Estimation de la qualite de scan 3d par techniques d'apprentissage machine

Conclusion :

Les travaux sur ce projet qui tourne autour de la qualité dans le processus de numérisation des objets 3D, on aboutit à évaluer les méthodes existantes qui permettent de quantifier et de définir cette notion de qualité, et de proposer une nouvelle méthode qui prend en compte le caractère anisotrope de la morphologie des pièces, en caractérisant ces pièces par des attributs géométriques angulaires et dimensionnels locales, dont la qualité des données dépend, ses indicateurs n'étaient pas pris en compte par les travaux antérieurs, ainsi que l'indicateur d'écart qui est le plus important puisqu'il quantifie l'erreur, cependant il reste d'autres travaux futurs à améliorer et à réaliser.

La justification par des exemples expérimentaux de l'importance des indicateurs qu'on a introduit, et la quantification de leur contribution dans l'écart résultant, l'utilisation des données récupérées à partir des exemples d'objets physiques pour l'apprentissage machine et la prédiction des écarts avant d'effectuer le scan, ce qui n'a pas été faits manque de temps, évaluer ainsi le score obtenu, de plus réaliser plusieurs scans avec des distances et des orientations différentes sur plusieurs pièces et analyser la capacité à estimer la qualité pour des nouveaux modèles, et l'évaluation d'autres attributs concernant l'environnement et les conditions de numérisation, ainsi d'étendre l'étude sur plusieurs technologies de scan.

21

Références :

Boix, E., 1995. Approximation Lineaire Des Surfaces De R^3 Et Applications.

Contri, A., Lartigue, C., Osty, G., 2002. Copying of Free-Forms from Digitized Data. pp. 113-120. https://doi.org/10.1007/978-94-015-9966-5_14

Hoppe, H., Derose, T., Duchamp, T., Mcdonald, J., Stuet-zle, W., 1992. Surface reconstruction from unorganized point clouds.

Lesage, D., Leon, J.-C., Veron, P., 2005. DISCRETE CURVATURE APPROXIMATIONS AND SEGMENTATION OF POLYHEDRAL SURFACES. Int. J. Shape Model. 11, 217- 252. https://doi.org/10.1142/S0218654305000785

LIU, P., Wang, Y., Huang, D., Zhang, Z., Chen, L., 2013. Learning the Spherical Harmonic Features for 3-D Face Recognition. IEEE Trans. Image Process. 22, 914-925. https://doi.org/10.1109/TIP.2012.2222897

Prieto, F., Lepage, R., Boulanger, P., Redarce, T., 2003. A CAD-based 3D data acquisition strategy for inspection. Mach. Vis. Appl. 15, 76-91. https://doi.org/10.1007/s00138-003-0131-4

Tápájiirâv1ç, K., Tarabanis, K., Allen, P., Tsai, R., 1995. A Survey of Sensor Planning in Computer Vision. IEEE Trans. Robot. Autom. 11. https://doi.org/10.1109/70.345940

Plonsky, L., Ghanbar, H., 2018. Multiple Regression in L2 Research: A Methodological Synthesis and Guide to Interpreting R ² Values. Mod. Lang. J. 102, 713-731. https://doi.org/10.1111/modl.12509

22