális növelése hatására sem

ismerte fel egyik gömböt sem (58. ábra).

3x

4x

6x

8x

58. ábra – Gömbfelismerés különböző minőségi kategóriák esetén (1/10 felbontási kategória)


53

Az 1/4-es felbontási kategóriánál az 1-es és 3-as minőségi kategória esetén felismerte ugyan a 20

méterre lévő illesztőgömböt, de elég bizonytalanul, mert csak 48 illetve 51 pont alapján illesztett rá

gömböt. A minőség további növelésével viszont már ezt az egy gömböt sem sikerült felismerni (59.

ábra).

1x

3x

4x

6x

8x

59. ábra - Gömbfelismerés különböző minőségi kategóriák esetén (1/4 felbontási kategória)

Az 1/2-es felbontási kategória alkalmazásakor a fő változás az volt, hogy a legmagasabb minőségi

osztály esetén már nemcsak a 20 és a 30 méterre lévő gömböket ismerte fel, hanem a többi gömbön

is talált már annyi pontot, hogy kicsit bizonytalanabbul, de tudjon rá gömböt illeszteni (3. táblázat,

60. ábra).

1x 4x 6x

20m 267 279 277

30m 99 113 105

40m 26 67 57

50m - - 33

50m (állvány) - - 23

3. táblázat – Pontok száma a gömbökön különböző minőségi kategóriák esetén (1/2 felbontási kategória)


54

1x

4x

6x

60. ábra - Gömbfelismerés különböző minőségi kategóriák esetén (1/2 felbontási kategória)

Összességében tehát elmondható, hogy a 20 méternél távolabb elhelyezkedő illesztőgömbök esetén

legalább 1/2-es felbontási kategóriát kell alkalmazni, de az sem garantálja, hogy a 40-50 méterre lévő

gömböket is felismerje a szoftver.

Az is észrevehető, hogy igazából nem érdemes magasabb minőségi kategóriát beállítani, mert nincs

igazán számottevő különbség a gömbfelismerésben, viszont nagyságrendekkel tovább tart miatta a

szkennelés.


55

5.2. A 2. vizsgálat - 25 méternél közelebbi gömbök felismerése

Az előző vizsgálatból kiderült, hogy egy következő mérés alkalmával egy szűkebb távolsági

tartományt kell vizsgálnunk. Úgy döntöttünk tehát, hogy a következő vizsgálat során a gömböket 5,

10, 15, 20 és 25 méterre helyezzük el a szkennertől (61. ábra), és minden felbontási kategóriát

megvizsgálunk, viszont a minőséget mindig a lehető legalacsonyabbra állítjuk be. Ezenkívül

kipróbáljuk azt is, mi a különbség a különböző szkennelési profilok között. Eddig a 20 méternél

távolabbi kültéri pontok szkennelési beállítással dolgoztunk, viszont most kipróbáltuk a 20 méternél

közelebbi kültéri pontok szkennelési beállítást is.

61. ábra – Mérési elrendezés

Amint azt a 4. táblázat mutatja az 1/1 felbontásnál a szoftver kellő biztonsággal felismerte a mind az

öt gömböt. A következő felbontás esetén a 25 méterre lévő gömbnél már egy csekély

bizonytalanságot észlelhetünk (dőlt betűtípussal jeleztem a táblázatban). A következő két felbontási

kategória még 15 méterig használható, viszont az 1/8 és 1/10 felbontásoknál már ne helyezzük a

gömböket 5 méternél távolabbra. A legkisebb felbontásoknál már a legközelebbi gömböket sem

sikerült detektálni.

A gömbökön felismert pontok számát összehasonlítva a két szkennelési profil között, pedig arra a

következtetésre juthatunk, hogy 10-15 méterig a 20 méter alatti szkennelés hoz jobb eredményeket,

míg az ennél távolabbi gömböknél már a másik beállítás a jobb. Jelentősen nem térnek el egymástól

ezek a számok és egyetlen vizsgálatból nem érdemes messzemenő következtetéseket levonni. De a


56

tendenciákat tekintve az előző állítás megállja a helyét, illetve előzetesen is körülbelül erre a

konklúzióra számítottunk.

Felbontás 5m 10m 15m 20m 25m

1/1 1,5 mm/10m …20m 15028 4245 1788 926 507

20m… 14848 4219 1876 1046 643

1/2 3,1 mm/10m …20m 3759 1067 465 195 80

20m… 3708 1047 464 244 147

1/4 6,1 mm/10m …20m 939 261 110 24 -

20m… 928 257 116 47 -

1/5 7,7 mm/10m …20m 608 166 65 33 -

20m… 596 161 70 26 -

1/8 12,3 mm/10m …20m 233 55 - - -

20m… 232 41 - - -

1/10 15,3 mm/10m …20m 138 32 - - -

20m… 147 29 - - -

1/16 25,2 mm/10m …20m - - - - -

20m… 45 - - - -

1/20 30,7 mm/10m …20m - - - - -

20m… 28 - - - -

1/32 49,1 mm/10m …20m - - - - -

20m… - - - - -

4. táblázat - Pontok száma a gömbökön különböző távolságok, felbontások és szkennelési profilok esetén

5.3. A vizsgálatok eredménye

Ebből a két vizsgálatból az alábbi következtetések vonhatók le:

- A gömbfelismerést a szkennelési minőség javítása lényegesen nem befolyásolja, viszont jóval

nagyobb az így fellépő mérési időszükséglet.

- 20 méternél távolabbi gömbök esetén legalább 1/2-es felbontási kategóriát célszerű beállítani, az

alatt nem ismeri fel a program a gömböket.

- Gyakran használjuk az 1/4-es felbontási kategóriát (6mm/10m), ennél látható, hogy nem érdemes

15 méternél távolabb gömböket elhelyezni.

- Belső térben alkalmazhatók az 1/5, 1/8 és 1/10 felbontási kategóriák is, de figyelnünk kell arra, hogy

ez esetben a gömbök ne kerüljenek távolabbra 5 méternél.

- Ennél alacsonyabb felbontásban több álláspont esetén nem javasolt szkennelni, mert nem oldható

meg az álláspontok illesztése a gömbök alapján.


57

6. Tanulságok, következtetések

A diplomamunka elkészítése során felmerült néhány nehézség, amelyeket gyakran kísérletezéssel

kellett megoldanom. Ez segített abban, hogy a végére a témát megfelelően sikerüljön körbejárnom,

olyan tapasztalatokkal legyek gazdagabb, amelyek elősegítik, hogy a legközelebbi hasonló

feladatomat már az erre ráfordított idő töredéke alatt és sokkal jobb minőségben el tudjam végezni.

Vegyük sorra, mit tanultam a feladatból!

Célszerű próbamérések során tisztázni a különböző felbontásokkal nyert állományokban az illesztési

lehetőségeket.

A mérés óta szerzett tapasztalataim azt mutatják, hogy gondosabb tervezéssel és előkészítéssel még

gyorsabban elvégezhettük volna a munkát.

A mérés gördülékenyebben ment volna még egy munkatárs segítségével. Ideális esetben egy ember

dolgozott volna a mérőállomással, a két szkennerrel pedig még 2-2 fő.

Több álláspont és több tárcsa alkalmazásával mérésünk még részletesebb lehetne, hiszen több

álláspont esetén a lézersugarak nagyobb eséllyel jutnak be a rejtettebb részekre is. A több tárcsa

használata pedig még pontosabb illesztést tesz lehetővé.

A két különböző szkennerrel történt felmérésnek egyazon programban való feldolgozása is sok

fejtörést jelentett. Mostanra azonban sikerült erre is megnyugtató megoldást találni.

A feldolgozás során kitapasztaltam, hogy a szoftverek közötti adatcserére mikor, milyen

formátumokat célszerű használni.

A pontfelhő és poligonháló tisztítása és javítása során is nagyon hasznos módszereket sikerült

elsajátítanom, amelyeket a jövőben is tudok majd kamatoztatni munkám során.

A felhasználási lehetőségek felkutatásakor megismerkedtem olyan alkalmazási lehetőségekkel, mint

például a pontfelhőből különböző modellezési szintek, metszetek és alaprajzok készítése. Bár ezek a

diplomamunkám keretein túlmutatnak, azonban mindenképpen szeretném őket elsajátítani, hiszen

hasznosak lehetnek későbbi munkáim során is.

Felmerült egy kombinált szkennertesztelési ötlet is, amely során már mindkét szkennerrel végeznék

vizsgálatot több lehetséges kapcsolópontra, és már nem csak a távolságtól tenném függővé, hanem

számításba vennék egyéb tényezőket is, például a beesési szög, vagy a kapcsolópont anyaga, felülete,

visszaverődési képessége. Ezáltal optimalizálhatnám a szkennelés tervezését mind az irodai

előkészítés, mind a helyszíni bejárás során.


58

7. Összefoglalás

Diplomamunkám során felmértük Szádvár egy kiválasztott, összefüggő részét. Ehhez két

lézerszkennert használtunk (Z+F és Faro). A két műszer által mért 10-10 álláspontot a Z+F

szkennerhez tartozó forgatható, kör alakú jeltárcsák segítségével illesztettük össze a szkennelés

koordináta-rendszerébe.

A felmérés során néhány tárcsát bemértünk mérőállomással, amelynek alapjául a korábbi, 2008-as

felmérés koordináta-rendszerét, az EOV rendszert vettük alapul. A tárcsák koordinátái alapján az

összeillesztett állományokat transzformáltam a korábbi felmérés rendszerébe.

A feldolgozás kezdetén az álláspontok pontfelhőit megszíneztem a szkennerek beépített kamerája

által készített fotók segítségével. Az összeillesztett pontfelhőt megtisztítottam a felesleges pontoktól,

így létrejött a mintegy 560 millió pontból álló pontfelhő, melyet ezután modelleztem.

A modellezés során a hatalmas méretű pontfelhőt decimáltam és a pontokra poligonhálót

generáltam. A poligonháló számos hibát és ellentmondást tartalmazott, ezért azt javítottam és

helyenként optimalizáltam.

Eredményként egy körülbelül 6,5 millió háromszögből felépülő, színes poligonhálós modellt kaptam,

amely összefüggő felületként mutatja be a vár felmért részét. A modellről egy rövid berepülő videót

készítettem a látványosabb bemutatás céljából.

A korábbi felmérés pontjait és az általam készített modellt megjelenítettem ugyanazon rendszerben.

Ezt követően megállapítottuk, hol, milyen mértékben és miért változtak a várfalak az 5 évvel ezelőtti

felmérés óta.

A diplomamunkám elején röviden ismertettem az 1965-ös és a 2008-as geodéziai felmérések főbb

sajátosságait.

Elvégeztem a Faro szkennerre és a hozzá tartozó illesztőgömbökre vonatkozó vizsgálatot, melynek

eredményeit ismertettem és levontam belőle a gyakorlati szempontból fontos következtetéseket. A

vizsgálat fő célja a különböző felmérési pontsűrűségekhez tartozó maximális érzékelési távolságok

meghatározása. Legfontosabb eredményei, hogy 20 méter feletti gömbtávolságnál legalább 1/2-es

felbontás (3 mm/10m) szükséges, illetve a szkennelési idő szempontjából optimális 1/4-es felbontás

(6mm/10m) alkalmazásakor nem lehetnek 15 méternél távolabb a gömbök.

A Faro szkenner egyik felmérési beállításbeli hiányosságára is megoldást találtam: bizonyos

szoftverkörnyezetben összekapcsolhatók a fő- és részletszkennelések, ami rövidebb szkennelési idők

mellett is pontos illesztést tesz lehetővé.

Végül javaslatokat tettem arra, hogy egy következő hasonló feladatnál a most szerzett tapasztalatok

felhasználásával hogyan lehetne még hatékonyabb munkát végezni.


59

8. Irodalomjegyzék

[1] Lovas Tamás, Berényi Attila, Barsi Árpád (2012): Lézerszkennelés /TERC/

[2] Tuchband Tamás (2008): Szádvár geodéziai felmérése (Diplomamunka)

[3] Bödő Gábor (2013): Műemlék kastély felmérése földi lézerszkennerrel (Diplomamunka)

[4] Joó Péter (2013): Földi lézerszkennelés és hagyományos mérések alkalmazhatósági vizsgálata

mikrodomborzati felszínmodellezésre (Diplomamunka)

[5] www.szadvar.hu – Szádvárért Baráti Kör honlapja

[6] www.zf-laser.com

[7] www.faro.com

[8] www.leica-geosystems.com

[9] http://hds.leica-geosystems.com/en/Leica-Cyclone_6515.htm

[10] www.geomagic.com

[11] www.opengeospatial.org/standards/citygml

[12] www.bentley.com

[13] www.euclideon.com/products/geoverse/

[14] www.apowersoft.com

[15] www.sonycreativesoftware.com/vegaspro

[16] http://hu.wikipedia.org/wiki/Sz%C3%A1dv%C3%A1r – Szádvárról készített Wikipedia bejegyzés

[17] http://www.tankonyvtar.hu/en/tartalom/tamop425/0027_KAR5/ch01s04.html

[18] http://www.autodesk.com/

[19] http://szime3dar.com/projekt/vitany-varrom/

[20] http://szime3dar.com/projekt/regec-var/

[21] Gál-Mlakár Viktor: Szögliget-Szádváron végzett állagvédelmi munkák módszerei és tapasztalatai

(http://www.szadvar.hu/wp-content/uploads/2012/06/GMV_Feld_k%C3%B6tet.pdf)

http://www.opengeospatial.org/standards/citygml


60

Köszönetnyilvánítás

Köszönöm konzulenseimnek, Dr. Takács Bencének és Dr. Lovas Tamásnak, a kitartó munkájukat, hogy

az egész félév során rendszeresen foglalkoztak velem és tanácsaikkal, ötleteikkel segítették

munkámat. Ezenkívül külön köszönet, hogy mindketten eljöttek a helyszínre és segítettek a felmérés

lebonyolításában.

Szeretnék köszönetet mondani külső konzulensemnek, Fehér Andrásnak, a HumanSoft Kft.

tanácsadási üzletág igazgatójának, aki megteremtette a kereteit ennek a munkának, és hasznos

tanácsaival hozzájárult a dolgozat elkészüléséhez.

Továbbá köszönettel tartozom kollégáimnak, Pipis Lászlónak és Joó Péternek a felmérésben való

közreműködésükért, illetve Bödő Gábornak, Hadzijanisz Konsztantinosznak és Vári Barnabásnak a

szoftverek használatában nyújtott segítségükért.

bsc thesis - karoly radoczy

Documents