Home » Blended Learning » 3D Scanning en Point Clouds

3D Scanning en Point Clouds

3D Scanning en Point Clouds maken het mogelijk om objecten, gebouwen, infrastructuur en terrein met grote hoeveelheden meetpunten driedimensionaal vast te leggen. Tijdens deze Blended Learning leer je hoe laserscanning werkt en hoe afzonderlijke scans worden verwerkt tot een samenhangende en gegeorefereerde point cloud. Je onderzoekt puntdichtheid, nauwkeurigheid, registratie, filtering, classificatie en kwaliteitscontrole en leert hoe uit puntenwolken bruikbare geometrie en geografische informatie kan worden afgeleid. Met open-source technologie zoals CloudCompare, QGIS en PDAL leer je point clouds visualiseren, verwerken, analyseren en vergelijken. Zo leer je 3D-scandata verantwoord inzetten als betrouwbare informatiebron binnen de geodetische supply chain.

Welke vraagstukken leer je oplossen binnen 3D Scanning en Point Clouds?

  • Hoe wordt de fysieke omgeving met 3D-scanning vastgelegd als een point cloud?
  • Welke scantechniek past bij het object, terrein en de gewenste nauwkeurigheid?
  • Hoe plan je scanposities zodat een object of gebied voldoende volledig wordt ingewonnen?
  • Hoe worden afzonderlijke scans samengevoegd tot één consistente puntenwolk?
  • Hoe wordt een point cloud gekoppeld aan een geodetisch coördinaten- en hoogtesysteem?
  • Hoe herken en verwijder je ruis, uitschieters en ongewenste punten?
  • Hoe beoordeel je puntdichtheid, dekking, nauwkeurigheid en kwaliteit?
  • Hoe classificeer en segmenteer je punten voor verdere analyse?
  • Hoe worden afstanden, oppervlakken, doorsneden en andere informatie uit een point cloud afgeleid?
  • Hoe vergelijk je point clouds uit verschillende meetmomenten?
  • Hoe verwerk en analyseer je point clouds met open-source Geo-ICT?
  • Hoe borg je herkomst, referentie en kwaliteit binnen de geodetische supply chain?

Traditionele geodetische metingen bepalen vaak een geselecteerd aantal punten. Met 3D-scanning kunnen in korte tijd zeer grote aantallen driedimensionale meetpunten worden ingewonnen. Samen vormen deze punten een gedetailleerde digitale representatie van een object, constructie of terrein: een point cloud. In deze Blended Learning leer je hoe zo’n puntenwolk ontstaat en hoe ruwe scandata wordt verwerkt tot betrouwbare en bruikbare 3D-informatie.

De basis van 3D Scanning en Point Clouds

Een 3D-laserscanner bepaalt grote aantallen punten op oppervlakken in de omgeving. Voor ieder gemeten punt wordt een driedimensionale positie bepaald. Afhankelijk van de sensor kunnen daarnaast eigenschappen zoals intensiteit en kleur beschikbaar zijn.

Je maakt kennis met:

  • het principe van laserafstandmeting;
  • horizontale en verticale richtingen;
  • 3D-coördinaten;
  • scanresolutie en puntdichtheid;
  • intensiteitswaarden;
  • RGB-kleurinformatie;
  • nauwkeurigheid en meetbereik;
  • invloed van materiaal, afstand en invalshoek.

Verschillende vormen van 3D-inwinning

Point clouds kunnen met verschillende platforms en sensoren worden ingewonnen. De eigenschappen van de resulterende puntenwolk hangen sterk samen met de gebruikte techniek.

Je maakt onder andere kennis met:

  • terrestrial laser scanning (TLS);
  • mobile laser scanning;
  • airborne laser scanning en LiDAR;
  • handheld en mobiele scanners;
  • point clouds uit fotogrammetrie.

Je leert deze technieken vergelijken op basis van bereik, nauwkeurigheid, puntdichtheid, snelheid, bereikbaarheid en toepassingsgebied. Dronefotogrammetrie wordt uitgebreider behandeld in de volgende Blended Learning Drone Survey en Fotogrammetrie.

Een 3D-scan voorbereiden

Een goede point cloud begint met een goed geplande inwinning. De scanner kan alleen oppervlakken meten die vanaf een scanpositie zichtbaar zijn. Objecten kunnen elkaar afschermen waardoor gaten in de puntenwolk ontstaan.

Je leert daarom vooraf nadenken over:

  • doel en gewenste nauwkeurigheid;
  • benodigde puntdichtheid;
  • keuze van scanposities;
  • zichtlijnen en afscherming;
  • overlap tussen scans;
  • referentie- en controlepunten;
  • terrein- en omgevingsomstandigheden;
  • gewenste eindproducten.

Van afzonderlijke scans naar één point cloud

Bij terrestrial laser scanning wordt een object of gebied vaak vanuit meerdere posities gescand. Iedere scan heeft in eerste instantie zijn eigen lokale coördinatenstelsel. Om één samenhangende puntenwolk te vormen moeten de scans met elkaar worden verbonden.

Dit proces wordt registratie genoemd. Je maakt kennis met verschillende principes voor registratie, waaronder:

  • targets en referentiepunten;
  • overlap tussen scans;
  • cloud-to-cloud registratie;
  • translaties en rotaties;
  • registratiefouten en residuen;
  • controle van de aansluiting tussen scans.

Je leert dat een visueel goed aansluitende puntenwolk niet automatisch een geodetisch betrouwbare puntenwolk is. De kwaliteit van de registratie moet daarom worden gecontroleerd en gedocumenteerd.

Georefereren van point clouds

Een geregistreerde point cloud kan nog steeds in een lokaal coördinatenstelsel staan. Voor gebruik binnen Geo-ICT moet de puntenwolk vaak worden gekoppeld aan een bekend coördinaten- en hoogtesysteem.

Je leert hoe referentie- en controlepunten uit bijvoorbeeld Total Station- of GNSS-metingen kunnen worden gebruikt om een point cloud geodetisch te positioneren.

Daarbij besteed je aandacht aan:

  • lokale en geodetische coördinaten;
  • control points;
  • coördinatenstelsels;
  • hoogtereferenties;
  • transformaties;
  • controle van de georeferentie.

Hiermee sluit deze Blended Learning direct aan op Coördinatenstelsels, Hoogtemeting en Geoïde en Geodetische Inwinning en Veldwerk.

Point clouds opschonen en filteren

Ruwe point clouds bevatten niet alleen gewenste meetpunten. Bewegende personen en voertuigen, reflecties, atmosferische effecten, vegetatie en andere omstandigheden kunnen ongewenste punten of ruis veroorzaken.

Je leert een puntenwolk onderzoeken en waar nodig:

  • uitschieters herkennen;
  • ruis verwijderen;
  • gebieden selecteren en uitsnijden;
  • ongewenste objecten filteren;
  • puntdichtheid reduceren;
  • relevante delen van de point cloud selecteren.

Classificatie en segmentatie

Een point cloud bevat aanvankelijk vooral grote hoeveelheden afzonderlijke punten. Voor veel toepassingen moeten deze punten worden ingedeeld in betekenisvolle groepen.

Je maakt kennis met classificatie en segmentatie van bijvoorbeeld:

  • maaiveld;
  • gebouwen;
  • vegetatie;
  • infrastructuur;
  • constructies;
  • andere relevante objecttypen.

Je leert hoe classificatie de stap mogelijk maakt van een verzameling meetpunten naar bruikbare geografische en geometrische informatie.

Bestandsformaten en grote datasets

Point clouds kunnen uit miljoenen of zelfs miljarden punten bestaan. Efficiënte opslag en verwerking zijn daarom belangrijk.

Je maakt kennis met gangbare concepten en formaten voor point-clouddata, waaronder:

  • LAS;
  • LAZ;
  • COPC;
  • attributen per punt;
  • classificatiecodes;
  • ruimtelijke indexering;
  • metadata en coördinatenreferenties.

Je leert waarom bestandsgrootte, indexering en datastructuur belangrijk zijn wanneer grote puntenwolken binnen Geo-ICT worden gebruikt.

Point clouds analyseren

Een point cloud wordt waardevol wanneer uit de punten bruikbare informatie kan worden afgeleid. Je leert verschillende geometrische analyses uitvoeren en resultaten interpreteren.

Afhankelijk van het vraagstuk werk je bijvoorbeeld met:

  • afstanden en hoogteverschillen;
  • profielen en doorsneden;
  • oppervlakken en volumes;
  • puntdichtheid;
  • hoogte- en terreinmodellen;
  • objectgeometrie;
  • 3D-visualisaties.

Point clouds vergelijken en veranderingen detecteren

Wanneer hetzelfde object of terrein op verschillende momenten wordt gescand, kunnen point clouds worden gebruikt om veranderingen te onderzoeken. Hiervoor moeten de datasets nauwkeurig ten opzichte van elkaar zijn geregistreerd en gegeorefereerd.

Je leert verschillen tussen puntenwolken analyseren en beoordelen of waargenomen veranderingen daadwerkelijk uit de fysieke omgeving komen of mogelijk worden veroorzaakt door meetonzekerheid, registratie of verschillen in puntdichtheid.

Dit vormt een belangrijke basis voor toepassingen zoals deformatiemeting, monitoring, volumeverandering en inspectie.

Werken met CloudCompare

CloudCompare is open-source software voor het bekijken, verwerken en analyseren van point clouds en 3D-data. Tijdens de Blended Learning gebruik je CloudCompare om de structuur en kwaliteit van puntenwolken praktisch te onderzoeken.

Je kunt CloudCompare onder andere gebruiken voor:

  • visualiseren en inspecteren van point clouds;
  • selecteren en opschonen van punten;
  • registreren van puntenwolken;
  • berekenen van afstanden;
  • maken van doorsneden en profielen;
  • vergelijken van verschillende point clouds;
  • analyseren van geometrische verschillen.

Point clouds met QGIS en PDAL

Point clouds kunnen ook worden opgenomen in een bredere Geo-ICT-werkomgeving. Met QGIS kunnen puntenwolken worden gevisualiseerd en gecombineerd met andere geografische informatie. PDAL biedt mogelijkheden om grote point-clouddatasets programmatisch te filteren, transformeren, converteren en verwerken.

Je leert hoe point clouds samen kunnen worden gebruikt met bijvoorbeeld vectorgegevens, rasterdata, terreinmodellen en andere geodetische datasets. Hierdoor wordt 3D-scandata onderdeel van een bredere geografische informatievoorziening.

Kwaliteitscontrole van point clouds

Een gedetailleerd ogende puntenwolk is niet automatisch nauwkeurig. Daarom leer je de kwaliteit van een point cloud systematisch beoordelen.

Je controleert onder andere:

  • volledigheid en dekking;
  • puntdichtheid;
  • ruis en uitschieters;
  • registratie tussen verschillende scans;
  • referentie- en controlepunten;
  • coördinaten- en hoogtereferentie;
  • mogelijke systematische afwijkingen;
  • geschiktheid voor de beoogde toepassing.

3D-scanning binnen de geodetische supply chain

Een point cloud is het resultaat van een volledige keten van meetbeslissingen en verwerkingsstappen. De kwaliteit van het uiteindelijke 3D-product wordt beïnvloed door de gebruikte scanner, scanposities, registratie, georeferentie, filtering, classificatie en verdere verwerking.

Daarom moet binnen de geodetische supply chain informatie behouden blijven over:

  • de oorspronkelijke meetopdracht;
  • gebruikte scanner en meetmethode;
  • scanposities en omstandigheden;
  • referentie- en controlepunten;
  • registratiemethode en registratiekwaliteit;
  • coördinaten- en hoogtereferentie;
  • uitgevoerde filters en bewerkingen;
  • classificatie en afgeleide producten;
  • nauwkeurigheid en kwaliteitscontroles.

Hierdoor blijft ook een afgeleid 3D-product herleidbaar naar de oorspronkelijke geodetische inwinning.

Van 3D-scan naar betrouwbare geografische informatie

In de afsluitende praktijkopdracht doorloop je het proces van ruwe point cloud naar gecontroleerde en bruikbare 3D-informatie.

  • het doel en de gewenste nauwkeurigheid van de 3D-inwinning bepalen;
  • de structuur en eigenschappen van een point cloud onderzoeken;
  • verschillende scans registreren en de aansluiting controleren;
  • de puntenwolk koppelen aan een ruimtelijke referentie;
  • ruis en ongewenste punten herkennen en filteren;
  • relevante punten selecteren en classificeren;
  • puntdichtheid en dekking beoordelen;
  • afstanden, profielen, oppervlakken of volumes uit de data afleiden;
  • point clouds visualiseren en analyseren met CloudCompare en QGIS;
  • waar passend PDAL gebruiken voor verwerking van point-clouddata;
  • de kwaliteit en bruikbaarheid van de resultaten beoordelen;
  • de uitgevoerde verwerking en kwaliteitsinformatie documenteren binnen de geodetische supply chain.

Na afloop begrijp je hoe 3D-scanning wordt gebruikt voor geodetische inwinning en hoe ruwe scans worden verwerkt tot betrouwbare point clouds. Je kunt puntenwolken registreren, georefereren, controleren, filteren en analyseren en begrijpt hoe kwaliteit en nauwkeurigheid tijdens het volledige proces worden bewaakt. Met CloudCompare, QGIS en PDAL kun je point clouds verwerken en koppelen aan andere geografische informatie binnen een moderne Geo-ICT-werkomgeving.

Inschrijven voor blended learning

€495,-
  • Start: 1 uur online sessie
  • Zelfstudie: Cursusmateriaal bekijken
  • Einde: 1 uur online sessie
Inschrijven voor deze blended learning

Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.

Leerdoelen

  • De principes van 3D-scanning en het ontstaan van een point cloud uitleggen.
  • Verschillende technieken voor 3D-inwinning vergelijken en een geschikte methode kiezen op basis van toepassing en gewenste nauwkeurigheid.
  • Een 3D-scan voorbereiden door scanposities, overlap, puntdichtheid en referentiepunten te bepalen.
  • Afzonderlijke scans registreren tot één samenhangende point cloud en de kwaliteit van de registratie beoordelen.
  • Een point cloud koppelen aan een geodetisch coördinaten- en hoogtesysteem.
  • Ruis, uitschieters en ongewenste punten herkennen en waar nodig filteren.
  • Point clouds classificeren en relevante objecten of terreindelen onderscheiden.
  • Gangbare point-cloudformaten zoals LAS, LAZ en COPC herkennen en gebruiken.
  • Afstanden, hoogteverschillen, profielen, oppervlakken en volumes uit point-clouddata afleiden.
  • Point clouds uit verschillende meetmomenten vergelijken en geometrische veranderingen analyseren.
  • CloudCompare, QGIS en waar passend PDAL gebruiken om point clouds te visualiseren, verwerken en analyseren.
  • De volledigheid, puntdichtheid, nauwkeurigheid en bruikbaarheid van een point cloud beoordelen.
  • Inwinning, registratie, georeferentie, verwerking en kwaliteitsinformatie herleidbaar documenteren binnen de geodetische supply chain.

Meer informatie?

Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.

FAQ's Blended Learning 3D Scanning en Point Clouds

3D-scanning maakt het mogelijk om grote hoeveelheden geodetische meetpunten in korte tijd in te winnen. Binnen de geodetische supply chain moeten informatie over meetmethode, scanner, scanposities, registratie, georeferentie, coördinaten- en hoogtereferentie, verwerking en nauwkeurigheid behouden blijven. Hierdoor blijven de point cloud en afgeleide 3D-producten controleerbaar en herleidbaar naar de oorspronkelijke meting.

Een point cloud of puntenwolk is een verzameling driedimensionale meetpunten die samen de vorm van een object, constructie of terrein beschrijven. Ieder punt bevat minimaal een X-, Y- en Z-coördinaat en kan daarnaast eigenschappen bevatten zoals intensiteit, kleur of classificatie. Point clouds kunnen onder andere worden ingewonnen met laserscanners, LiDAR en fotogrammetrie.

Bij registratie worden afzonderlijke scans ten opzichte van elkaar uitgelijnd zodat één samenhangende puntenwolk ontstaat. Bij georefereren wordt deze puntenwolk gekoppeld aan een bekend geodetisch coördinaten- en hoogtesysteem. Een point cloud kan dus intern goed geregistreerd zijn, maar toch nog in een lokaal coördinatenstelsel staan.

Je controleert onder andere de volledigheid, puntdichtheid, ruis, registratie tussen scans, referentie- en controlepunten en de gebruikte coördinaten- en hoogtereferentie. Ook moet worden beoordeeld of de behaalde nauwkeurigheid past bij het doel waarvoor de point cloud wordt gebruikt. Een visueel gedetailleerde puntenwolk is namelijk niet automatisch geodetisch nauwkeurig.

CloudCompare is geschikt voor het bekijken, opschonen, registreren, vergelijken en analyseren van point clouds. QGIS kan puntenwolken combineren met andere geografische informatie en gebruiken voor ruimtelijke visualisatie en analyse. PDAL biedt mogelijkheden om grote point-clouddatasets te filteren, transformeren, converteren en geautomatiseerd te verwerken. Welke technologie wordt gebruikt hangt af van het geodetische vraagstuk.

Uit point clouds kunnen onder andere afstanden, hoogteverschillen, profielen, doorsneden, oppervlakken, volumes, terreinmodellen en objectgeometrie worden afgeleid. Door point clouds uit verschillende meetmomenten nauwkeurig met elkaar te vergelijken kunnen ook veranderingen worden onderzocht. Dit maakt point clouds geschikt voor toepassingen zoals inspectie, monitoring, infrastructuur, bouw, terreinmodellering en deformatiemeting.