На основі Lu Pinyue, «Дослідження технології реєстрації хмари точок для систем внутрішньоротового сканування», магістерська робота, Університет електронних наук і технологій Китаю, 2023 р.
Ця стаття реорганізує тезу навколо чіткої структури проблема–метод–експеримент–техніка–обмеження. Він зосереджений на багаторазових технічних ідеях для кращих стоматологічних цифрових моделей і не оцінює жодного комерційного пристрою чи рішення.
Чому реєстрація хмари точок важливіша, ніж захоплення одного-кадру
Внутрішньоротовий сканер фіксує лише невелику локальну поверхню зубного ряду на кожному кадрі. Побудова повної цифрової оральної моделі вимагає перетворення десятків або навіть сотень цих локальних хмар точок у загальну систему координат.
Помилки-відбудови одного кадру в основному впливають на локальну геометрію. Однак помилки реєстрації поширюються вздовж шляху сканування. Неправильна відповідність може призвести до подвійних зображень, розривів, дірок, зсувів зубів або прогресивного вигину зубної дуги.
Основне питання дослідження:
Як властиві характеристики сцени хмар точок внутрішньоротового сканування можна використовувати для вдосконалення класичного конвеєра реєстрації, щоб алгоритм більше зосереджувався на області зуба, одночасно контролюючи обчислювальні витрати на попередню обробку та точну реєстрацію?
Дисертація не винаходить нову структуру. Він покращує класичний конвеєр «попередня обробка → груба реєстрація → точна реєстрація → створення сітки» за допомогою чотирьох практичних модифікацій, призначених для внутрішньоротового сканування:
Сегментація-хмари точок + координати камери та відстань до точки огляду для видалення шуму та частини ясенних точок
Одновимірна-гістограма кривизни для-збереження-вибірки функцій
Зважування помилки-відстані-всередині точки огляду-до-площини ICP
Комбінація евклідової відстані та відстані функції FPFH для фільтрації підозрілих відповідностей
Огляд дипломної роботи та проекту
| Пункт | Зміст |
|---|---|
| Назва | Дослідження технології реєстрації хмари точок для систем внутрішньоротового сканування |
| автор | Лу Піньюе |
| Керівник | Доцент Лу Гуанхуей |
| Установа та спеціальність | Університет електронних наук і технологій Китаю, комп'ютерні науки і технології |
| рік | 2023 |
| Об'єкт | Структурована-світлова система внутрішньоротового сканування |
| Основні завдання | Усунення шумів у -хмарі точок,-вибірка, груба реєстрація, точна реєстрація, сітка та прототип програмного забезпечення |
| Основні алгоритми | Зростання області, вибірка-інтервалів кривизни, FPFH, SAC-IA, точка-до-площини ICP |
| Реалізація | C++11, PCL, OpenCV, VTK, Qt |
| природа | Магістерська робота та експериментальний прототип програмного забезпечення (не повідомляється про розгортання продукту чи випуск-з відкритим кодом) |
В експериментах використовувався прототип зі структурованим{0}}освітленням (камера 1920×1080 при 60 кадрах/с, проектор 1920×1080 при 168 кадрах/с). Тестова платформа: AMD Ryzen 7 5800H, 16 ГБ оперативної пам’яті, NVIDIA RTX 3050. Результати є перевіркою-на рівні модулів на експериментальних хмарах точок, а не в повному-етапному тесті продукту в реальному часі.
Справжні проблеми, які розглядає робота
1. Ясенні точки можуть «краще реєструватися», але гірше реєструвати зуби
Внутрішньоротові хмари точок містять зуби, ясна та шум. Більші, гладкіші області ясен можуть домінувати над реєстрацією найменших{1}}квадратів. Клінічно, однак, найбільше значення мають бугри, ямки та крайові лінії. Віддавання переваги великим ділянкам ясен може призвести до неправильного розташування оклюзійних поверхонь. Віддалені регіони також більше страждають від помилок калібрування, шуму реконструкції та оклюзії. У дисертації використовується практичний пріоритет: у більшості локальних кадрів зуби розташовані ближче до точки огляду камери, ніж задня ясна. Усунення шумів і зважування ICP побудовані навколо цього припущення.
2. Щільні хмари сповільнюють реєстрацію; рівномірне зниження-зразків втрачає стоматологічні особливості
Типові експериментальні хмари містять 22 000–28 000 балів. Пряме нормальне оцінювання, FPFH, пошук найближчого-сусіда та ітеративна реєстрація стають дорогими. Фільтрація вокселів швидка, але може зменшити кількість канавок і гострих країв. Вибірка в-звичайному-просторі зберігає високо-області кривизни, але потребує багато відсіків у 3-нормальному просторі. Вибірка-інтервалів кривизни зменшує гістограму до одного виміру, залишаючи перевагу багатим на функції областям.
3. Класичний ICP приймає геометрично близькі, але за функціями-різні відповідності
На повторюваних поверхнях зубів мала евклідова відстань не гарантує відповідності локальної геометрії. Тому дисертація додає відстань до ознаки FPFH як другий фільтр під час точної реєстрації.
Спосіб 1: сегментація + координати камери для вилучення області зуба
Трубопровід:
видалення викиду за радіусом → оцінка норми та кривизни → зростання регіону → камера{0}}обмеження координат → малий-видалення регіону → зберегти найближчі регіони
Видалення викидів радіуса усуває ізольований шум реконструкції.
Підгонка зваженої-площини оцінює нормалі (орієнтовані на відому камеру) і кривизну.
Збільшення області (розслаблені нормальні-кутові обмеження) використовує природні розриви, спричинені міжзубними проміжками, тінями та оклюзією.
Точки перетворюються на кадр камери; області за межами ефективного тривимірного діапазону відкидаються.
Регіони, менші за 10 % від найбільшого регіону, що залишився, видаляються; зберігаються дві найближчі області до точки огляду (щоб уникнути відкидання зубів, розділених тінями).
На чотирьох тестових хмарах усунення шуму зайняло 255–335 мс (переважали зростання області та оцінка нормальної/кривизни). Реєстраційне запам'ятовування на 0,2 мм покращилося в середньому приблизно на 20,3 відсоткових пункти. Обмеження: коли зуби та ясна утворюють єдиний з’єднаний компонент, метод не може розділити їх лише з’єднанням.
Метод 2: Кривизна-Інтервальна вибірка
Замість того, щоб просто зберігати найвищі-точки кривизни (які можуть лежати за межами області перекриття), діапазон кривизни поділяється на діапазони, а точки відбираються, починаючи з високо-бінів кривизни, із збереженням деяких середніх- і низьких-точок кривизни. Це зберігає функції, але зберігає достатньо загальної підтримки для грубої реєстрації.
Порівняно зі звичайним-вибіркою простору,-одномірні контейнери кривизни краще масштабуються при більших цільових розмірах:
| Цільові точки | Воксель | Нормальний-простір | Інтервал-кривини |
|---|---|---|---|
| 1 000 | 1 мс | 22 мс | 27 мс |
| 3 000 | 1 мс | 47 мс | 32 мс |
| 7 000 | 2 мс | 98 мс | 34 мс |
Остаточна точність реєстрації трьох методів була подібною; основною перевагою вибірки кривизни є менша вартість-обслуговування при збереженні зміщення функції. Фільтрація вокселів залишається найшвидшим варіантом, коли потрібна чиста швидкість.
Метод 3: FPFH + SAC-IA для грубої реєстрації
Класична дво{0}}етапна стратегія:
Грубий: FPFH (33-вимірний) + SAC-IA
Добре: точка-до-площини ICP
Хмари зменшилися-до 5 000 балів. SAC-IA зі 100 ітераціями (вибрано як практичний компроміс-) становив у середньому ~2,2 с. Обмеження-взаємної відповідності покращили точність; передчасне припинення скорочує час, але знижує стабільність. Таким чином, SAC-IA краще підходить для ініціалізації, відновлення після втрати відстеження або використання в автономному режимі, ніж для сканування кожного кадру з високою-кадрово-частотою.
Спосіб 4: Зробити так, щоб ICP віддавав перевагу надійним відповідностям зубів
Зважування-відстані точки огляду
Цільові точки, розташовані ближче до камери, отримують більшу вагу в помилці точки-до-площини. Метою є краще вирівнювання (зазвичай більш надійне) біля-зубної області, а не мінімальне загальне RMSE.
Евклідова + відстань синтезу FPFH
Для кожної відповідності ICP обидві відстані обчислюються, нормалізуються та комбінуються. Лише менша{1}}частка-відстані злиття (стабільна в діапазоні 0,4–0,8) бере участь в оцінці трансформації-подібно до скороченого ICP, але також використовує інформацію про функції.
На шести тестових хмарах комбіновані покращення підвищили відкликання на 0,2 мм у середньому на ~7,1 відсоткового пункту. RMSE і запам'ятовування 0,6 мм не покращувалися в кожному наборі; у деяких випадках частка високоточних-відповідностей зросла, тоді як загальна RMSE зросла. Таким чином, метод оптимізує частку високо{6}}точних вирівнювань, а не всіх показників одночасно.
Тривалість ICP від рівної точки-до-площини становила 27–45 мс; з термоядерними обмеженнями він піднявся до 51–126 мс.
Сфера застосування прототипу програмного забезпечення
Прототип реалізує:
Попередня обробка (видалення викидів, нормалі/кривизна, зростання області, фільтрація координат, вибірка кривизни)
Реєстрація (FPFH, SAC-IA, огляд-зважений ICP, термоядерні-обмеження відстані)
Мешінг (фільтрація вокселів, рухомі найменші квадрати, кулькова-поворотна тріангуляція, не-ремонт колектора, заповнення отворів, оптимізація країв, гра-звичайна корекція)
Стек: C++11, Visual Studio 2017, PCL 1.8.1, OpenCV 4.3.0, VTK 8.0.0, Qt 5.12.1, а також SDK камери та DLP.
Продемонстровані модулі працюють від -до-кількох кадрів, але безперервна частота кадрів, -за{3}}затримка від кінця до{3}}, довгий-відкид послідовності, відстеження частоти відмов/відновлень, повна-абсолютна точність і порівняння з клінічними еталонними моделями не повідомляються. Програмне забезпечення є прототипом-перевірки алгоритму, а не клінічно перевіреною системою-реального часу.
Значення та обмеження
Сильні сторони багаторазового використання
Методи тісно пов’язані з реальними інтраоральними попередніми (зуби ближче до камери, великі області ясен, повторювана локальна геометрія).
Удосконалення залишаються всередині добре-зрозумілих модулів (зростання області, кривизна, FPFH, SAC-IA, ICP), які легко впровадити та налагодити в C++/PCL.
Подвійний-порог запам’ятовування (0,6 мм і 0,2 мм) відрізняє загальну відповідність від високо-точної локальної.
Застереження
Невеликий розмір вибірки (переважно 4–6 хмар).
Фіксовані геометричні параметри не працюють, коли зуби та ясна з’єднані або кути сканування сильно змінюються.
Вартість SAC-IA (~2,2 с при 5 000 балах / 100 ітерацій) виключає використання на-кадр.
Жодної глобальної оптимізації, замикання циклу чи обробки графа пози -довгих послідовностей.
Обмежена порівняльна статистика та відсутність зовнішніх клінічних{0}}моделей істинності.
Практичні інженерні висновки для систем внутрішньоротового сканування
Не кожна точка повинна мати однакову вагу.Поєднайте відстань до точки огляду, достовірність реконструкції, нормальну стабільність, кривизну, маски відбиття та (за наявності) семантичні мітки в багато-модель надійності.
Виключіть дорогу глобальну реєстрацію зі звичайного циклу відстеження.Використовувати попереднє-прогнозування пози + локальний ICP для звичайних кадрів; розширити пошук або перейти до ключових кадрів, коли якість падає; викликати FPFH/SAC-IA/FGR або вивчені дескриптори лише для відновлення; застосувати ковзне{3}}вікно/петля-закриття/поза-оптимізація графіка для довгих послідовностей.
Перемістіть оцінку від попарної помилки до повної-архівної клінічної метрики.Повідомляйте про вірність і точність окремих зубів, половину-дуги та повної-дуги, кумулятивний дрейф, помилку критичної-області (згорби, поля, контактні зони), між-операторську та між-повторюваність шляхів, стійкість до вологи/відбиття/відновлення та-до-кінцевої затримки/пам’яті.
Резюме
У дисертації створено повний інтерпретований конвеєр для внутрішньоротової реєстрації хмар-точок: усунення ясен і шумових перешкод за допомогою сегментації та попередніх камер, стиснення хмари за допомогою кривизни-інтервальної вибірки, отримання початкової пози за допомогою FPFH + SAC-IA та уточнення за допомогою-зваженої точки огляду,-відстані-обмеженої точка-до-площини ICP. Удосконалення підвищують частку-високоточних відповідностей зубів на досліджуваних даних, підкреслюючи проблеми, пов’язані зі з’єднаними яснами, грубою-вартістю реєстрації та обмеженою шкалою оцінювання.
З сучасної інженерної точки зору робота служить чіткою традиційною базовою лінією. Його тривалий урок полягає в тому, що якість реєстрації під час внутрішньоротового сканування значною мірою залежить від правильного визначення того, які точки заслуговують довіри та які відповідності заслуговують на вплив на оптимізацію.
Примітка до джерела
Ця стаття заснована на магістерській роботі Лу Піньюе 2023 року. Експериментальні номери, параметри пристрою та висновки слідують за оригінальним текстом; твердження щодо відсоткового-приросту балів,-придатності в реальному часі та інженерного масштабу є технічним аналізом, отриманим на основі цих даних.
Шукаєте надійне внутрішньоротове сканування, яке забезпечує точні повні-цифрові моделі арки?
Сучасні системи, такі як Aident AI-30 (точність менше або дорівнює 10 мкм, над-легка конструкція, -без порошку-кольорове сканування, відкритий експорт STL/PLY/OBJ) розроблено саме для мінімізації проблем із реєстрацією та сукупними помилками, про які йдеться вище, і легко інтегрується в робочі процеси Сканування → Дизайн → Друк.
Ознайомтеся з AI-30 і повними цифровими рішеннями на сайтіhttps://www.aident3d.com/або зв’яжіться з нами для демонстрації та порівняння ROI.
