TY - THES A1 - Fotsing, Cedrique T1 - Point cloud processing : 3D indoor scans of buildings as essential tools in engineering, design and construction T1 - Punktwolkenverarbeitung : 3D-Innenraumscans von Gebäuden als zentrale Werkzeuge in Ingenieurwesen, Design und Bauwesen N2 - Recent advances in laser scanning systems have enabled the acquisition of 3D point cloud representations of scenes. This technological progress has significantly transformed and revitalized several sectors, including architecture, engineering, and construction (AEC) fields. The fundamental purpose of this thesis is to design and propose a set of methods for the automatic generation of 3D semantic models of multi-level buildings from indoor point clouds. The research encompasses a comprehensive workflow, starting with the acquisition of point cloud data, progressing through essential segmentation techniques for identifying distinct architectural elements, and culminating in the generation of the final model. The initial part of our work provides a comprehensive overview of diverse approaches to 3D scanning and technologies. Subsequently, we introduce an innovative point cloud registration technique, essential in obtaining both high-quality and comprehensive point cloud datasets. In the second part, we mainly focus on segmentation processes. A method for extracting planar structures is developed, followed by a specialized method for segmenting wall structures and identifying openings in wall blocks. The third part mainly focuses on the presentation of BIM technologies and their usefulness in the fields of AEC. Finally, the last part is devoted to the design of a complete pipeline for generating the 3D model from indoor point clouds. In the proposed pipeline, after segmenting the point clouds into potential building floors, a wall detection process is performed on each floor segment. Then, room, ground, and ceiling extractions are conducted using the 2D constellation obtained from the projection of the walls onto the ground plan. The identification of the openings in the walls is performed using a deep learning-based classifier that separates doors and windows from non-consistent holes. Based on the geometric and semantic information from previously detected elements, the final model is generated in IFC format. The effectiveness and reliability of the proposed methods and pipeline are demonstrated through extensive experiments at each step. The results reveal high precision and recall values, ensuring the fidelity of the generated models. The pipeline's efficiency and accuracy provide valuable contributions to future advancements in point cloud processing. N2 - Die jüngsten Fortschritte im Bereich der Laserscanning-Systeme haben die Erstellung von 3D-Punktwolken-Repräsentationen von Szenen ermöglicht. Dieser technologische Fortschritt hat mehrere Sektoren, darunter Architektur, Ingenieurwesen und Bauwesen (AEC), erheblich verändert und belebt. Das grundlegende Ziel dieser Dissertation ist es, eine Reihe von Methoden für die automatische Erzeugung von 3D-Semantikmodellen von mehrgeschossigen Gebäuden aus Indoor-Point-Clouds zu entwerfen und vorzuschlagen. Die Forschung umfasst einen umfassenden Workflow, beginnend mit der Erfassung von Point-Cloud-Daten, fortgeschritten durch wesentliche Segmentierungstechniken zur Identifizierung von unterschiedlichen architektonischen Elementen, und kulminierend in der Generierung des endgültigen Modells. Der erste Teil der Arbeit bietet einen umfassenden Überblick über verschiedene Ansätze zur 3D-Scanning und Technologien. Anschließend wurde eine innovative Point-Cloud-Registrierungstechnik eingeführt, die für die Erstellung hochwertiger und umfassender Point-Cloud-Datensätze unerlässlich ist. Der zweite Teil konzentriert sich hauptsächlich auf Segmentierungsprozesse. Es wird eine Methode zur Extraktion von Planarstrukturen entwickelt, gefolgt von einer speziellen Methode für die Segmentierung von Wandstrukturen und die Identifizierung von Öffnungen in Wandblöcken. Der dritte Teil konzentriert sich hauptsächlich auf die Präsentation von BIM-Technologien und deren Nützlichkeit in den Bereichen AEC. Schließlich widmet sich der letzte Teil dem Entwurf einer kompletten Pipeline zur Erzeugung des 3D-Modells aus Indoor-Point-Clouds. In der vorgeschlagenen Pipeline wird nach Segmentierung der Punktwolken in potenzielle Geschosse ein Wanderkennungsprozess auf jedem Etagenabschnitt durchgeführt. Anschließend werden Raum-, Boden- und Decken-Extraktionen mit der 2D-Konstellation durchgeführt, die aus der Projektion der Wände auf die Bodenebene gewonnen wird. Die Identifizierung der Öffnungen in den Wänden erfolgt mit einem Deep-Learning-Klassifikator, der Türen und Fenster von nicht konsistenten Löchern trennt. Basierend auf den geometrischen und semantischen Informationen aus zuvor erkannten Elementen wird das endgültige Modell im IFC-Format erzeugt. Die Wirksamkeit und Zuverlässigkeit der vorgeschlagenen Methoden und Pipelines werden durch umfangreiche Experimente in jedem Schritt nachgewiesen. Die Ergebnisse zeigen hohe Präzision und Trefferquoten, die die Glaubwürdigkeit der erzeugten Modelle gewährleisten. Die Effizienz und Genauigkeit der Pipeline leisten einen wertvollen Beitrag zu zukünftigen Fortschritten in der Point-Cloud-Verarbeitung. KW - Building Information Modeling KW - 3D scanning KW - Indoor point cloud KW - 3D-Scanning KW - Indoor-Punktwolke KW - Point cloud segmentation KW - 3D semantic models KW - Punktwolkensegmentierung KW - 3D-semantische Modelle KW - 3D-Scanner KW - Dreidimensionales Modell KW - Geschossbau KW - Punktwolke KW - Segmentierung KW - Building Information Modeling Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-68947 ER -