Tekoälyn käyttö 3d-skannauksen korvikkeena mekaanisessa suunnittelussa

Tausta

Tekoälypalveluiden parantuessa ja kehittyessä käyttäjille tulee helposti mieleen kyseisen tekniikan käyttäminen osana suunnitteluprosessia ja tällä tavalla korvata esimerkiksi perinteiset olemassa olevan tuotteen tai osan digitointiratkaisut (esim. 3d-skannauksen) tekoälypalveluiden tarjoamilla ratkaisuilla.

HUOM: Artikkelissa esitetyt tekoälyllä generoidut 3d-mallit ovat pintamalleja (kuorimalleja), eivät siis CAD-maailmassa enemmän käytettyjä tilavuusmalleja. Malleilla ei ole tilavuutta, eikä myöskään painoa. Kyseisten mallien muuttaminen tilavuusmalleiksi on yleensä erittäin haastaavaa.

Tekoäly 3D-skannauksen korvikkeena (ja sen rinnalla) – edut, hyödyt ja realismi

3D-skannauksella tarkoitetaan yleensä aktiivisia mittausmenetelmiä (esim. laser-, strukturoitu valo- ja time-of-flight/LiDAR-skannerit), jotka tuottavat pistepilven ja siitä pinnan mitattavassa mittakaavassa. Tekoälypohjaiset menetelmät taas tuottavat 3D-esityksen usein passiivisesti kuvista tai videosta: mukana voi olla perinteistä fotogrammetriaa (SfM/MVS) sekä uusia neuroverkkoihin perustuvia malleja kuten NeRF ja 3D Gaussian Splatting.

Oleellinen kysymys ei ole “korvaako AI 3D-skannerin”, vaan mihin käyttötapaukseen 3D-mallia tarvitaan: visuaalinen digital twin (renderointi, VR, markkinointi) vai mittatarkka metrologia (valmistus, toleranssit, QC).

Mitä “AI-3D” käytännössä on?

AI-avusteinen fotogrammetria (kuvista 3d malliksi)

Kuvataan kohde monesta kulmasta, ohjelmisto ratkaisee kamerapositioita ja rekonstruoi geometrian (pistepilvi/mesh) sekä tekstuurit. Monissa työkaluissa prosessi on pitkälle automatisoitu (mobiilisovellukset ja pilvipalvelut), ja osa “älystä” on nimenomaan automaattisessa valinnassa, maskauksessa, täytössä ja optimoinnissa. Esim. Apple RealityKit Object Capture tekee 3D-objekteja valokuvista fotogrammetrialla, ja Polycam yhdistää AI-avusteista fotogrammetriaa ja (joissain laitteissa) LiDARia.

Video

Oheisessa videossa esitellään kyseistä tekniikkaa tarkemmin ja sen sovittamista Vertex G4-ympäristöön.

NeRF ja uudet “radiance field” -menetelmät (kuvista/videosta 3D-näkymiksi)

NeRF (Neural Radiance Fields) oppii esittämään kohteen/tilan niin, että siitä voidaan renderöidä uusia näkymiä valokuvamaisen realistisesti. Sittemmin menetelmät ovat nopeutuneet (esim. Instant-NGP) ja toisaalta uudet esitysmuodot kuten 3D Gaussian Splatting mahdollistavat reaaliaikaisempaa renderöintiä. Näiden vahvuus on usein visuaalinen laatu ja “tilan tuntuma”, ei välttämättä millimetriluokan mittatarkkuus.

Video

Oheisessa videossa esitellään kyseistä tekniikkaa tarkemmin ja sen sovittamista Vertex G4-ympäristöön.

3d Gaussin Splatting-tekniikka

Oheisessa videossa esitellään 3d Gaussian Splatting-tekniikkaa tarkemmin ja sen sovittamista Vertex G4-ympäristöön.

Videon perusteella voidaan sanoa, että Gaussian Splatting tekniikalla päästään isoissa tuotteissa videosta digimoimalla jopa 50 mm tarkkuuteen.

Yhden kuvan / vähäisen datan 3D (generatiivinen 3D)

Uudemmat mallit voivat tuottaa 3D-meshin yhdestä kuvasta (tai muutamasta kuvasta), tyypillisesti “arvaamalla” näkymättömät puolet. Esim. TripoSR mainostaa nopeaa 3D-rekonstruktiota yhdestä kuvasta. Tämä on erittäin hyödyllistä ideointiin ja sisällöntuotantoon, mutta luonteeltaan se on usein todennäköinen malli, ei mitattu malli.

Tästä tarkemmin tässä artikkelissa alempana.

Missä AI voi oikeasti korvata 3D-skannauksen?

Kun tavoite on visuaalinen tai “riittävän hyvä” geometria

AI-pohjaiset menetelmät toimivat erinomaisesti, kun päämäärä on esimerkiksi:

• Markkinointi ja tuotevisualisointi (verkkokaupan 3D, AR-esikatselut)

• Pelien/VFX:n assetit (tekstuurit ja pinnan “fiilis” tärkeä)

• Kulttuuriperinnön digitointi (usein “koskematon” passiivinen kuvaus on plussaa)

• Tilojen dokumentointi ja esittely (VR/AR, “walkthrough”, koulutus)

• Nopea kenttäinventointi (objektit, ympäristöt, prosessien dokumentointi)

Sovellukset kuten Luma korostavat nimenomaan NeRF-/AI-pohjaista 3D-kaappausta videosta/kuvista ilman erikoislaitteita.

Edut ja hyödyt

1) Kustannus ja saatavuus

• Usein riittää puhelin + kamera (tai tavallinen järjestelmäkamera).

• Ei tarvitse erillistä skanneria, kalibrointia tai erikoiskoulutusta monessa tapauksessa.

2) Nopeus ja skaalautuvuus

• Yhden kohteen “skannaus” voi olla minuuttien kuvaus, ja loput voidaan ajaa pilvessä/taustalla (työkalusta riippuen).

• Helppo monistaa prosessi: “kuvaa samalla kaavalla → prosessoi automaattisesti”.

3) Erinomainen tekstuuri ja “fotorealismi”

• Kamera tuottaa luonnostaan hyvät tekstuurit ja materiaalivihjeet.

• NeRF/Gaussian Splatting loistaa usein heijastuksissa, valon käyttäytymisessä ja yleisessä realismissa (renderointikäyttö).

4) Turvallisuus ja “passiivinen mittaus”

• Ei laserluokituksia, ei silmäturvallisuus-kysymyksiä.

• Sopii herkempiin kohteisiin, joissa aktiivinen skannaus on hankalaa.

5) Hyvä “ensimmäinen digitaalinen kaksonen”

• Tuottaa nopeasti mallin, jota voi käyttää:

  • viestintään,

  • dokumentointiin,

  • suunnittelun lähtöaineistoksi (karkeana referenssinä),

  • vertailuun (“as-is” vs “to-be”).

Milloin AI-3D kannattaa valita? (nopea päätöspuu)

Valitse AI-pohjainen kuvista/videosta 3D, jos:

• ulkonäkö, tekstuuri ja realismi ovat tärkeämpiä kuin toleranssit

• tarvitset mallin nopeasti ja edullisesti

• kohde on iso/vaikea kuljettaa skannerille (tilat, ympäristöt)

• tarkoitus on VR/AR, koulutus, markkinointi, dokumentointi

Valitse 3D-skannaus (tai hybridi), jos:

• tarvitset mittatarkkuutta ja toistettavuutta

• teet reverse engineeringiä valmistukseen

• teet laadunvarmistusta tai sovitepintoja

• pinta on kuvapohjaiselle menetelmälle haastava ja lopputuloksen pitää silti olla “varma”

Käytännön testi “kuvasta 3d-malliksi” ja mallin siirto Vertex G4:n puolelle

Testissä kokeiltiin tehdä Tripo AI- ja SAM 3D-palveluja hyväksikäyttäen yhdellä valokuvalla 3d-malli.

Esimerkkituote

Esimerkkituotteena on itsetehty vuolupuukko, jonka mitat on hyvin selvillä 3d-mallin skaalaamista varten Vertex G4:n puolella.

Perusreferenssimittana käytetään terän pituutta, joka on 63 mm, varren pituus 101 mm. Terä hiiliterästä, kahva visakoivua, helat messinkiä.

Mallin rakentaminen Tripo AI-palvelussa

Tuodaan kuva https://www.tripo3d.ai/ -palveluun ja pyydetään generoimaan siitä 3d-malli.

Muutaman minuutin kuluttua palvelu saa mallin generoinnin tehtyä:

Mallin vienti siirtotiedosto-muotoon

Klikkaa “Export”-nappulaa

Valitse listasta “OBJ”-formaatti. Tekstuurin resoluutiolla ei cad-käytössä ole suurta merkitystä.

Mallin tuonti Vertex G4:n sisälle

Tuo malli Vertex G4:n puolelle “Tiedosto - Avaa tiedosto”-komennolla

Pidä skaalauskerroin tässä vaiheessa vielä arvossa 1.

Malli avautuu.

Tässä vaiheessa mitataan terän pituus (skaalauskerroin 1) etäisyyskomennolla.

Ko. tuotteen osalta mitaksi saadaan 0.402 mm. Todellinen mitta on siis 63 mm.

Mallin skaalaaminen

Avaa malli uudestaan ja anna skaalauskertoimen kohtaan arvo 156.7 (63mm/0.402mm).

Tämän jälkeen voidaan mitata terän mitta. Suorat mitat kuvissa vihreällä värillä.

Kuten kuvasta nähdään terän pituus on nyt hyvin lähellä 63 mm todellista mittaa.

Mitataan nyt muita mittoja puukosta:

Kahvan pituus on mallissa nyt 93.5 mm. Todellisuudessa mitta on 101 mm, eli eroa todellisuuteen on 7.5 mm.

Myös muut mitat heittävät suurin piirtein saman verran.

Yhteenveto

Kuten mittauksista huomataan, saadaan malli kyllä referenssimitan osalta kohdalleen, mutta muut mitat heittävät sitten 5-8 mm alueella oikeista mitoista.

Tähän on syynä varmasti se, että Tripo tekee yhden kuvan perusteella mallista jonkinlaisen keskiarvoisen näköismallin.

Yhteenvetona mallia tosiaan voidaan käyttää hyvinkin apuna varsinaisessa suunnittelussa, mutta suoraan mallin mittoihin ei voi luottaa.

Tripo antaa mahdollisuuden myös monen valokuvan käyttämiseen ja sen perusteella mallin luontiin. Tämä tapa varmasti antaa lisää mittatarkkuutta varsinaisessa 3d-mallissa.

Käytännön testi “kuvasta 3d-malliksi” käyttäen SAM 3D AI-palvelua ja mallin siirto Vertex G4:n puolelle

Metan uusi SAM 3D-palvelu on vielä kehitysvaiheessa, eikä sisällä vielä kaikkia hienouksia, kuten esim. Tripo. Sen on kuitenkin täysin ilmainen. Tripossa on ilmainen osuus, mutta käyttö on hyvin rajallista kaupalliseen lisenssiin verrattuna.

Mallin rakentaminen SAM 3D-palvelussa

Palvelu löytyy https://ai.meta.com/research/sam3d/ osoitteesta.

Oalveluun voi ladata yhtä lailla yhden kuvan tuotteesta ja määritellä mitkä alueet kuvasta otetaan itse 3d-malliin.

Malli generoituu erittäin nopeasti ja näyttää heti mittasuhteiltaan tarkemmalta kuin Tripon vastaava.

Mallin vienti siirtotiedosto-muotoon

Malli voidaan ladata GLB-tiedostona tai ply-pistepilvenä tällä hetkellä. Palvelu käyttää Gaussian Splatting-tekniikkaan mallien rakentamiseen.

Mallin muuttaminen OBJ-formaattiin

Vertex G4 ei tuo suoraan GLB-tiedostojen avaamista (ainoastaan tallentamista), niinpä malli pitää tallentaa G4:n ulkopuolella OBJ-tiedostomuotoon.

Tämä tehdään ilmaisessa Blender 3d-ohjelmassa.

Mallin tuonti Vertex G4:n sisälle

Tuodaan malli samalla tavalla kuin Tripo-mallinkin kanssa ja skaalataan se.

Muunnoksen jälkeen tekstuurit eivät pysy mukana, joten malli näytetään G4:n puolella verkkona.

Mittojen tarkastus tuo esiin sen, että SAM 3d:n generoima malli on hyvin lähellä oikean puukon mittoja.

Suorat mitat kuvissa vihreällä värillä. Sekä terän, että kahvan pituus on noin 1-2 mm sisällä oikean puukon mitoista.

Yhteenveto

SAM 3d-palvelulla päästään huomattavasti mittatarkempaan lopputulokseen ja sillä generoitua malli voidaan hyvin käyttää pohjana esimerkiksi esimerkin tapauksessa puukon tupin mallintamisen pohjana.

Vinkki: Voit tallentaa SAM 3D:n GLB-tiedoston myös Blender 3d:n puolella STL-formaatissa ja sitten avata tämän mallin Vertex G4:ssä. Huomaa skaalata malli Blenderissä oikeaan mittaan ennen STL-muunnosta. Tämän jälkeen voit luonnostella helpommin tekoälymallin päälle. GLB-tiedoston tallentaminen suoraan tilavuusmalliksi esim. step-formaatissa ei toimi vielä kunnolla.

Lopputulos

Tekoälyllä generoidut 3d-mallit soveltuvat joltain osin suoraan 3d-skannauksen korvikkeeksi. Jopa yhdestä kuvasta generoidut mallit voivat olla mittatarkkuudeltaan tarpeeksi tarkkoja varsinaisten CAD-suunnitelmien pohjaksi. Koska tekoälyllä generoidut mallit ovat pintamalleja, niiden käyttö varsinaisessa suunnittelussa on rajallista. Kuitenkin tällaista mallia voidaan käyttää osana suunnittelua ja mallintaa sen perusteella oikea tilavuusmalli. Tätä tilavuusmallia voidaan sitten joustavammin muokata Vertex G4-ohjelmassa.

Relative Articles