Tin Tưởng Vào Dữ Liệu Point Cloud?

Độ chính xác là mối quan tâm hàng đầu của khách hàng chúng tôi khi thực hiện khảo sát bằng công nghệ 3D laser scanning. Trong hơn 10 năm làm việc trong lĩnh vực xử lý dữ liệu point cloud, khách hàng thường đến với chúng tôi, và luôn đặt  ra cùng một câu hỏi: “Liệu chúng ta có thể duy trì mức độ chính xác giới hạn vài mm không?”. Cho đến nay, chúng tôi đã hoàn thành hàng ngàn dự án với yêu cầu công việc tương tự như vậy, và câu trả lời tất nhiên là, CÓ. Tuy nhiên, khách hàng và nhóm của chúng tôi luôn ngồi lại với nhau, và thường tìm hiểu thêm một câu hỏi khác trước khi bắt đầu, đó là: “Chúng ta có thể tin tưởng vào dữ liệu đám mây điểm hiện tại chưa?”

Trong phạm vi bài viết này này, ban đầu, chúng tôi sẽ thảo luận một số sự thật dẫn đến sự không chính xác của dữ liệu point cloud, kể cả khi chúng ta dùng những thiết bị quét hiện đại nhất. Từ đó, chúng tôi minh hoạ  lỗi đó bằng các ví dụ điển hình trong thực tế. Cuối cùng, chúng tôi đề xuất giải pháp để khắc phục những hạn chế này để tránh mọi rủi ro không mong muốn làm ảnh hưởng đến chất lượng của sản phẩm cuối cùng — như là các mô hình 3D, các bản vẽ CAD, các hình ảnh trực quan khác.

Những lý do dẫn đến sự không chính xác trong dữ liệu point cloud

Các sai lệch trong dữ liệu point cloud có thể xảy ra bởi nhiều lý do khác nhau. Lý do đầu tiên là giới hạn vốn có của máy quét laser. Tất cả các máy quét laser — ngay cả những máy tốt nhất — đều có mức độ chính xác tối đa, và mức này phụ thuộc vào khoảng cách mà chúng ta cần đo. Ví dụ, sai số cho phép là khoảng +/- 1mm cho mỗi lần đo 10 mét. Do đó, khoảng cách mà chúng ta mong muốn đo càng xa thì độ lệch có thể phát sinh càng lớn.

Lý do thứ hai dẫn đến sự không chính xác của dữ liệu point cloud là sự THIẾU KINH NGHIỆM trong quá trình ráp nối các file point cloud với nhau. Quá trình ráp nối này rất nhạy cảm với mối ráp ban đầu (initial alignment) và độ chồng lắp (overlap) của các mối ráp. Do đó, việc chọn mối ráp ban đầu không phù hợp, hoặc chọn các mỗi ráp có độ chồng lắp không cao có thể làm ảnh hưởng đáng kể chất lượng của toàn bộ dữ liệu point cloud mà chúng ta đang có.

Lý do cuối cùng cho sự sai lệch dữ liệu đám mây điểm được gọi là lỗi lan truyền. Loại lỗi này xảy ra do việc tích hợp dữ liệu từ nhiều lần quét khác nhau. Ví dụ: chúng ta có một tập hợp các lần quét đám mây điểm, và mỗi lần quét có sai số cho phép là +/- 1mm. Theo cách đó thì, các lần quét sau lần quét đầu tiên sẽ bị một độ lỗi tích lũy bằng tổng độ lỗi bình phương của mỗi lần quét, và con số tích luỹ này khá lớn.

Mặc dù còn có nhiều lỗi khác  gây ra do không tuân thủ nghiêm ngặt các kỹ thuật tốt nhất trong quá trình quét thực địa, các lỗi đó nằm ngoài phạm vi của bài viết này, vì ở đây, chúng tôi chủ yếu mong muốn chia sẻ kinh nghiệm trong quá trình xử lý dữ liệu (data processing). Chúng tôi dự kiến sẽ chia sẻ các kỹ thuật về quét thực địa trong một bài viết sắp tới.

Các minh họa điển hình

Minh họa 1.

Chúng tôi mô tả ví dụ điển hình này bằng cách sử dụng file quét trên mép cửa sổ – mép chia toàn bộ không gian thành nửa không gian bên trong và nửa không gian bên ngoài, như thể hiện trong Hình 1. Chúng tôi sử dụng một số điểm neo để làm điểm tham chiếu đánh giá độ chính xác, và chúng tôi đã phát hiện độ lệch giữa các tệp point cloud của nửa không gian bên ngoài (FA_04) và nửa không gian bên trong (EG_64).

Độ lệch này là khoảng 40mm, nhưng rất khó để xác định. (nếu chúng ta tiến hành ngay việc vẽ theo dữ liệu point cloud này, thì độ chính xác vài mm so với thực tế không thể nào đáp ứng được). Độ sai lệch này không chỉ xảy ra giữa 2 file point cloud, mà còn xảy ra trên các điểm lân cận của cùng một file point cloud — như trong file FA_04 và file EG_62 trong hình bên dưới.

Độ lệch tương tự xảy ra giữa file FA_029 và file EG_60.

Minh họa 2.

Kiểm tra tổng thể ta có thể nhận thấy độ dày cửa bên trái vị trí có vấn đề gì so với cửa cùng loại bên phải không?

Nhưng khi phóng to ở vị trí bên trái

… và phóng to ở vị trí bên phải

Chúng tôi đã tìm ra độ lệch rất lớn, lên đến 90 mm. (nếu chúng ta vẽ theo đám mây điểm, độ chính xác 5mm không còn ý nghĩa nữa). Chúng tôi đã kiểm tra thêm bề mặt thẳng đứng và nó cho thấy rõ ràng sự khác biệt về dữ liệu point cloud ở không gian bên trong và không gian bên ngoài.

Và nhiều sai lệch khác ở các vị trí khác nhau.

Giải pháp

Tương tự như các quá trình xử lý dữ liệu khác, dữ liệu point cloud cũng có lỗi và sai lệch, và  điều đó là bình thường. Điều quan trọng là làm thế nào chúng ta giải quyết những thiếu sót thông tin một cách hiệu quả. Mặc dù, một số người cho rằng có thể tiết kiệm thời gian và chi phí cho khách hàng bằng cách tuân theo một quy trình làm việc ngắn gọn (Hình 5) —  thay thế dữ liệu sai lệch bằng các giá trị trung bình từ các điểm lân cận của nó. Mặc dù cách tiếp cận này có thể tiết kiệm thời gian xử lý, nhưng chất lượng cuối cùng bị ảnh hưởng nghiêm trọng. Mặc dù mức độ chính xác như thế có thể được dùng cho một số mục đích cụ thể, như là trình bày, hoạt ảnh và quảng cáo. Tuy nhiên, độ chính xác đó khó được chấp nhận trong các lĩnh vực quan trọng như xây dựng và kiến trúc.

Nhận biết được các hạn chế đó, chúng tôi áp dụng quy trình kiểm tra nghiêm ngặt hơn (a rigorous verification) ngay từ đầu của quy trình xử lý dữ liệu để khắc phục triệt để các hạn chế (Hình 6). Chúng tôi nhận thức được rằng quá trình kiểm tra đòi hỏi nhiều nhân sự có kinh nghiệm và tốn kém thêm ít thời gian. Tuy nhiên, đó là cách chúng tôi mang đến chất lượng cao nhất cho khách hàng chúng tôi trên toàn thế giới. Đặc biệt, chúng tôi đã tích hợp quy trình làm việc của mình theo nguyên tắc Kanban — nguyên tắc được tập đoàn Toyota áp dụng để duy trì sự nhất quán về chất lượng dịch vụ của họ. Chính xác hơn, khi bắt đầu quy trình, chúng tôi cần nhận được “vòng phản hồi” nhanh chóng từ phía khách hàng của mình cho đến khi cả hai chúng tôi bắt đầu “tin tưởng vào dữ liệu point cloud mà chúng tôi đang có”. Mặc dù chúng tôi có cả một phòng ban kiểm tra chất lượng trước giao hàng (Quality Assurance Department) chứ không phải là một vài cá nhân riêng lẻ, nhưng dữ liệu chúng tôi sử dụng phải chính xác ngay từ đầu, và điều đó khiến chúng tôi trở thành một trong những công ty hàng đầu về xử lý dữ liệu point cloud trong hơn mười năm trên thị trường hiện nay.

Take away

1/ Chúng ta phải chấp nhận một thực tế rằng, dữ liệu point cloud có thể có nhiều sai lệch, và đôi khi là sai lệch lớn.

2/ Một số lỗi là rất khó phát hiện, đòi hỏi nhiều kinh nghiệm thực tế lâu năm trong các dự án phức tạp khác nhau mới có thể phát hiện được.

3/ Vì lý do này,  một quá trình kiểm tra nghiêm ngặt là một bước bắt buộc phải có trong quá trình xử lý dữ liệu  point cloud, để làm cho dữ liệu trở nên đáng tin cậy ngay từ đầu.