3D Reconstruction

إعادة البناء ثلاثي الأبعاد هي عملية إنشاء تمثيل رقمي ثلاثي الأبعاد لجسم أو بيئة انطلاقاً من قياسات بصرية أو قياسات العمق. وفي الرؤية الحاسوبية، تحوّل مشاهدات مثل الصور الفوتوغرافية وإطارات الفيديو والصور المجسمة ومسوح LiDAR إلى هندسة تصف مواضع الأسطح في الفضاء ثلاثي الأبعاد. وقد تكون النتيجة مجموعة متناثرة من المعالم، أو سحابة نقاط كثيفة، أو شبكة مضلعات، أو نموذجاً ذا قوام يمكن قياسه وعرضه وتحليله.

آلية عمل إعادة البناء ثلاثي الأبعاد#

يجمع مسار إعادة البناء المعتاد بين الهندسة ومعالجة الصور وتعلّم الآلة:

1. الالتقاط: ترصد الكاميرات أو مستشعرات العمق الجسم من نقطة رؤية واحدة أو أكثر. وينبغي أن تتداخل الصور المتعددة كي تظهر الأسطح نفسها في عدة إطارات.
2. المعايرة: يقدّر النظام المعلمات الداخلية للكاميرا، مثل البعد البؤري والمركز البصري، ويصحح تشوه العدسة. ويشرح البرنامج التعليمي الرسمي لمعايرة الكاميرا في OpenCV هذه المعلمات.
3. المطابقة: تُطابق البكسلات المميزة أو السمات المتعلّمة عبر الصور. وتشير المطابقة إلى أن بكسلين يصوران النقطة المادية نفسها.
4. تقدير وضعية الكاميرا: يُستعاد الموقع والاتجاه النسبيان لكل كاميرا.
5. استعادة العمق: عند معرفة هندسة الكاميرا، يمكن تثليث المشاهدات المتطابقة وتحويلها إلى إحداثيات ثلاثية الأبعاد. وتستخدم الأدوات المعتمدة على الصور عادةً سير عمل البنية من الحركة والمجسّمات متعددة المناظير، بينما تستخرج أنظمة RGB-D العمق مباشرةً أو تقدّره.
6. المحاذاة والدمج: تُحوّل سحب النقاط الجزئية إلى نظام إحداثيات مشترك. ويوضح تسجيل سحب النقاط في Open3D كيفية محاذاة المسوح المتداخلة.
7. إنشاء السطح: يمكن وصل النقاط أو ملاءمتها لتشكيل شبكة مثلثية باستخدام عملية إعادة بناء السطح، ثم إسقاط القوام والتنظيف. (docs.opencv.org)

التمثيلات والمفاهيم ذات الصلة#

تخزّن سحابة النقاط نقاطاً ثلاثية الأبعاد منفردة، غالباً مع قيم اللون أو الثقة. وتصل الشبكة الرؤوس بالحواف والأوجه المثلثة، فتنتج أسطحاً متصلة. وتقسم شبكة الفوكسلات الفضاء إلى خلايا ثلاثية الأبعاد صغيرة، بينما يشفّر التمثيل الضمني الهندسة داخل دالة متعلّمة.

تتداخل إعادة البناء ثلاثي الأبعاد مع عدة مفاهيم ذات صلة، لكن لكل منها هدف مختلف:

• يتنبأ تقدير العمق بالمسافة من الكاميرا لكل بكسل في الصورة. وغالباً ما تكون خريطة العمق مدخلاً لإعادة البناء، لكن خريطة واحدة لا توفر تلقائياً نموذجاً كاملاً للأسطح المخفية.
• يستنتج الإبصار المجسّم العمق من كاميرتين تفصل بينهما مسافة معلومة. ويمكن لإعادة البناء استخدام العمق المجسّم، لكنها قد تستخدم أيضاً كاميرات عديدة أو فيديو أو مستشعرات نشطة.
• يقدّر التحديد المكاني ورسم الخرائط المرئي المتزامن (Visual SLAM) حركة الكاميرا أثناء إنشاء خريطة، عادةً للملاحة الآنية. وتركز إعادة البناء عموماً على جودة الهندسة الناتجة واكتمالها.
• تمثّل حقول الإشعاع العصبية والتنقيط الغاوسي المشاهد بغرض العرض الواقعي للصور والمناظير الجديدة. ولا يلزم أن يكون خرجها شبكة صريحة جاهزة للقياس.
• يحدد اكتشاف الأجسام ثلاثي الأبعاد الأجسام ويصنفها في الفضاء ثلاثي الأبعاد، بدلاً من إعادة إنشاء جميع الأسطح المرئية.

تطبيقات عملية#

• الفحص الروبوتي والتصنيع: يمكن لروبوت إعادة بناء مكوّن من صور RGB-D، ومقارنة هندسته بالتصميم المتوقع، وتحديد الانبعاجات أو المواد المفقودة أو التجميع غير الصحيح. كما يمكن للنموذج الناتج تحديث التوأم الرقمي للتصنيع، بما يدعم القياس والمحاكاة وتخطيط الصيانة ومراقبة الجودة.

• الواقع المعزز ورسم الخرائط الداخلية: يمكن لجهاز محمول إعادة بناء الجدران والأرضيات والأثاث والأسطح الأخرى، بحيث يتفاعل المحتوى الافتراضي مع الغرفة الفعلية على نحو صحيح. فعلى سبيل المثال، تنشئ إعادة بناء المشهد في ARKit شبكات مضلعات تدعم الحجب والتصادمات ووضع الأجسام بواقعية. وبعد ذلك يمكن تسليم النماذج بتنسيقات مثل تنسيق glTF المعياري للأصول ثلاثية الأبعاد. (nist.gov)

تقدير العمق باستخدام Ultralytics YOLO#

يمكن أن يوفر تقدير العمق في Ultralytics YOLO26 خريطة عمق مترية كثيفة انطلاقاً من صورة RGB واحدة. ويُعد ذلك مكوّناً مفيداً لرسم الخرائط باستخدام RGB-D، وهندسة العوائق، وإنشاء سحب النقاط عند عدم توفر مستشعر عمق مخصص.

from ultralytics import YOLO

# ⁨تحميل نموذج عمق أحادي العين مُدرّب مسبقاً.⁩
model = YOLO("yolo26n-depth.pt")

# ⁨تقدير العمق لكل بكسل انطلاقاً من صورة RGB واحدة.⁩
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# ⁨حفظ تمثيل العمق المرئي.⁩
result.save(filename="depth_result.jpg")

ينتج عن سير العمل هذا عمق محاذٍ للصورة؛ لكنه لا يعيد بناء مشهد ثلاثي الأبعاد كاملاً بصورة مستقلة. ويتطلب المسار الكامل أيضاً معلمات كاميرا مُعايرة، ووضعيات كاميرا موثوقة عند استخدام إطارات متعددة. ويوضح سير عمل صور RGB-D في Open3D كيف يمكن للألوان والعمق ومعلمات الكاميرا الداخلية المحاذاة أن تولّد سحابة نقاط. ويمكن للفرق التي تطوّر مكوّنات رؤية مخصصة استخدام منصة Ultralytics لتوسيم مجموعات البيانات وتدريب النماذج ونشرها ومراقبة الاستدلال في بيئة الإنتاج.

التحديات والإرشادات العملية#

تعتمد جودة إعادة البناء بشدة على ظروف الالتقاط. استخدم مناظير ذات تداخل كبير، وتحرك حول الجسم بدلاً من تدوير الكاميرا فحسب، وحافظ على اتساق الإضاءة بدرجة معقولة. وقد تؤدي الجدران عديمة الملمس والأجسام الشفافة أو العاكسة وضبابية الحركة والحجب وتغير الإضاءة إلى إخفاق مطابقة السمات أو إنتاج ثقوب وأسطح مكررة.

تشوّه أخطاء المعايرة المقياس والشكل، بينما تتسبب وضعيات الكاميرا غير الدقيقة في تباعد المسوح تدريجياً. كما تنطوي المدخلات أحادية العين على غموض متأصل في المقياس والأسطح المخفية: فلا يمكن لصورة واحدة إظهار الجهة الخلفية لجسم من دون افتراضات متعلّمة. تحقّق من عمليات إعادة البناء باستخدام أبعاد معروفة وخطأ إعادة الإسقاط وتداخل المسوح والتفاوتات الخاصة بالتطبيق، بدلاً من الاكتفاء بالحكم على المظهر.