Visualisering av och mätning i punktmoln En jämförelse av fyra mjukvaror

Transkript

1 AKADEMIN FÖR TEKNIK OCH MILJÖ Avdelningen för industriell utveckling, IT och samhällsbyggnad Visualisering av och mätning i punktmoln En jämförelse av fyra mjukvaror Niclas Kalén och Piérre Niklasson 2017 Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik Lantmätarprogrammet, teknisk inriktning Handledare: Yuriy Reshetyuk Examinator: Stig-Göran Mårtensson Bitr. examinator: Ulrika Ågren

2

3 Förord Det här examensarbetet avslutar efter tre års tid utbildningen på Lantmätarprogrammet, teknisk inriktning, vid Högskolan i Gävle. Vi vill rikta ett stort tack till vår handledare Yuriy Reshetyuk och som även gav oss idén till det här examensarbetet. Samt ett tack till Norconsult AB för tillgången till deras punktmoln. Niclas Kalén & Pierre Niklasson Gävle, juni 2017 i

4 ii

5 Sammanfattning I det här examensarbetet har olika mjukvaror för punktmolnsvisualisering undersökts. Laserskanning används för att skapa tredimensionella modeller men det saknas i viss utsträckning mjukvaror för visualisering av punktmoln. Punktmoln har oftast en stor filstorlek och behöver smidiga metoder för att visualiseras och presenteras för utomstående personer. Utvecklingen av webbläsare gör att det idag finns goda möjligheter att visualisera punktmoln på webbaserade tjänster. Syftet har varit att undersöka professionella mjukvaror med open-source och gratismjukvaror i hur de klarar av att visualisera, mäta och presentera punktmoln. Punktmolns detaljrikedom styrs av dess punkttäthet. Högre punkttäthet kommer resultera i bättre detaljrikedom men tar längre tid att skanna och kräver mer lagringsutrymme. Tätheten på punktmolnet styrs av kraven från beställaren. Det är inte säkert att hög punkttäthet är nödvändigt att sträva efter eftersom det resulterar i mer data att hantera. De mjukvarorna som har undersökts är Autodesk ReCap, Leica Truview, Pointscene och Potree och de har jämförts mot Leica Cyclone. Endast tre av dem har kunnat läsa filformatet PTS varför Potree och Truview fick punktmolnet konverterat respektive exporterat till sina egna format. Jämförelsen mellan mjukvarorna baserades på skillnader i längdmätningar, eftersom vinkel- och areaspecifika verktyg inte finns i alla mjukvaror. Längdmätningarna upprepades 30 gånger där det är medeltalet och mätosäkerheten hos varje mjukvara som användes i jämförelsen. Undersökningen visar att det är små skillnader mellan mjukvarorna förutom Truview som är den enda mjukvaran som ger signifikanta avvikelser mot Cyclone. Det finns inte några signifikanta skillnader som uppstår i och med konverterignen till Potree. Pointscene och Potree är lika visuellt men Pointscene är dock att föredra eftersom den har egna servrar tillgängliga för användaren som förenklar delning av punktmoln till andra användare. Nyckelord: punktmoln, webbläsare, osäkerhet, visualisering iii

6 iv

7 Abstract In this thesis, various software for point cloud visualization has been investigated. Laser scanning is widely used to create three-dimensional models, but there is a lack of software for visualization. Point clouds usually have a large file size and need convenient methods for visualization and presentation to third parties. The development of browsers means that there are good opportunities today to visualize point clouds on web-based services. The purpose has been to investigate professional software with open source and free software in how they manage to visualize, measure and present point clouds. Details in point clouds is controlled by its point density. Higher point density will result in better details but will take longer time to scan and requires more storage space. The density of the point cloud is controlled by the requirement from the client. It is not certain that a high point density is necessary to strive for considering it will result in more data to handle. The software that has been investigated is Autodesk ReCap, Leica Truview, Pointscene and Potree, and they have all been compared to Leica Cyclone. Only three of them have been able to read the PTS-file format, while Potree and Truview have received the point cloud converted and exported to their proprietary file formats. The comparison between the softwares was mainly based on differences in length measurements, as angle and area-specific tools are not available in all softwares. The length measurements were repeated 30 times and it is the average and the uncertainty for each software that has been used in the comparison. The survey shows that there are small differences between the software except for Truview, which is the only software with significant deviations from Cyclone. There is not any significant differences in length measurements that arise when there have been conversions to Potree. Pointscene and Potree have visual similarities, Pointscene is however the preferred software because its own servers available which simplifies sharing point clouds to other users. Keywords: point cloud, web-browser, uncertainty, visualization v

8 Förkortningar ASCII ASPRS ASTM DXF E57 GNSS HTML5 ICP IMU LAS LAZ PLY PTS PTX RGB TLS TXT URL WebGL XAMPP XYZ American Standard Code for Information Interchange American Society of Photogrammetry and Remote Sensing American Society for Testing and Materials Draft Exchange Format Binärt filformat för punktmoln som främst används för terrester laserskanning Global Navigation Satellite Systems Den senaste standarden för programmeringsspråk i webbläsare Iterative Closest Point, beräkningsalgoritm för punktmolnsmatchning Inertial Measurement Unit Binärt filformat för punktmoln som främst används för flygburen laserskanning Binärt filformat för punktmoln som främst används för flygburen laserskanning Polygon file format, både binärt och ASCII-baserat filformat för 3D-data Textbaserat filformat för punktmoln Textbaserat filformat för punktmoln Red Green Blue Terrester laserskanning Textbaserat filformat Uniform Resource Locator Web Graphics Libary Cross-platform, Apache, MariaDB, PHP, Perl Filformat för koordinater vi

9 vii

10 Innehållsförtecknig 1 Introduktion Syfte och frågeställningar Avgränsning Teori Punkttäthet WebGL Filformat Mjukvaror Metod och material Data Bearbetning Potree Autodesk ReCap Pointscene Leica Truview Mätningar i mjukvaror Etiska aspekter Resultat Hus Tor Skolan Diskussion Framtida studier Slutsats Referenser Bilaga A... A1 Bilaga B... B1 Bilaga C... C1 Bilaga D... D1 Bilaga E... E1 Bilaga F... F1 Bilaga G... G1 Bilaga H... H1 Bilaga I...I1 Bilaga J... J1 viii

11 1 Introduktion Idag är laserskanning en viktig teknologi för att samla in tredimensionella (3D) data. Att skanna t.ex. ett kulturarv som ska bevaras, ett rum eller annan byggnad går utmärkt samtidigt som insamlad 3D-data ger en verklig bild. Fördelen med terrester laserskanning är snabbheten i kombination med mängden data som samlas in samt att den klarar av långa mätsträckor. I och med att det är enkelt att lagra metadata i ett punktmoln gör det att visualiseringar kan bli mycket bra och jämföras med ett foto. Laserdata är praktisk att använda, eftersom insamling av data är snabb och effektiv och är lämplig vid bevaring av t.ex. särskilt värdefulla objekt, för restaurering eller bevarande av värdefulla byggnader eller miljöer (Lantmäteriet, 2017). I och med att mer och mer geodata blir tillgängligt följer även betydelsen att kunna visualisera det. Oavsett om det är data som är öppen för allmänheten eller ej är det inte alltid enkelt eller en självklarhet hur det visualiseras (Cura, Perret & Paparoditis, 2017). Leica och Faro är två tillverkare av laserskannrar och har även, utöver den tillhörande mjukvaran, gratistjänster där användaren kan visualisera punktmoln i webbläsaren så länge de fått punktmolnen exporterade i rätt format. Problemet med dem är att de i första hand är utvecklade för deras egna mjukvaror och saknar därför möjligheter för integrering med andra mjukvaror. Ska punktmolnet dessutom levereras till en utomstående part är användaren i behov av filerna till punktmolnet (Ye, Wei, & Zhang, 2016). WebGL, som är ett JavaScript för 3D-grafik, har tillsammans med HTML5, med sin teknik för ljud och grafik, gett utvecklare bra förutsättningar att utveckla mjukvaror som har syftet att visualisera punktmoln i webbläsare (Khronos Group, 2017). Vid en situation där en kund fått t.ex. en industrilokal skannad och sedan smidigt vill ta del av punktmolnet är det smidigare att dela över internet än att behöva öppna en fil med samma punktmoln. 1.1 Syfte och frågeställningar Syftet med den här studien är att jämföra professionella mjukvaror med open-source och gratismjukvaror för att undersöka hur de klarar av att visualisera, mäta och presentera punktmoln. Följande frågeställningar har ställts för att besvara syftet: Hur skiljer sig mått och mätosäkerheter mellan de olika mjukvarorna? Blir det någon skillnad i mätosäkerheter beroende på storlek på punktmolnet? Om det blir, hur? Vilken är den mest användarvänliga mjukvaran utifrån import av punkter, responsivitet, orientering i punktmolnet och smidighet vid mätningar och val av punkter? 1

12 Vilken mjukvara är främst lämpad för presentation av punktmoln? 1.2 Avgränsning Den här studien riktar in sig på att undersöka fem stycken mjukvaror för visualisering av punktmoln. Några jämförelser kring vilka inställningar som är mest lämpade för vardera mjukvara förekommer inte utan undersökningen utförs med mjukvarornas respektive standardinställning. Inställningar som kan anpassas eller ändras är t.ex. vilken storlek punkterna ska visas i och huruvida punkterna ska visa med RGB-färger, höjd- eller intensitetsvärden. Bedömningen av användarvänligheten baseras på vår användning och erfarenhet av mjukvarorna. Det finns en ny variant av Leica Truview kallad Truview Global men den har inte blivit använd i den här studien. 2

13 2 Teori Ett punktmoln skapas vanligtvis från en laserskanner där varje punkt får bestämda tredimensionella koordinater, utöver koordinaterna kan även andra typer av data lagras, t.ex. RGB-färger och intesitetsvärden. Det används huvudsakligen två typer av skannrar, pulsmätande och fasmätande. Terrester laserskanning (TLS) är en vanlig metod då skanningen sker från marken, luftburen laserskanning sker från luften med antingen en bemannad farkost eller en obemannad. Skanning från luften går att kombineras med skanningar från en TLS för ett mer komplett punktmoln. Eftersom stora eller detaljrika objekt med största sannolikhet kommer att behöva skannas flera gånger, från olika vinklar, måste de även passas ihop. Det kallas för registrering och går ut på att få punkterna från två eller flera punktmoln att bli ett punktmoln (Vosselman & Maas, 2009). När de är registrerade betyder det även att alla punkter ligger i ett gemensamt koordinatsystem. Registrering kan ske med hjälp av konnektionspunkter eller genom att registrera punktmolnen mot varandra (punktmolnsmatchning) (Lantmäteriet, 2015b). Konnektionspunkter, normalt kallat signaler, skiljer sig efter tillverkare men vanligt är att de är sfärer eller plana med t.ex. schackmönster i en cirkel. Viktigt är att de skannas med hög punkttäthet och då ge en så bra förutsättning som möjligt inför registreringen. En användning av halvsfärer förenklar integreringen med totalstation och georeferering av punkten (Vosselman & Maas, 2009). Punktmoln som registreras mot varandra (punktmolnsmatchning) använder iterative closest point (ICP)-algoritmen. Då används inga konnektionspunkter utan det är motsvarande punkter från två moln som matchar mot varandra i beräkningsfasen. Beräkningen sker upprepade gånger där först en uppskattning görs för att sedan genom transformationparametrar hitta den bästa matchningen. Om mjukvaran inte hittar en bra matchning upprepas beräkningen tills en bra matchning finns efter givna kriterier (Vosselman & Maas, 2009). Vad som är viktigt vid sådana typer av registrering är en övertäckning på minst 30% för att osäkerheten i det sammanslagna punktmolnet inte ska försämras (Bornaz, Lingua & Rinaudo, 2003). För att georeferera punktmolnet är indirekt georeferering den vanligaste metoden framför direkt georeferering. Direkt georeferering kräver betydligt mindre efterarbete men får samtidigt sämre osäkerhet (Lantmäteriet, 2015b). Punktmolnets osäkerhet kan inte förbättras efter registrering och georeferering (Pandžić, Pejić, Božić & Erić, 2017). 3

14 2.1 Punkttäthet Det som definierar punkttäthet är antalet punkter per kvadratmeter. Berglund, Lindeskog och Johansson (2016) påvisar att punkttäthet har en viss betydelse i resulterande data. Hög punkttäthet leder samtidigt till att insamlingsperioden blir längre och ett högre krav på lagring för punktdata. Hög punkttäthet är inte alltid nödvändig eller ens praktisk att sträva efter. Relativt plana ytor kommer aldrig kunna dra nytta av många punkter då det inte finns objekt som behöver identifieras. Objekt som skannas på långa avstånd påverkas av att laserstrålens diameters träffbild blir större än vad själva objektets storlek är och läser av allt som hamnar inom laserstrålens träffbild. Därför är det viktigt att beakta vilken detaljrikedom (geometrisk upplösning) som eftersträvas (Reshetyuk, 2017) (Lantmäteriet, 2015b). En punkttäthet som är mindre än mätosäkerheten bör undvikas. Risken är stor att punktmolnet inte ger en riktig representation och brus uppstår om t.ex. mätosäkerheten är 10 mm men punkttätheten är 5 mm (English Heritage, 2011) (Lantmäteriet, 2015b). Med luftburen laserskanning går det snabbt att skanna stora områden men nackdelen är att punkttätheten kommer att bli mycket mindre än vad motsvarande skulle bli med terrester laserskanning. Höjden gör att laserpunkten blir stor på marken och blir därför inte lämplig där detaljrikedomen eftersträvas att vara hög (Vosselman & Maas, 2009). Luftburen laserskanning ger inte lika bra standardosäkerhet och geometrisk upplösning som går att uppnå med terrester laserskanning (Lantmäteriet, 2015a). Punkttätheten måste alltid anpassas efter varje enskild situation. Ytan eller objektet som ska skannas bör få en sådan punkttäthet att den motsvarar det önskade resultatet, därför finns det inga bestämda gränsvärden att följa (Lantmäteriet, 2015b) (Van Genechten, 2008). 2.2 WebGL Data som presenteras i tre dimensioner (3D) snarare än två dimensioner (2D) ger en bättre representation av verkligheten. WebGL (Web Graphics Library) är ett verktyg för att visualisera 3D-data. Tidigare krävdes någon form av applikation, det kunde vara en mjukvara eller applikation som kördes i webbläsaren varvid fördelen med WebGL är att det inte krävs något ytterligare plugin (Minto & Remondino, 2014)). Utvecklingen av WebGL skedde ifrån OpenGL ES 2.0 av Khronos Group. WebGL är en standard i HTML5 för visualisering av 3D-modeller i webbläsare. Det är ett JavaScript API (application programming interface) som är implementerat i princip alla webbläsare och använder sig av grafisk hårdvaruacceleration för att användaren inte ska vara i behov av att installera ett plugin (Khronos Group, 2017). 4

15 OpenGL är ett annat API för 2D och 3D grafik men som släpptes 1992 (OpenGL, 2016). 2.3 Filformat Visualisering i 3D är praktiska för att studera punktmoln men för att de ska kunna användas och visas av personer som inte är professionella krävs mjukvaror eller applikationer som är enkla att använda och eventuellt kan köras i webbläsaren. Tre punkter som inverkar är; prestandan på hårdvaran, modeller för flera upplösningar och/eller tekniker för förenkling av punktmolnen. Vid visualisering i webbläsare blir det därför fördelaktigt att använda sig av förenklingar i punktmoln där den huvudsakliga orsaken är att internethastigheten många gånger inte räcker till (Simone & Fabio, 2014). Det kan vara stor skillnad mellan olika filformat och beroende på om de t.ex. är binära eller är ett ASCII-format (American Standard Code for Information Interchange) kommer de att kräva litet eller stort lagringsutrymme. Stora punktmoln kan, om möjligt, med fördel delas upp i mindre delar för att göra användandet enklare (Lantmäteriet, 2015b). Filformaten utvecklas också för att vara uppdaterade och kunna användas för nya applikationer. Konsekvensen blir dock att kompatibiliteten kan saknas eller vara dålig mellan olika versioner (ASPRS, 2017) (Lantmäteriet, 2015a). Filformat som är vanliga är ASCII, E57, LAS och DXF (Draft Exchange Format), gemensamt för dem är att många olika mjukvaror kan läsa dem (Lantmäteriet, 2015b). Filformatet xyz (ASCII) har fördelen att som ett textbaserat format kan läsas av många mjukvaror då den är skapad för många ändamål (Dewez, Girardeau-Montaut, Allanic & Rohmer, 2016). En mer avancerad form av xyz är PTS-formatet (3D Points File). Det har i jämförelse med ett generellt xyz att det kan lagra annan data, t.ex. intensitetsdata. När ett punktmoln exporteras till PTS får vardera punkt en koordinat utifrån centrum i den redan befintliga punkten (Leica Geosystems, 2016c). Ett snarlikt format till PTS är PTX, båda två ger data utifrån 7 kolumner. Första tre är x-, y- och z-koordinater och därefter kommer intensitetsvärdet följt av RGB-värden (Red, Green, Blue) i var sin kolumn. Skillnaden mellan dem ligger i intensitetsvärdet, för PTS sträcker sig värdena mellan till 2047 medan PTX ger värden mellan 0 och 1 (Leica Geosystems, 2015). ASPRS (American Society of Photogrammetry and Remote Sensing) utvecklar LAS som är ett binärt filformat som är skapat med syftet att lagra laserdata och då främst för flygburen laserskanning. Formatet är anpassat för att fungera med GNSS (Global Navigation Satellite System) och IMU (Inertial measurement unit) och skapa 3Dkoordinater i punkterna (Lantmäteriet, 2015a) (ASPRS, 2013). LAS-formatet blev publikt 2003 och har sedan dess blivit uppdaterat fyra gånger (ASPRS, 2017). 5

16 E57 utvecklas av ASTM (American Society for Testing and Materials) och är utformat för att fungera som ett standardformat för punktmoln från laserskanning. Jämfört med ASCII är E57 ett binärt format vilket gör att det kräver mycket mindre lagringsutrymme och kan läsas snabbt. Punktdata lagras med kartesiska eller sfäriska koordinater men även ytterligare data för intensitet och RGB-färg (Huber, 2011). 2.4 Mjukvaror Mjukvaran Leica Cyclone är ett etablerat varumärke med flera år på marknaden för punktmolnsbearbetning. Cyclone är en relativt krävande mjukvara vilket förutsätter uppdaterad och modern hårdvara. I mjukvaran går allt från georeferering och registrering av punktmoln att göra, till modellering och videorendering för presentation. En laserskanner kan kopplas till en dator med cyclone installerat för att ställa in skanningsparametrar direkt i mjukvaran, det går även att importera XYZ (ASCII), PTS, LAS och E57-filer. Cyclone är den version av mjukvaran som användes. Leica TruView är en gratisapplikation som visualiserar punktdata från skannerns stationsetablering, TruView fungerar som application i datorn och även som webbaserad tjänst. Mjukvaran Cyclone är ett krav för att kunna exportera punktmolnet i rätt format som sedan kan visualiseras i TruView. En begränsning med Truview är att det endast fungerar i Internet Explorer. Funktioner som finns är längdmätningar och möjligheten att välja enskilda punkter och se dess koordinater (Leica Geosystems, 2016a). Leica Geosystems (u.å) beskriver att det finns två former av osäkerheter i mjukvaran. Den första osäkerhetskällan är laserskannern och datainsamlingen. Det är också den felkällan som står för den största delen av standardosäkerheten. Den andra felkällan är kodningen av punktmolnet. För att det ska fungera i en webbläsare måste punktmolnet komprimeras och det gör att en punkt kan få en ny position gentemot den ursprungliga positionen den har i Cyclone. Standardosäkerheten för kodningsfelet är ungefär en tredjedel av vad osäkerheten från laserskannern är. De två felkällorna ger också upphov till ett utökat fel när en mätning sker mellan två punkter. Osäkerheten i en längdmätning mellan två punkter kan inte vara mindre än osäkerheten i punkterna, vid ett likartat fel hos båda punkterna beräknas osäkerheten till punktfelet multiplicerat med 1.4 (Leica Geosystems, u.å.). Potree är en open-source mjukvara som baseras på WebGL där användaren kan ladda upp ett punktmoln som sedan kan delas för andra att titta i (Github, 2017a). Ye et al. (2016) påpekar att det är tidskrävande för Potree att konvertera punktmolnet och för att sedan ladda upp det till servern. Filformaten som Potree kan läsa för sin konverterare är LAS, LAZ, PLY, XYZ (ASCII) och PTX (Github, 2017c). I Potree går det att mäta distanser, vinklar, area, volym och höjd, resultatet 6

17 av mätningarna visas med två decimaler i version 1.3. Flera olika versioner finns tillgängliga av mjukvaran Potree, upp till version 1.3 är stabil och den senaste utgivna versionen medans 1.5 fortfarande är i utvecklingsfasen och kan därför vara ostabil (Potree, 2015) (Github, 2017d). En mjukvara som bygger vidare på Potree är Pointbox vilket har vidareutvecklats av GeoBit Consulting SL. Användningen av Pointbox är mycket snarlik Potree men har i gratisversionen en begränsning av datamängden på 2 gigabyte och av den anledningen har den lämnats utanför denna studie (Pointbox, 2017). Potree använder sig av en så kallad multi-res-octree algortihm (Github, 2017a). En octree är en metod för lagring och hantering av större punktmoln. Syftet med octrees är att förenkla visualisering, strömningen av detaljnivåer och kompressionen av punktmolnet. Värden för RGB-färger, intesitetsvärden och annan data blir då effektivare att ladda (Vosselman & Maas, 2009) (You, Fan, Roimela & Mattila, 2014). Pointscene är utvecklat av 3point Ltd, och är en tjänst med servrar i London, Helsingfors, Frankfurt och Chicago (Pointscene, 2017). Tre varianter finns, en gratis och två betalvarianter. För gratisvarianten får användaren ladda upp punktmoln med max 50 miljoner punkter vilket kan göras privat eller offentligt, i den offentliga inställningen kan vem som helst se punktmolnet på hemsidan medans den privata kan delas ut till specifika användare och kan delas med en specifik URL men saknar möjligheten att utföra mätningar. Med betalningsplanen more business kan punktmoln på 250 miljoner punkter läggas upp, och om det är fler punkter kan en offert begäras för kostnaden. Den billigare betalversionen har verktyg för mätningar och uppladdade punktmoln har möjligheten att hållas privata. Jämfört med Potree går det göra längd och areamätningar men dock inte vinkelmätningar (Pointscene, 2017). Mätningar som utförs ger resultat på millimeternivå eller motsvarande tre decimaler om enheten inte är metersystemet. Det går att välja en enskild punkt och få dess koordinat. Accepterade filformat är LAS, LAZ, E57 och PTS, de allra flesta webbläsare är accepterade bara de fungerar med webgl. Mätningar som utförs kan exporteras tillsammans som en textfil eller i dxf-format som då kan importeras i Autodesk-mjukvaror (Pointscene, 2017). Mjukvaran ReCap från utgivaren Autodesk är ett mer avancerat, där matchning och georeferering av punktmoln kan utföras i Pro versionen av mjukvaran. Det finns även en gratisversion där registrering ej går att utföra, visualisering och enklare mätningar går att utföra i gratisversionen. I ReCap Pro finns det bl a funktioner för behandling av UAV (unmanned aerial vehicle) data, automatisk registrering och rapporter på osäkerheter. Exportering av punktmoln till mjukvaror som Revit och Autocad från Autodesk underlättar för visualisering och efterarbete av molnen. Mätningar som kan utföras är längd och vinkelmätningar. Två varianter av vinkelmätning finns, en där tre punkter väljs och vinkeln bestäms utifrån dem samt där två sidor väljs (face-to-face) och vinkeln bestäms mellan dem. ReCap har lägre 7

18 rekommenderade systemkrav på hårdvaran än vad Cyclone har enligt mjukvarans tekniska specifikationer (Autodesk ReCap, 2017) (Leica Geosystems, 2016b). Vanligaste filformaten som de flesta mjukvarorna av den här typen läser är E57, LAS, PTS, PTX och TXT med flera (Autodesk Knowledge Network, 2016). 8

19 3 Metod och material 3.1 Data Av de två punktmolnen som användes var ett skannat av Norconsult AB och det andra var ett tidigare skapat punktmoln från ett projektarbete på Högskolan i Gävle i kursen Terrestrial and Airborne Laser Scanning. Punktmolnet från projektarbetet är över huset Tor på Högskolan i Gävles område. Punktmolnet från Norconsult AB (figur 1) var skannat på Nyckelviksskolan med en Leica ScanStation C10. Punktmolnet innehöll strax under 260 miljoner punkter, det höga punktantalet var pga. skanningar även gjordes inomhus. Tätheten på punkterna varierade mellan 10 och 5 mm beroende på objekt på byggnaden. Skolan var skannat både utvändigt och invändigt för en komplett visualisering av området. Georeferering saknades i punktmolnet och har därför ett lokalt koordinatsystem. För likvärdiga förutsättningar i samtliga mjukvaror användes ett nedklippt punktmoln med 42,3 miljoner punkter för mätningarna. Figur 1. Punktmoln över Nyckelviksskolan. Det andra punktmolnet över hus Tor (se figur 2) skannades även det med en Leica ScanStation C10 och det blev direkt georefererat i Cyclone. Huset skannades först från åtta stationer och kompletterades i efterhand med ytterligare tre skanningar. De kompletterande skanningarna registrerades med ursprungsmolnet genom punktmolnsmatchning. Punkttätheten är anpassad efter typ av objekt på huset. Den generella tätheten är på 10 mm och är använd på t.ex. husets fasad och tak medan 5 mm och 1 mm användes på olika detaljer som fönster och trappor. Totalt sett är punktmolnet över hus Tor ungefär 47 miljoner punkter stort. Alla punktmoln 9

20 exporterades från Cyclone i PTS-format, både det hela punktmolnet och de nedklippta punktmolnen. 3.1 Bearbetning Potree Figur 2. Översikt över hus Tor med de tio stationerna. För att mätningar i Potree skall gå och genomföra måste punktmolnet först konverteras till rätt filformat. Ursprungsmolnet exporterades i formatet PTS från Cyclone. Potree använder ett eget konverteringsprogram vilket dock inte accepterar formatet PTS. Mjukvaran Pointzip användes för att konvertera PTS-filen till LAS format. Potrees konverteringsprogram PotreeConverter användes sedan för att omvandla filen från LAS till det egna filformat för mjukvaran. Användningen av PotreeConverter sker genom kommandotolken där indata blir vald, att en konvertering skall genomföras, vilken mapp slutfilen skall konverteras till och slutligen vilket namn filen ska ha (Github, 2017b) (Github, 2017c). Punktmolnet för Tor, på ca 47 miljoner punkter tog ungefär 140 sekunder att konvertera. Då webbläsare inte tillåter Potree att ladda filer från den lokala disken behöver data först lagras på en server för att det skall fungera, finns data på en server som är online kan filen öppnas från datorer med kontakt till den servern. Open source plattformen XAMPP (Cross-platform, Apache, MariaDB, PHP, Perl) med tillägget 10

21 Apache användes för att simulera en server lokalt på datorn, Potree extruderas sedan i en undermapp i XAMPP och det konverterade punktmolnet läggs in i en undermapp i Potrees struktur (Github, 2017c). En HTML-fil skapas sedan för aktivering av mjukvaran och var punktmolnen är sparade, sedan öppnas html-filen i valfri webbläsare med en URL. Som tidigare beskrivit gick det att kontrollera koordinater för enskilda punkter och mäta längder, även vinklar och area gick att få ut direkt från mjukvaran. Areaverktyget beräknade endast arean gentemot referensplanet i punktmolnet vilket låg längs med marken, på grund av detta användes inte det verktyget för mätningarna. Potree 1.3 är den version som används i de flesta fall pga. dess stabilitet (se figur 3 och bilaga I för vy i 1.3). Version 1.5 är fortfarande i betafasen men den versionen användes för kontrollmätningarna (Github, 2017d) Autodesk ReCap Figur 3. Vy över nordvästra hörnet på Tor i Potree. Autodesk ReCap kan importera punktmoln i PTS-format, därav importerades samma punktmoln som i de andra mjukvarorna. Mjukvaran laddas ner från leverantörens hemsida, både gratisversionen och Pro-versionen av Autodesk ReCap användes men de funktioner som användes är tillgängliga oavsett version. Proversionen är tillgänglig som test under 30 dagar och degraderas sedan automatiskt till standardversionen. Längderna mättes med verktyget för längdmätning, medans vinklarna jämfördes på två olika sätt. Den ena mättes med verktyget där tre punkter blir valda, en startpunkt, en hörnpunkt och en slutpunkt. Det andra verktyget mäter vinkeln mellan två plan och kallas face Pointscene För att använda oss av Pointscene skapades en profil på hemsidan och därefter laddades punktmoln upp med restriktionen på maximalt femtio miljoner punkter. 11

22 Filformaten på samtliga punktmoln var PTS, det gällde både det hela punktmolnet och de som var nedklippta. Eftersom punktmolnen som laddas upp till ett gratiskonto fanns inte möjligheten att göra dem privata. Längderna och arean mättes med sina respektive verktyg i webbtjänsten (se bilaga I för vy). Pointscene fungerade i Chrome, Firefox, Safari och Edge, dock blev det problem i Internet Explorer då den inte klarade att ladda punktmolnet Leica Truview För den webbaserade applikationen Leica Truview exporterades hela punktmolnet från Cyclone. En site map blev exporterad och det är stationsetableringarna från skanningen som blir stationer för vyn. För att applikationen skulle fungera installerades ett tillägg i Internet Explorer från Leicas hemsida. Till skillnad mot de andra mjukvarorna går det inte att orientera i punktmolnet utan användaren är låst till de olika stationerna som skanningen skedde ifrån (figur 4). Data över stationsetableringar saknades för punktmolnet över skolan vilket i sin tur gjorde att det inte gick att exportera till Truview. Figur 4. Exempel på vy i Truview från station 10 vid hus Tor. 3.2 Mätningar i mjukvaror Samtliga mätningar förutom de i Potree och Truview utfördes i en fil med formatet PTS, Potree och Truview krävde sina egna format. För samtliga längd-, vinkel- och areamätningar upprepades mätningen 30 gånger för att få ett bra underlag för utvärdering av mätosäkerheten. Eftersom mjukvarorna snappar (fäster) mot punkterna i molnet olika och att visualiseringen av punkterna varierar var det en 12

23 bidragande orsak till antalet upprepade mätningar (se bilaga I för jämförelse mellan Pointscene och ReCap). Medeltal och standardosäkerhet beräknades för samtliga objekt som mättes. Mätningarna som gjordes i Cyclone användes som en referens gentemot de andra mjukvarorna eftersom PTS-filerna var exporterade därifrån. Mätningar utfördes på både det hela punktmolnet på hus Tor och de nedklippta punktmolnen vilka var anpassade efter vardera plats på huset. Hela punktmolnet var strax under 50 miljoner punkter vilket gjorde det möjligt att använda i Pointscene (Pointscene, 2017) och de andra nedklippta molnen hade punkter på 1-5 miljoner punkter. Det stora molnet klipptes ned till färre punkter för att undersöka om skillnader uppstod mot hela punktmolnet och ta reda på om de webbaserade mjukvarorna skulle ge andra resultat. Längdmätningar mellan två punkter kunde utföras i samtliga mjukvaror medan dedikerade verktyg för att mäta vinklar endast fanns i Potree och ReCap. I Pointscene och Cyclone utfördes även areamätningar. Medeltal och standardosäkerhet beräknades för vardera mjukvara och objekt. Förutom mätningarna över skolan gjordes de utifrån standardinställningarna för vardera mjukvara. Inga RGB-värden fanns lagrade i punktmolnet för skolan, istället användes intensitetsvärden för punkterna. För att identifiera eventuella osäkerheter vid importering och konvertering av punktmoln i de olika mjukvarorna skapades ett punktmoln där två punkter valdes och punkterna runt omkring avlägsnades (se bilaga I), mätningarna i det här punktmolnet benämns som kontroll. Kontrollen utfördes i Cyclone, Poitscene, Potree och ReCap men inte Truview då den inte klarar att importera PTS-filer. För Potree gjordes även kontrollen i version 1.5 för att den versionen har möjlighet att visa tre decimaler. Provytor för längdmätningarna valdes utifrån hörn och/eller distinkta kanter, gemensamt var att de skulle vara identifierbara i samtliga mjukvaror. Eftersom det bara är Truview som har fasta positioner valdes därför provytorna för längdmätningarna på Tor med hänsyn till de positionerna. Tre provytor användes för längdmätningar på både hus Tor och skolan. För Tor varierar längderna från korta sträckor under metern till drygt 3 meter och på skolan var de lite längre med sträckor mellan 6 och 16 meter. På skolbyggnaden utfördes inte några vinkel- eller areamätningar. Den långa sträckan benämns som tak 1 och den kortare som tak 2. Den tredje mätningen gjordes på höjden (figur 5). 13

24 Figur 5. Placeringar av längdmätningarna på skolbyggnaden. För punktmolnet över Tor gjordes längdmätningar ovanför entén, i skarven mellan två hörnstenar och på den lilla trappan. För mätningarna ovanför entrén fanns det två stationer som kunde användas i Truview. Station 3 och 9 var placerade vinkelrätt ut från entrén med 11.9 respektive 2.3 m (figur 6). Mätningarna som utfördes i skarven mellan två hörnstenar gjordes i det nordvästra hörnet. Den sista längdmätningen gjordes i skarven på det översta trappsteget. Se bilaga J för figurer samt figur 2 för översikt. Figur 6. Uppställningarna utanför entrén på Tor. 14

25 Både Potree och ReCap har verktyg för att mäta vinklar med det gemensamma att tre punkter väljs ut varvid vinkeln sedan beräknas automatisk. ReCap har även ett till verktyg för vinkelmätning kallat (face). Skillnaden mot den tidigare metoden är att punkter för två plan väljs ut, programmet beräknar sedan vinkeln mellan de två planen. Mätning av vinkel gjordes på nedre sidan av det nordvästra hörnet på hus Tor. Vinkeln mättes sedan på två vis, den ena gjordes med en kortare sträcka på hörnstenen och med en längre sträcka på fasaden (figur 7 och bilaga J). Avstånden var då ca 0.9 respektive 7 meter. Oavsett längd sattes punkterna på samma höjd för att skillnad i höjd inte skulle påverka mätningen av vinkeln. Mätning av vinklar gjordes inte i Cyclone, Pointscene och Truview eftersom de saknar verktyg för vinkelmätning. Figur 7. Exempel på hur vinkelmätning från ReCap. Arean mättes på en del av fasaden på hus Tors nordvästra del (se bilaga J). Fasaden består av ytbelagd betong och avgränsas av stenar vid gavlarna samt ovanför. Det gör att fyra hörn identifierades varifrån mätningarna kunde göras. Antalet mätningar som gjordes i Pointscene och Cyclone var 30 stycken. I Pointscene användes det inbyggda verktyget för att mäta area. Mätning av arean i Cyclone utfördes genom att först skapa ett fence över gällande delen av fasaden, sedan skapades ett plan som arean beräknades av. 3.3 Statistikteori För att undersöka om skillnaderna mellan mjukvarorna är signifikant utfördes ett signifikanstest. För att avgöra om skillnaderna mellan mjukvarorna ligger inom konfidensnivån 95% beräknades det kritiska värdet enligt ekvation 1: H0: de är lika, dvs. =0, H1: de är inte lika, dvs 0 (1) 15

26 Är värdet av ekvationen mindre eller lika med 1.96 stämmer hypotes H0, alltså är det ingen signifikant skillnad. Stämmer hypotes H1 är värdet över 1.96 då är det en signifikant skillnad (SIS-TS 21143:2013). 3.4 Etiska aspekter I den här studien har inga personer deltagit och därför har inte några personuppgifter blivit behandlade. De två punktmolnen som blivit använda, varav det ena från Norconsult, har hanterats varsamt om de varit uppladdade på någon webbtjänst har det endast var tillgängliga för oss. Tillstånd har erfordrats för att använda båda punktmolnen i den här studien. 16

27 4 Resultat 4.1 Hus Tor I kontrollmätningen som utfördes gav Cyclone, Pointscene och ReCap samma resultat på m. En utökning till fem decimaler i Cyclone gav ett mer exakt värde på m. I Potree gavs olika värden i versionerna 1.3 och 1.5. Version 1.3 gav en längd på 3.09 m och version 1.5 gav en längd på m. För mätningarna ovanför entrén i hela molnet på hus Tor har Cyclone, Pointscene, Potree, ReCap och Truview (st 9) likvärdiga resultat och av dem har Poinscene den största avvikelsen från Cyclone på 5 mm, det är dock ingen signifikant skillnad. De två mätningarna i Truview ger större avvikelser och då främst mätningarna på station 3 (se tabell 1). Medan station 9 har samma avvikelse från Cyclone som Pointscene ger station 3 en betydligt längre mätsträcka än de andra (se tabell 1). Från station 9 har mätningarna också en stor differens på 21 mm mellan max/minvärdet. Differensen på station 3 var mindre, 13 mm (se bilaga A). Dess medeltal är 16 mm längre än medeltalet för Cyclone och skillnaden mot station 9 är 21 mm. Truview station 3 är den enda mätningen där det är en signifikant skillnad mot Cyclone. Skillnaderna mellan mätningar i det hela punktmolnet och i det klippta är mycket små. Potree har den största skillnaden men är inte mer än 3 mm (se tabell 1 och tabell 2). Eftersom Truview inte blir ett nedklippt punktmoln sker endast jämförelserna mot de övriga mätningarna i helt punktmoln. Samtliga medeltal presenteras med tre decimaler, även Potrees trots att mätningarna endast gav två decimaler. Tabell 1. Längdmätningar ovanför entrén på hus Tor i det hela punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Truview (st 3) Truview (st 9) Tabell 2. Längdmätningar ovanför entrén på hus Tor i det nedklippta punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Längdmätningarna på hörnstenen har precis som mätningarna ovanför entrén endast några millimeter i skillnad mellan det hela punktmolnet och det klippta. Även här är det Potree som har den största skillnaden mellan sina mätningar (se tabell 3 och 17

28 tabell 4). Truview (st 2) är den signifikans som faller utanför 95% intervallet (se tabell 3). Truview och Potree har differenser mellan sina max/min-värden över 20 mm; 27 mm för Truview och 30 mm för Potree (se bilaga B). Det senare värdet gäller för mätningarna i hela punktmolnet. Tabell 3. Längdmätningar på hörnstenen för hus Tor, i det hela punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Truview (st 2) Tabell 4. Längdmätningar på hörnstenen för hus Tor i det nedklippta punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Potree ger i mätningarna på trappan på hus Tor först en avvikelse på 1 mm i det hela punktmolnet medan den ger en avvikelse på 4 mm mot Cyclone i det klippta molnet (se tabell 5 och tabell 6). Den skillnaden som finns mellan de två mätningarna i Potree ligger i samma spann som de tidigare två på 3 och 4 mm för entrén respektive hörnstenen. Potree har liknande tendenser för längdmätningarna som tidigare med små avvikelser men också högre osäkerhet än Pointscene och ReCap (se tabell 5 och tabell 6). Truview ger här den högsta avvikelsen från Cyclone, med et medeltalet som är 29 mm kortare än vad Cyclones medeltal är (tabell 5). Mätningarna ger även en differens mellan max/min-värdet på 21 mm (se bilaga C). Truviews avvikelse överstiger konfidensnivån på 95% även här. Tabell 5. Längdmätningar på trappan för hus Tor, i det hela punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Truview (st 10)

29 Tabell 6. Längdmätningar på trappan för hus Tor i det nedklippta punktmolnet, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Vinkelmätningar gjorda med vinkelverktygen ger mycket snarlika resultat i både Potree och ReCap när både korta och långa sträckor användes. Mätningarna i ReCap med face-verktyget ger istället en betydligt mindre vinkel på kort sträcka. Med långa sträckor ger den ett medeltal som är nästan 1 grad större än vad det var på den korta sträckan, dock är osäkerheten högre för den långa sträckan (se tabell 4). För de långa sträckorna på vinkelverktyget blir vinklarna mindre i både Potree och ReCap samt att osäkerheterna sjunker, för ytterligare data se bilaga D. Tabell 7. Vinkelmätningar för hus Tor med korta respektive långa sträckor. V (kort) S V (lång) S Potree ReCap ReCap (face) Då det endast var möjligt att mäta area med ett specifikt verktyg i Pointscene, gjordes inga andra areaberäkningar i övriga mjukvaror förutom Cyclone där de användes som jämförelse. Areamätningen i Cyclone, med metoden Fence to patch, gav ett medeltal på m2 och en standardavvikelse på m2. Det kan jämföras med Pointscene där arean var m2 och standardavvikelsen m2. Skillnaden mellan mjukvarorna är m2 (se bilaga E). 4.2 Nyckelviksskolan Längdmätningarna längs med tak 1 är de längsta som gjordes. Jämfört med längden som mättes i Cyclone skiljer sig både Pointscene och ReCap med 4 mm på vardera sida om Cyclones resultat (se tabell 8). Pointscene och Potree har dock större differenser än ReCap, på 21 respektive 20 mm (se bilaga F). Samtliga mätningar är inom konfidensnivån på 95%. Tabell 8. Längdmätningar på tak 1 på Nyckelviksskolan, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Mätning kallad tak 2 är den där det är minst avvikelser mellan de olika mjukvarorna. I tabell 9 går det också att utläsa att det är jämnare mellan standardosäkerheterna än vad de är för mätningen på tak 1 och höjden. Bilaga G visar att det är mindre 19

30 differenser mellan mjukvarornas max- och min-värden och där Potree har den största differensen på 20 mm. Ingen av mätningarna visar någon signifikant skillnad gentemot Cyclone. Tabell 9. Längdmätningar för tak 2 på Nyckelviksskolan, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap Mätningarna på det ena hörnet är de enda mätningen som utfördes för att ta fram höjden. Här är det Potree som har den största avvikelsen från Cyclone, dock har Pointscene lite högre standardosäkerhet (tabell 10). I bilaga H visas även att Pointscene har en lite högre differens mellan mätningarna än vad Potree och ReCap har, på 26 mm mot 20 respektive 18 mm. De tre avvikelserna visar inte någon signifikant skillnad mot Cyclone. Tabell 10. Höjdmätningar för hörnet på Nyckelviksskolan, med medeltal, standardosäkerhet, avvikelse från Cyclone och signifikanstest (95%). Medeltal (m) S Avvikelse Signifikanstest Cyclone Pointscene Potree ReCap

31 5 Diskussion Potree version 1.3 visar endast två decimaler, vilket resulterar i att mätningarna får avrundade resultat och då har en tendens att visa samma avstånd även om det är punkterna bredvid som väljs. Resultatet blir därför mindre exakt då det avrundas till närmaste centimeter istället för närmaste millimeter. Jämfört med övriga mjukvaror där mätningarna visas på just millimeternivå antas avstånden vara mer exakta. I praktiken är det inte säkert att Potree i sig är mer osäkert, signifikanstestet påvisar att det inte är någon signifikant skillnad mellan Potree och Cyclone. Potree har för nästan samtliga längdmätningar differenser på minst 20 mm mellan max/minvärden, orsaken till det är att version 1.3 ger sina resultat med två decimaler. Det gör att differenserna ligger på 0.01, 0.02 eller 0.03 m. Avrundningen gör att en längd blir t.ex m medan i övriga mjukvarorna skulle den bli m, som exemplifieras i kontrollen. Längderna från kontrollen indikerar även att det finns en viss osäkerhet i de två stegen för konvertering till Potrees format men skillnaden är fortfarande inom 95% konfidensnivå. Version 1.5 ger en längd på m alltså en millimeter längre än övriga mjukvaror trots att tre decimaler har använts. Vid mätningarna ovanför entrén gavs möjligheten att göra mätningen från två olika stationer i Truvew. De horisontella avstånden från väggen var 2.3 och 11.9 meter för station 9 respektive station 3. Station 9 var dessutom en av tre kompletterande skanningar som utfördes i efterhand och hade blivit registrerad genom punktmolnsmatchning. Mätningen från station 9 gav ett medeltal som var 5 mm kortare än vad Cyclone gav. Pointscene hade också en avvikelse på 5 mm men var istället längre än Cylone. Station 3 hade dock ett betydligt högre medeltal som först var 16 mm längre än Cyclone men också 21 mm längre än vad medeltalet var för station 9. Mätningarna från station 3 sticker alltså ut på två sätt och det finns två saker att resonera kring. Att de andra fyra mjukvarorna inte får sådana utslag är pga. att molnet är sammanslaget till ett medan stationerna i Truview endast kan göra mätningar för punkter som är skannade från den egna uppställningen. Därav är det möjligt att skanningen från station 9 kan ha bättre standardosäkerhet och/eller högre punkttäthet och ge en bättre förutsättning för mätningar. Orsaken till resultatet för station 3 kan vara hur programmet kodar när användaren zoomar in. Även signifikanstestet påvisar en tydlig skillnad gentemot Cyclone och övriga mjukvaror inklusive station 9 i Truview. Något som även upptäcktes vid större inzoomning var att punktmolnet blev suddigt, detta beror på att Truview använder sig av bilder av intensitetsvärdena i visualiseringen. Upplösningen kan jämföras med ett foto, när det är för mycket inzoomat försvinner detaljrikedomen. I jämförelse mellan Tor och Nyckelviksskolan var det generellt lite högre standardosäkerhet för mätningarna i punktmolnet för Nyckelviksskolan. Inte heller 21

32 jämförelse mellan det hela och de klippta punktmolnen för Tor visar någon signifikant skillnad. Vinklarna framtagna med vinkelverktyget som baseras på tre punkter ger liknande resultat i både Potree och ReCap, dock skiljer sig ReCaps vinklar som är framtagna med Face-metoden. Metoderna skiljer sig i grunden då den ena använder sig av startpunkt, hörnpunkt och slutpunkt, och vinkel beräknas utifrån koordinaterna på valda punkter. ReCaps face-metod beräknar istället skillnaden mellan två plan och tar ut vinkeln i skärningen mellan dem. Jämförelsevis blir det en betydligt mindre skillnad när långa mätsträckor används i de båda metoderna. Vinklarna som är mätta med vinkelverktygen i Potree och ReCap ger väldigt likartade resultat på de korta sträckorna och en moderat skillnad för de längre sträckorna. De följer dock varandra med att för de korta ligger kring 90.6º till att vara º i de långa. Skillnaden mot face-verktyget i ReCap med korta längderna är tydlig, det blir en väldigt liten skillnad på º mellan mätningarna med långa sträckor med ReCap face och Potree. Även fast ReCap gav en större osäkerhet är det mer troligt att längre sträckor ger exaktare svar. När längdmätningar i mjukvarorna är utförda bildas en linje mellan punkterna där avståndet visas med siffror. Detta görs dock inte i ReCap, linjen syns endast om båda punkterna visas på skärmen samtidigt. Vilket försvårar identifiering av vald punkt i inzoomat läge, då punktmolnet måste roteras så både start- och slutpunkt är i synfältet. En svårighet i Pointscene, Potree och ReCap är när hela punktmolnet används eller när det finns flera lager av punkter bakom önskat objekt, då snappingen sker till den punkt som är närmast markören. Vid användning kan det bli tidskrävande om önskad punkt inte blir vald. Inzoomning i punktmolnet underlättar vid val av punkt och det finns inga reella skillnader mellan mjukvarorna i aspekten av att orientera i punktmolnet. Pointscene och ReCap liknar varandra i hur de visar punktmolnen men har en skillnad i hur tydligt de visualiserar punkterna. Punkterna uppfattas i Pointscene som enkelt att skilja på oavsett om det är ut- eller inzoomat, i ReCap blir det istället svårare att skilja på punkter utifrån RGB-värden desto mer inzoomad användaren är. Enkelt beskrivet blir färgerna i ReCap svagare vilket de inte blir i Pointscene (se bilaga I för jämförelse). När mätningar ska göras mellan två punkter blir det svårare att urskilja färgerna som t.ex. visar vilken yta eller detalj det är. Potree har en något matt grundinställning på färgintensiteten, dock är valet av punkt oftast enkelt då den förinställt har en större punktstorlek än de andra och gör önskad punkt lätt att snappa på. Är punkttätheten hög kan det vara svårare att urskilja rätt punkt då de visuellt bildar ett plan och skär in i varandra (bilaga I). I Truview visas inte någon rendering av RGB-färger utan den visade endast intensitetsvärden. Vid 22

33 användningen blir därför många skarvar svåra att se eftersom det är så pass små skillnader i intensitet. Detta problem med färgintensitet och val av punkt är återkommande i alla mjukvaror men i väldigt varierande grad, speciellt val av punkt när flera finns bakom och runt den önskvärda punkten. När längdmätningar ska göras i punktmoln kommer de att påverkas av hur hög punkttätheten är. En högre punkttäthet kan leda till att det är svårare att välja samma punkt om och om igen vid jämförelse mot ett moln med glesare punkttäthet, då punkterna blir enklare att urskilja. Dock är det inte säkert att molnet med den lägre punkttäheten ger mätningar som stämmer bättre överens med verkligheten. Molnet med högre punkttäthet kan bättre göra en bra realisation över t.ex. ett hörn, kant eller annan detalj men mätningarna får nödvändigtvis inte en lägre osäkerhet. För att kunna dra några sådana slutsatser måste det undersökas mera utförligt. Det säger sig själv att användaren får bättre förutsättningar att göra noggranna mätningar om punkttätheten är 2 mm jämfört med 5 mm. Betydelsen av att ha hög punkttäthet vid mätningar vid hörn och skarvar blir tydlig om det finns en viss avsaknad av punkter vid t.ex. ett hörn, då kan det bli svårt att definiera var kanten är. Punkttätheten bestäms dock av beställaren vilket i sin tur sätter förutsättningen för visualiseringen. De webbaserade mjukvarorna fungerade någorlunda lika vad gäller responsivitet och stabilitet. Mjukvarorna fungerade felfritt i Google Chrome som användes mest. Även Mozilla Firefox testades och var likvärdig med Chrome, Internet Explorer bör undvikas då mjukvarorna inte fungerar lika stabilt eller som i Pointscenes fall där den inte kunde ladda punktmolnet. Dock fungerar Truview endast i Explorer vilket idag kan ses som förlegat. Den stora fördelen med Pointscene är att användaren får ladda upp punktmoln mot utvecklarens servrar. Det gör att ingen egen server behöver införskaffas likt för Potree eller att användaren måste installera en mjukvara. Både Pointcene och Potree delar punktmoln via URL vilket underlättar vid delning till andra användare. Användarmässigt är Potree och Pointscene att föredra då de båda är webbaserade och smidiga att dela med sig av punktmolnet till andra användare. Såvida en riktig server används till Potree och inte en virtuell server lokalt på datorn, då en virtuell server kan vara svår att installera, föredras Pointscene då den har egna servrar. Väl inne i mjukvarorna är Potree och Poinscene snarlika att använda men det är Pointscenes smidighet med att vem som helst kan skapa en profil och ladda upp ett punktmoln som gör den till den mest användarvänliga av de aktuella mjukvarorna. Efter bearbetningen och användningen av data är färdigt behöver ett lämpligt filformat väljas om data skall sparas. Ett binärt filformat t.ex. E57 tar litet lagringsutrymme att spara och är smidig vid importing och exportering. De textbaserade ASCII-formaten, t.ex. PTS, är inte lika smidiga att använda i och med 23

34 det betydligt större lagringsutrymmet som krävs men har istället fördelen med bättre kompabilitet. Om lagring ska ske under en lång tid kan ASCII-format var att rekommendera då textbaserade filformat är mer universella och kan öppnas i en textredigerare. Kan en standard bestämmas, t.ex. E57 och LAS, ges användare i framtiden en bättre förutsättning att behandla äldre filer. E57 är ett relativt nyutvecklat format men framhävs av Lantmäteriet (2015a) som ett bra format för terrester laserdata. En standard av filformat som fungerar i samtliga mjukvaror på marknaden skulle underlätta väsentligt för användaren, och säkerställa funktion för användningen av äldre punktmoln i nya mjukvaror. 5.1 Framtida studier För framtida forskning kan flera webbaserade tjänster och mjukvaror jämföras, med huvudsyftet att utvärdera användarvänligheten och funktionsdugligheten. En metod för visualisering av punktmoln i framtiden är att använda sig av virtual reality (VR). Möjligheten skulle där vara att med hårdvaror som t.ex. Oculus Rift, HTC Vive och Microsoft HoloLens kunna röra sig runt i punktmolnet. Instrumenttillverkaren FARO har en egen mjukvara för visualisering i VR kallat FARO VR Pointcloud Viewer som fortfarande utvecklas. Det är för närvarande anpassat för att användas med Oculus Rift. Oculus Rift och HTC Vive är redan etablerade på marknaden men är idag främst anpassade spel. Microsoft HoloLens är fortfarande under utveckling men jämfört med Rift och Vive främst designat för visualisering av objekt i verkligheten, så kallade hologram. 24

35 6 Slutsats Syftet med studien var att undersöka mjukvaror för punktmolnvisualisering med aspekten på visualisering, mätning och förmågan att presentera punktmoln. Om man bortser från Truview är avvikelserna från Cyclone endast på några millimeter. Avvikelserna och osäkerheterna är inte tillräckligt stora mellan mjukvarorna för att det ska ge några signifikanta skillnader vilket konfidensnivån på 95% visar. Den skillnaden som uppstår i Potree visar genom kontrollmätningen att det blir en skillnad efter de två konverteringarna men den är fortfarande inte signifikant jämfört med Cyclone. Dock visar Truview en signifikant skillnad mot Cyclone i alla mätningar förutom i mätningen ovanför entrén från station 9. De visuella skillnaderna är relativt små men de påverkar hur mjukvarorna renderar punkterna och hur lätt det är att se varje skarv och detalj. Pointscene är sammantaget den smidigaste mjukvaran för att visualisera punktmoln och mest användarvänligt. Den klarar de viktiga formaten PTS och E57, laddar snabbt och är enkel att navigera i. Stora fördelen är att punktmoln kan laddas upp till deras egna servrar vilket förenklar mycket när ett punktmoln ska delas med annan användare. 25

36 Referenser ASPRS (2013) LAS Specification - version R13. Hämtad från den ASPRS (2017) LASer (LAS) File Format Exchange Activities. Hämtad från den Autodesk Knowledge Network (2016) Supported File Formats. Hämtad från result/caas/cloudhelp/cloudhelp/2017/enu/reality-capture/files/guid- BE7784C3-9B58-426E C8CF4E7-htm.html den Autodesk ReCap (2017) System requirements. Hämtad från result/caas/sfdcarticles/sfdcarticles/system-requirements-for-autodesk- ReCap html den Berglund, J., Lindeskog, E. & Johansson, B. (2016). On the tradeoff between data density and data capture duration in 3D laser scanning for production system engineering. 48th CIRP International Conference on Manufacturing Systems, Ischia, juni, 24-26, doi: /j.procir Bornaz, L., Lingua, A., Rinaudo, F. (2003). Multiple scan registration in LIDAR close-range applications. Proceedings of the ISPRS International Workshop WG V/4 and INTCOM III/V Vision Techniques for Digital Architectural and Archaeological Archives. Ancona, Italy, July 1 3. Cura, R., Perret, J., & Paparoditis, N. (2017). A scalable and multi-purpose point cloud server (PCS) for easier and faster point cloud data management and processing. ISPRS Journal Of Photogrammetry And Remote Sensing, 127(Geospatial Week 2015), doi: /j.isprsjprs Dewez, T., Allanic, C., Rohmer, J., & Girardeau-Montaut, D. (2016). Facets : A cloudcompare plugin to extract geological planes from unstructured 3d point clouds. International Archives Of The Photogrammetry, Remote Sensing And Spatial 26

37 Information Sciences - ISPRS Archives, 41(23rd ISPRS Congress, Commission V), doi: /isprsarchives-xli-b English Heritage (2011). 3D Laser Scanning for Heritage (second edition) - Advice and guidance to users on laser scanning in archaeology and architecture. Hämtad från den Github (2017a) Potree. Hämtad från den Github (2017b) Potree - Getting Started. Hämtad från den Github (2017c) Potree Converter. Hämtad från den Github (2017d) Potree - downloads. Hämtad från den Huber, D. (2011). The ASTM E57 File Format for 3D Imaging Data Exchange. Proceedings Of SPIE - The International Society For Optical Engineering, 7864(Proceedings of SPIE-IS and T Electronic Imaging - Three-Dimensional Imaging, Interaction, and Measurement), doi: / Khronos Group (2017) Khronos Releases Final WebGL 1.0 Specification to Bring Accelerated 3D Graphics to the Web without Plug-ins. Hämtad från specification, den Lantmäteriet (2015a). HMK Laserdata. Gävle: Lantmäteriet. Hämtad från den Lantmäteriet (2015b). HMK Terrester Laserskanning. Gävle: Lantmäteriet. Hämtad från 27

38 samverkan-med-andra/handbok-mat--och-kartfragor/geodesi/hmkterrester_laserskanning_2015.pdf, den Lantmäteriet (2017). GSD-Höjddata, grid 2+. Hämtad från den Leica Geosystems (2015) Cyclone pointcloud export format - Description of ASCII.ptx format. Hämtad från den Leica Geosystems (2016a) Leica Cyclone PUBLISHER 9.1 and Truview 3.2: Create Web- Ready Views of Scanner Data. Hämtad från den Leica Geosystems (2016b) Leica Cyclone BASIC 9.1 Comprehensive laser scansoftware for field & office. Hämtad från den Leica Geosystems (2016c) Cyclone. User manual, version Leica Geosystems (u.å.) Leica Truview Accuracy. Hämtad från den Minto, S., & Remondino, F. (2014). Online Access and Sharing Of Reality-Based 3d Models. Scires-IT, 4(2), doi: /i v4n2p17 OpenGL (2016) OpenGL Overview. Hämtad från den Pandžić, J., Pejić, M., Božić, B., & Erić, V. (2017). Error model of direct georeferencing procedure of terrestrial laser scanning. Automation in Construction, 78, doi: /j.autcon Pointbox (2017) Pointbox. Hämtad den , från Pointscene (2017). Features and formats. Hämtad den

39 Potree (2015) Potree Hämtad från den Reshetyuk, Y. (2017). Terrester Laserskanning. Sweden, Europe: Bookboon Simone, M., & Fabio, R. (2014). Online access and sharing of reality-based 3d models. Scires-IT: Scientific Research and Information Technology, Vol 4, Iss 2, Pp (2014), (2), 17. doi: /i v4n2p17 SIS-TS 21143:2013. Byggmätning Geodetisk mätning, beräkning och redovisning av byggnadsverk och infrastruktur. Stockholm: SIS Förlag AB Vosselman, G. & Maas, H. (red.) (2009). Airborne and terrestrial laser scanning. Dunbeath: Whittles, cop Van Genechten, B. (2008). Theory and practice on Terrestrial Laser Scanning: Training material based on practical applications. Belgium, Europe: Universidad Politecnica de Valencia Editorial. Ye, M., Wei, S. & Zhang, D. (2016). An Approach of Web-based Point Cloud Visualization without Plug-in. IOP Conference Series: Earth and Environmental Science, 46(1), doi: / /46/1/ You, Y., Fan, L., Roimela, K. & Mattila, V. (2014). Simple octree solution for multi-resolution LiDAR processing and visualisation. Proceedings IEEE International Conference on Computer and Information Technology, CIT 2014, doi: /cit

40 Bilaga A Tabell 1. Längdmätning entré med Pointscene på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St.osäk Max Min Diff A1

41 Tabell 2. Längdmätning entré med Potree på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff A2

42 Tabell 3. Längdmätning entré med ReCap på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff A3

43 Tabell 4. Längdmätning entré med Truview på hus Tor Mätning Längd Station 3 (m) Längd Station 9 (m) Medel St. osäk Max Min Diff A4

44 Tabell 5. Längdmätning entré med Cyclone på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff A5

45 Bilaga B Tabell 1. Längdmätning hörnsten med Pointscene på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff B1

46 Tabell 2. Längdmätning hörnsten med Potree på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff B2

47 Tabell 3. Längdmätning hörnsten med ReCap på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff B3

48 Tabell 4. Längdmätning hörnsten med Truview på hus Tor Mätning Längd Station 2 (m) Medel St. osäk Max Min Diff B4

49 Tabell 5. Längdmätning hörnsten med Cyclone på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff B5

50 Bilaga C Tabell 1. Längdmätning trappa med Pointscene på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff C1

51 Tabell 2. Längdmätning trappa med Potree på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff C2

52 Tabell 3. Längdmätning trappa med ReCap på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff C3

53 Tabell 4. Längdmätning trappa med Truview på hus Tor Mätning Längd Station 10 (m) Medel St. osäk Max Min Diff C4

54 Tabell 5. Längdmätning trappa med Cyclone på hus Tor Mätning Längd helt punktmoln (m) Längd klippt punktmoln (m) Medel St. osäk Max Min Diff C5

55 Bilaga D Tabell 1. Vinkelmätning med Potree på hus Tor Mätning Kort vinkel (Grader) Lång vinkel (Grader) Medel St. osäk Max Min Diff C1

56 Tabell 2. Vinkelmätning med ReCap Vinkelverktyg på hus Tor Mätning Kort vinkel (Grader) Lång vinkel (Grader) Medel St. osäk Max Min Diff C2

57 Tabell 3. Vinkelmätning med ReCap Face-verktyg på hus Tor Mätning Kort vinkel (Grader) Lång vinkel (Grader) Medel St. osäk Max Min Diff C3

58 Bilaga E Tabell 1. Areamätning på hus Tor Mätning Area Pointscene (m 2 ) Area Cyclone (m 2 ) Medel St. osäk Max Min Diff E1

59 Bilaga F Tabell 1. Längdmätning tak1 på skola Mätning Längd Pointscene (m) Längd Potree (m) Medel St. osäk Max Min Diff F1

60 Tabell 2. Längdmätning tak1 på skola Mätning Längd ReCap (m) Längd Cyclone (m) Medel St. osäk Max Min Diff F2

61 Bilaga G Tabell 1. Längdmätning tak2 på skola Mätning Längd Pointscene (m) Längd Potree (m) Medel St. osäk Max Min Diff G1

62 Tabell 2. Längdmätning tak2 på skola Mätning Längd ReCap (m) Längd Cyclone (m) Medel St. osäk Max Min Diff G2

63 Bilaga H Tabell 1. Höjdmätning på skola Mätning Höjd Pointscene (m) Höjd Potree (m) Medel St. osäk Max Min Diff H1

64 Tabell 2. Höjdmätning på skola Mätning Höjd ReCap (m) Höjd Cyclone (m) Medel St. osäk Max Min Diff H2

65 Bilaga I Figur 1. Översikt från Pointscene med tillgängliga funktioner. I1

66 Figur 2. Översikt över Potree version 1.3. I2

67 Figur 3. Skarv mellan hörnsten och fasad i Pointscene. Figur 4. Skarv mellan hönsten och fasad i ReCap. I3

68 Figur 5. Urklipp från Leica Cyclone över hur kontrollpunkter valdes. I4

69 Figur 6. Renderingen av punkter i Potree. I5

70 Bilaga J Figur 1. Längdmätning ovanför entrén. Figur 2. Längdmätningen på hörnstenen. J1

71 Figur 3. Längdmätningen på trappan. Figur 4. Exempel på vinkelmätning med face-verktyg i ReCap. J2

72 Figur 5. Översikt från det nordvästra hörnet på Tor över areamätningar. J3