Onderzoeksrapport: 3D verwerking van ruimtelijke gegevens
en toepassingen AI onderzoeksinstituut 2025_01Youngho
Hong
Samenvattingen:
Dit onderzoek behandelt de ontwikkeling en toepassing van 3D
ruimtelijke gegevensverwerkingstechnologieën, met name
puntwolkgegevensverwerving en 3D objectdetectietechnologieën met
LiDAR-sensoren. Het richt zich op 3D-objectdetectietechnologieën
VoxelNet, PointNet en PointRCNN en legt uit hoe deze technologieën
worden gebruikt op verschillende gebieden zoals autonome voertuigen,
gezondheidszorg, industriële automatisering,
veiligheidssurveillancesystemen en VR/AR. Puntwolkgegevens
verzameld door LiDAR-sensoren analyseren de 3D-ruimte met hoge
precisie, en 3D-objectdetectietechnologie op basis hiervan een
belangrijke rol in real-time omgevingsbewustzijn, precisiediagnose,
optimalisatie van productieprocessen, enz. Deze studie analyseert de
impact van 3D-technologie voor de verwerking van ruimtelijke gegevens
op de moderne industrie en technologische innovatie, en bespreekt het
potentieel voor toekomstige ontwikkeling.
Trefwoorden:
3D ruimtelijke gegevens, LiDAR-sensoren, puntenwolk, 3D
objectdetectie, VoxelNet, PointNet, PointRCNN, autonome voertuigen,
gezondheidszorg, industriële automatisering,
veiligheidssurveillancesystemen, VR/AR, diep leren2- -
1. Inleiding
Het omvat het proces van gegevensverzameling, opslag, analyse en
visualisatie en maakt gebruik van technologieën zoals LiDAR,
fotogrammetrie en 3D scanning om driedimensionale ruimtelijke
informatie te verwerken. Deze technologieën worden gebruikt in
verschillende softwareplatforms, waarbij geografische
informatiesystemen (GIS) en computerondersteund ontwerp (CAD) de
belangrijkste hulpmiddelen . Dit complexe ruimtelijke analyses .
LiDAR gebruikt laserpulsen om afstandsgegevens te verzamelen, terwijl
fotogrammetrie luchtfoto's gebruikt om 3D-modellen te maken. Deze
gegevens worden opgeslagen in een database en indien nodig gebruikt
voor analyse en visualisatie.1)
Onderzoek heeft aangetoond dat 3D CNN structuren gebruikt kunnen
worden om 3D representaties te leren, en dat dit efficiënter kan dan
traditionele volledig 3D CNN-gebaseerde methodes.2)
GPU-gebaseerde 3D-visualisatiemethoden maken een verfijndere en
nauwkeurigere ruimtelijke afbakening mogelijk.3)
3D-modellering wordt gebruikt als een essentieel hulpmiddel in het
architectonische ontwerp- en simulatieproces. Hiermee u de veiligheid
van constructies beoordelen en de nauwkeurigheid van uw ontwerpen
vergroten.
Ruimtelijke 3D-gegevens worden gebruikt voor onderzoek naar
ecosysteemveranderingen en rampenbeheer. 3D-geologische
modellering wordt bijvoorbeeld gebruikt voor grondwaterexploratie en
geologisch onderzoek.4)
3D-gegevens gebruikt om meeslepende omgevingen te ontwikkelen om
de gebruikerservaring te verbeteren. Dit toegepast in verschillende
sectoren, waaronder onderwijs, gezondheidszorg en entertainment.
3D-technologieën voor de verwerking van ruimtelijke gegevens maken
een snelle ontwikkeling door op verschillende gebieden, met name bij
de verwerving van puntenwolkgegevens en de detectie van objecten in 3- -
de 3D-ruimte met behulp van LiDAR-sensoren. Deze technologieën voor
een revolutie in autonome voertuigen, medische toepassingen,
industriële automatisering, veiligheidssystemen en VR/AR-omgevingen.
Dit onderzoeksrapport een basisinzicht in 3D-technologieën voor de
verwerking van ruimtelijke gegevens en legt uit hoe ze worden
toegepast in verschillende industrieën.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Berekening en visualisatie van
3D-gegevens. Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Triplanaire convolutie met gedeelde 2D kernels voor 3D classificatie en
vormherwinning. Computer Vision and Image Understanding, 193, 102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). A Novel Method for Regional
Prospecting Based on Modern 3D Graphics. Minerals.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). New regional stratigraphic insights from a 3D geological model of the
Nasia sub-basin, Ghana, developed for hydrogeological purposes and based
on reprocessed B-field data originally collected for mineral exploration.
Solid Earth, 11, 349-361.4- -
2. Point CLoud-gegevens verzamelen met LiDAR-sensoren
Puntwolkgegevensverzameling met LiDAR-sensoren speelt een
belangrijke rol in een groot aantal toepassingen en is bijzonder geschikt
voor het verzamelen van 3D-gegevens met hoge resolutie. LiDARtechnologie
zendt laserpulsen uit om signalen te ontvangen die door
objecten worden gereflecteerd en berekent op basis daarvan
afstandsinformatie. Deze informatie wordt opgeslagen in een
puntenwolkformaat, waarbij elk punt X-, Y- en Z-coördinaten en de
reflectie-intensiteit bevat.
LiDAR-puntwolken kunnen op verschillende gebieden , zoals , en
grondstoffenbeheer. Puntwolken worden vervolgens omgezet in of GISgegevens
door nabewerking voor denoising, uitlijning en
oppervlaktereconstructie. In dit proces wordt een verscheidenheid aan
software gebruikt, vooral GPU-gebaseerde 3D-visualisatiemethoden, die
een meer verfijnde ruimtelijke afbakening mogelijk maken.5)
LiDAR-gegevens spelen ook een belangrijke rol in
waarnemingssystemen voor autonome voertuigen. LiDARpuntenwolkverwerking
en -training op het gebied van autonoom rijden
hebben bijgedragen aan een nauwkeurige waarneming van de
wegomgeving en objectdetectie.6) Deze gegevens zijn essentieel voor het
maken van realtime 3D-kaarten met een hoge resolutieautonome
voertuigen veilig kunnen navigeren in complexe wegomstandigheden.
kunnen ook voor Gegevens verzameld door LiDAR op vliegtuigen
kunnen bijvoorbeeld worden gebruikt om 3D-modellen van geologische
formaties te reconstrueren, die bijdragen aan grondwaterexploratie of
geologisch onderzoek.7) Deze 3D-geologische modellering maakt nieuwe
geologische interpretaties mogelijk en helpt om de geologische
kenmerken van een gebied beter te begrijpen.
De voordelen van LiDAR technologie zijn onder andere snelle
gegevensverwerving en hoge nauwkeurigheid, maar het heeft
beperkingen relatief hoge kosten en prestaties in regenachtig of Er
wordt voortdurend onderzoek en ontwikkeling gedaan om deze
technische beperkingen te overwinnen, LiDAR in een groter aantal 5- -
industrieën kan worden gebruikt.
Een LiDAR-sensor (Light Detection and Ranging) is een technologie die
een laser gebruikt om het oppervlak van een object te meten en de
gegevens kunnen worden gebruikt om ruimtelijke informatie in 3D te
verkrijgen. De puntenwolkgegevens die door een LiDAR-sensor worden
gegenereerd, zijn een verzameling van vele punten verspreid in de 3Druimte,
die elk kunnen worden beschreven door hoogte, afstand en
positionering.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Berekening en visualisatie van
3D-gegevens. Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023).
Lidar Point Cloud Compression, Processing and Learning for Autonomous
Driving. IEEE Transactions on Intelligent Transportation Systems, 24, 962-
979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). New regional stratigraphic insights from a 3D geological model of the
Nasia sub-basin, Ghana, developed for hydrogeological purposes and based
on reprocessed B-field data originally collected for mineral exploration.
Solid Earth, 11, 349-361.6- -
balken. Deze gegevens zijn cruciaal voor de perceptie van de omgeving
door autonome voertuigen, modellering de architectuur en civiele
techniek en 3D-kartering.
3. 3D-objectdetectietechnologie
3D-objectdetectie is een belangrijke technologie voor het herkennen en
lokaliseren van objecten in de 3D-ruimte en essentieel op verschillende
gebieden, waaronder autonome voertuigen, en augmented reality. Het
voornamelijk gebaseerd op 3D-gegevens die zijn verzameld met LiDAR,
RGB-D-camera's en stereovisiesystemen.
Het maakt gebruik van puntenwolken gegenereerd door LiDAR om de
locatie en vorm van objecten te herkennen. Deep learning-modellen
zoals PointNet worden veel gebruikt op dit gebied, en deze methoden
zijn essentieel voor het genereren van 3D-kaarten met een hoge
resolutie en in realtime.8)
Het is een techniek om objecten te detecteren door 2D-beelden
verkregen door RGB-camera's te combineren met 3D-informatie. Deze
methode verbetert de detectieprestaties door kleur- en
patrooninformatie van het object toe te voegen. Recent onderzoek heeft
methoden voorgesteld zoals FusionRCNN, dat LiDAR- en camerabeelden
combineert om de nauwkeurigheid van de detectie te verbeteren.9)
Deep learning-structuren zoals Convolutionele Neurale Netwerken
(CNN's) en Recurrente Neurale Netwerken (RNN's) worden gebruikt om
kenmerken van en te herkennen. Deze modellen verbeteren de
nauwkeurigheid van objectclassificatie en locatie-inschatting op basis
van datasets, wat vooral belangrijk voor obstakelherkenning in
autonome voertuigen.10)
Het wordt gebruikt om de rijveiligheid te verhogen door obstakels en
voetgangers op de weg te detecteren. Er op dit gebied actief onderzoek
gedaan naar het samenvoegen van LiDAR-puntenwolken met
visiongegevens voor nauwkeurigere detectie.11)
Het helpt de robot om zijn omgeving te begrijpen en ermee te
interageren. Dit vooral belangrijk voor het bepalen van de exacte 7- -
locatie van objecten om de robot te helpen zijn pad te plannen en taken
uit te voeren.
Objecten in realtime herkennen en erop reageren om de
gebruikerservaring te verbeteren. In augmented reality bijvoorbeeld de
locatie en vorm van objecten nauwkeurig worden bepaald om de
interactie met virtuele objecten te verbeteren.
8) Qian, R., Lai, X., & Li, X. (2021). 3D Object Detection for Autonomous Driving:
Een overzicht. Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR-Camera fusie voor tweefasige 3D objectdetectie.
Remote Sensing, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023). Super Sparse
3D Object Detection. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 45, 12490-12505.
11) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR-Camera fusie voor tweefasige 3D objectdetectie.
Remote Sensing, 15, 1839.8- -
Deze technologieën evolueren en bieden preciezere en efficiëntere
oplossingen voor de detectie van 3D-objecten. Vooruitgang in onderzoek
en technologie verbetert de nauwkeurigheid van herkenning in echte
omgevingen aanzienlijk.
3D-objectdetectie is nauwkeurige identificatie en classificatie van
specifieke objecten in de 3D-ruimte, die wordt ondersteund door
verschillende technieken voor de verwerking van 3D-ruimtelijke
gegevens. Recentelijk deep learning-gebaseerde technieken actief
toegepast op 3D-objectdetectie. Representatieve technologieën VoxelNet,
PointNet en PointRCNN.
3.1 VoxeLNet
VoxelNet is een innovatieve deep learning-architectuur die speciaal is
ontworpen om 3D-objecten te detecteren met behulp van puntenwolken,
wat essentieel is voor autonome besturingssystemen. De architectuur
hanteert een unieke aanpak door ruwe puntenwolkgegevens te
converteren naar een gestructureerd 3D voxelraster om efficiënte
verwerking en extractie van kenmerken mogelijk te maken. De
conversie naar een voxelrepresentatie is omdat VoxelNet hierdoor
effectief gebruik kan maken van 3D-convolutie om ruimtelijke
informatie vast te leggen en tegelijkertijd computerefficiëntie te
garanderen. Deze efficiëntie is essentieel voor real-time toepassingen
zoals die voor autonoom rijden.
De kracht van VoxelNet ligt in de mogelijkheid om een nieuwe feature
coderingslaag in te bouwen die de representatieve kracht van elke voxel
sterk verbetert. Dit wordt bereikt door rekening te houden met de
unieke kenmerken van de punten in elke voxel, waardoor het netwerk
objecten in complexe omgevingen beter kan detecteren en
classificeren.12) Deze kenmerkcoderingsstap is voor het oplossen van
problemen die worden veroorzaakt door de onregelmatige en schaarse
aard van puntenwolkgegevens, die moeilijk te verwerken zijn met
traditionele 2D convolutionele neurale netwerken.
Onderzoek heeft aangetoond dat VoxelNet belangrijke bijdragen heeft
geleverd op het gebied van 3D-objectdetectie. Het vermogen van de 9- -
architectuur om een hoge nauwkeurigheid te bieden met behoud van
computerefficiëntie maakt bijvoorbeeld een voorkeursoptie voor interimplementatietoepassingen
in autonome voertuigen.13) Bovendien kan
VoxelNet dankzij de integratie van de schaarse representatie de grote
hoeveelheden gegevens die vaak voorkomen in autonome rijscenario's
effectief verwerken.
De ontwikkeling van VoxelNet betekent een belangrijke vooruitgang in
de verwerking van 3D-gegevens en legt de basis voor toekomstige
innovaties in autonome rijtechnologie. Het pakt de belangrijkste
uitdagingen op dit gebied aan door efficiënte voxelisatie te combineren
met geavanceerde kenmerkcoderingstechnieken.14) Dit verbetert niet
alleen de detectienauwkeurigheid, maar maakt ook geavanceerdere
handhaving mogelijk.
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019). Deep
Learning voor 3D Point Clouds: een overzicht. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N., & Chang, Z. (2021). Adversarial
point cloud perturbations against 3D object detection in autonomous
driving systems. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D-objectdetectie uit
monoculaire, stereo- en puntenwolk voor autonoom rijden.
Neurocomputing, 494, 23-32.10- -
VoxelNet verlegt de grenzen van de ontwikkeling van 3D
perceptiesystemen. Met zijn krachtige prestaties en innovatieve aanpak
blijft VoxelNet lopende onderzoek en de ontwikkeling van 3D
puntenwolkverwerking en autonome systemen beïnvloeden.15)
VoxelNet is een innovatief model voor 3D objectdetectie dat
puntenwolkgegevens verwerkt door deze om te zetten in 3D-rasters
(voxels). Elke voxel vertegenwoordigt een punt in de puntenwolk,
waardoor het model ruimtelijke informatie effectiever verwerken.
VoxelNet gebruikt deze voxelinformatie objecten te detecteren en
voorspellingen te doen. Het voordeel deze benadering is dat het efficiënt
en snel is om grote hoeveelheden puntenwolkgegevens te verwerken.
3.2 PointNet
PointNet is een baanbrekende deep learning-architectuur die een
revolutie teweegbrengt in de verwerking van 3D-puntwolkgegevens
door ongeordende puntensets direct te verwerken. In tegenstelling tot
traditionele methoden die gestructureerde invoer vereisen, gebruikt
PointNet symmetriefuncties om permutatie-invariantie te garanderen,
waardoor de ruimtelijke relaties tussen punten zodat de blijft de van de
invoerpunten.
De belangrijkste innovatie van PointNet is het gebruik van MLP's
(perceptronsen max-pooling Deze architectuur voegt kenmerken van
individuele punten efficiënt samen tot een globale representatie, wat
bijzonder nuttig is voor taken zoals classificatie en segmentatie. Dankzij
het vermogen om grote en nauwkeurig , is een baanbrekend model op
dit gebied en heeft het talrijke latere architecturen geïnspireerd die op
zijn principes zijn gebaseerd.
De impact van PointNet reikt verder dan academisch onderzoek naar
praktische implementaties op gebieden zoals autonoom rijden en
robotherkenning. In autonome systemen is PointNet bijvoorbeeld
gebruikt om LiDAR-gegevens te verwerken om objectdetectie en
navigatie te verbeteren door objecten van de ene proef naar de volgende
te identificeren en te classificeren.16) PointNet's ontwerp maakt het
mogelijk om effectief om te gaan met de complexiteiten die 11- -
geassocieerd worden met 3D-gegevens, zoals occlusies en variaties in
puntdichtheid, waardoor het een veelzijdig hulpmiddel is in
computervisietoepassingen.
De vooruitgang die PointNet heeft gebracht heeft geleid tot de
aanpassing van PointNet in verschillende innovatieve contexten. Het is
bijvoorbeeld toegepast om LiDAR-gegevens vanuit de lucht te
classificeren, waardoor de nauwkeurigheid en efficiëntie van
teledetectieoperaties is verbeterd.17) Het aanpassingsvermogen van
PointNet heeft ook geleid tot de integratie met op fysica gebaseerde
neurale netwerken om de verspreiding van scheuren te analyseren.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). Multi-view
semantisch leernetwerk voor 3D objectdetectie op basis van puntenwolken.
Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019). Deep
Learning voor 3D Point Clouds: een overzicht. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
17) Nong, X., Bai, W., & Liu, G. (2023). Airborne LiDAR point cloud
classification using PointNet++ network with full neighbourhood features.
PLOS ONE, 18.12- -
en vloeistofdynamische simulaties, en heeft bewezen complexe
industriële problemen op te lossen.18)
Pointnet blijft dienen als een benchmark in 3D gegevensverwerking en
heeft de mogelijkheden van deep learning modellen om
puntenwolkgegevens te verwerken aanzienlijk verbeterd. De impact van
Pointnet is duidelijk zichtbaar in zowel theoretische vooruitgang als
praktische toepassingen, wat de voortdurende relevantie en
aanpasbaarheid aantoont in het zich ontwikkelende landschap van
kunstmatige intelligentie en machinaal leren.19)
PointNet is een model dat direct puntenwolkgegevens verwerken en
objecten in de 3D-ruimte kan herkennen, ongeacht de volgorde van elk
punt. PointNet extraheert de kenmerken van de punten en voert op
basis daarvan classificatie en segmentatie uit. Dit model kan omgaan
met de ongestructureerde aard van puntenwolken en kan op
verschillende gebieden worden gebruikt, zoals autonoom rijden,
robotica en medische beeldanalyse.
3.3 PuntRCNN
PointRCNN is een belangrijk raamwerk op het gebied van 3D
objectdetectie, vooral voor toepassingen zoals autonoom rijden. Het
raamwerk gebruikt een detectieproces in twee stappen om de
nauwkeurigheid en efficiëntie van het detecteren van objecten in 3Dpuntenwolkgegevens
te verbeteren. De eerste stap is het genereren van
objectsuggesties via een puntgebaseerd lokaal suggestienetwerk. Deze
stap is omdat het direct werkt op de ruwe puntenwolkgegevens, waarbij
gedetailleerde ruimtelijke informatie behouden blijft die verloren kan
gaan bij traditionele methoden die vertrouwen op beeldprojecties of
voxelisatie.
In de tweede stap verfijnt PointRCNN het initiële voorstel door 3D
bounding box uit te voeren. Hierdoor worden de grootte en oriëntatie
van de aangepast zodat deze beter past bij de gedetecteerde objecten in
de puntenwolkgegevens. Door gebruik te maken van kenmerken die
rechtstreeks uit de ruwe puntenwolk worden gehaald, bereikt
PointRCNN een hogere nauwkeurigheid in objectdetectie vooral in 13- -
uitdagende omgevingen met complexe geometrie en occlusies.
Een van de belangrijkste voordelen van PointRCNN is de om end-to-end
te leren. Deze architectuur vergemakkelijkt de naadloze integratie van
netwerkfasen, waardoor niet alleen de detectieprestaties van het model
verbeteren, maar ook de rekenefficiëntie, waardoor het geschikt is voor
real-time toepassingen, zoals die nodig zijn voor autonome
besturingssystemen.
Onderzoek heeft aangetoond dat methoden die gebruik maken van
puntenwolkgegevens het begrip en de interpretatie van 3D-scènes in
autonome rijsituaties aanzienlijk kunnen verbeteren. Zo kan het
gebruik van multi-target detectiealgoritmen op basis van PointRCNN en
voxel puntwolk fusie technieken worden gebruikt in dynamische
scenario's vanwege hun veelzijdigheid en
18) Kashefi, A., & Mukerji, T. (2022). Physics-informed PointNet: A deep
learning solver for steady-state incompressible flows and thermal fields on
multiple sets of irregular geometries. Tijdschrift voor Computerfysica, 468,
111510.
19) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep
Learning-based Approaches for Scene Understanding in Autonomous
Driving. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.14- -
Daarnaast tonen onderzoeken op het gebied van 3D-puntenwolken en
deep learning-benaderingen het toenemende belang van deze kaders
voor het begrijpen van scènes in autonoom rijden.20)
In het algemeen betekent PointRCNN een aanzienlijke vooruitgang in
3D objectdetectietechnologie. Het vermogen om ruwe
puntenwolkgegevens direct te verwerken en het efficiënte
detectieproces in twee fasen een krachtig hulpmiddel voor de
autonome , waar snelle en nauwkeurige cruciaal is voor de veiligheid en
prestaties.
PointRCNN is een technologie die gebruik maakt van een CNN
(Convolutional Neural Network) op basis van PointNet voor 3Dobjectdetectie,
en op effectieve wijze puntenwolkgegevens verwerkt
objecten nauwkeurig te detecteren. PointRCNN is een technologie die
de bestaande 2D-objectdetectiemethode uitbreidt naar 3D-omgevingen
en wordt toegepast op objectherkenning van autonome voertuigen en
omgevingsherkenning van robots.
4. Toepassingen
PuntRCNN's spelen een essentiële rol in autonome besturingssystemen
en worden gebruikt om objecten in de omgeving nauwkeurig te
herkennen en te volgen. met behulp van kan voertuigen helpen
wegobstakels met een hoge mate van nauwkeurigheid , zelfs in
complexe verkeerssituaties.22)
De robot gebruikt 3D-objectdetectietechnologie voor interactie met de
omgeving. PointRCNN stelt de robot in staat om zijn omgeving van run
tot run te begrijpen en de noodzakelijke taken uit te voeren.24)
Om virtuele objecten naadloos in te voegen in de echte wereld in een
AR-omgeving, is nauwkeurige objectdetectie in 3D-ruimte vereist.
PointRCNN een belangrijke rol in deze taak.
Drones moeten tijdens de vlucht verschillende obstakels kunnen
herkennen en vermijden. PointRCNN kan worden gebruikt om objecten
in real-time te detecteren uit de sensorgegevens van de drone en een
veilig vluchtpad in te stellen.25)15- -
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
21) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep
Learning-Based Approaches for Scene Understanding in Autonomous
Driving. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.
22) Qian, R., Lai, X., & Li, X. (2021). 3D Object Detection for Autonomous
Driving: Een overzicht. Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D-objectdetectie voor
autonoom rijden: Een uitgebreid overzicht. International Journal of
Computer Vision, 131, 1909-1963.
24) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep
Learning-Based Approaches for Scene Understanding in Autonomous
Driving. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.
25) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis,
A. (2019).16- -
PointRCNN wordt toegepast op 3D-modellering en analyse van
stedelijke omgevingen, wat belangrijke inzichten oplevert voor
stedelijke planning en beheer. Dit helpen om de transportefficiëntie te
verbeteren en de veiligheid in steden te vergroten.
In deze toepassingen zijn PointRCNNs zeer nuttig in situaties waar een
hoge nauwkeurigheid en real-time verwerking vereist zijn. Onderzoek
toont aan technieken zoals multi-target detectiealgoritmen op basis van
PointRCNN hun prestaties en efficiëntie in deze toepassingen
bewijzen.26) PointRCNN draagt bij aan het maximaliseren van de
nauwkeurigheid en efficiëntie van 3D objectdetectie, wat belangrijk
voor de vooruitgang van autonome voertuigen en andere geavanceerde
systemen.
3D-technologie voor de verwerking van ruimtelijke gegevens in veel
verschillende industrieën gebruikt. Enkele van de belangrijkste
toepassingen zijn
4.1 Autonome voertuigen
voertuigen zijn voertuigen die geavanceerde technologie gebruiken om
zichzelf te besturen zonder menselijke tussenkomst. Deze voertuigen
maken gebruik van een verscheidenheid aan sensoren, camera's, radar,
LiDAR en meer om zich nauwkeurig bewust te worden van hun
omgeving. Deze technologieën, gecombineerd met real-time
gegevensverwerking, zijn essentieel voor het bepalen van veilige
rijroutes.
Met name 3D-objectdetectietechnologie is een belangrijk onderdeel van
autonome voertuigen en speelt een belangrijke rol bij het nauwkeurig
detecteren en herkennen van objecten rondom het voertuig. PointRCNN
maakt bijvoorbeeld gebruik van puntenwolkgegevens om een hogeresolutie
analyse van de omgeving van een voertuig mogelijk te maken.
autonome voertuigen voetgangers, andere voertuigen, verkeersborden
en meer in realtime herkennen om veilig te kunnen rijden.27)
Autonome voertuigen ook het vermogen om rijpatronen te leren en zich
aan te passen aan verschillende rijsituaties door het toepassen van 17- -
technologieën voor machinaal leren en kunstmatige intelligentie. Deze
technologieën bij aan de verbetering van de veiligheid, efficiëntie en
gebruikerservaring van voertuigen. Met name multi-sensor
fusietechnologie verbetert de nauwkeurigheid van 3D objectdetectie,
betrouwbare prestaties in verschillende omgevingen .28)
Een overzicht van 3D-objectdetectiemethoden voor toepassingen in
autonoom rijden. IEEE Transactions on Intelligent Transportation Systems,
20, 3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
27) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
28) Wang, X., Li, K., & Chehri, A. (2024). Multi-Sensor Fusion Technology for
3D Object Detection in Autonomous Driving: A Review. IEEE Transactions
on Intelligent Transportation Systems, 25, 1148-1165.18- -
Autonome voertuigen een belangrijk gebied van innovatie in
toekomstige vervoerssystemen door de convergentie van complexe
algoritmen en sensortechnologieën. Deze technologieën hebben een
positief effect op de maatschappij als geheel doordat ze
verkeersopstoppingen verminderen, het aantal verkeersongevallen
terugdringen en een efficiëntere verkeersstroom mogelijk maken.29)
Autonome voertuigen gebruiken LiDAR-sensoren en 3Dobjectdetectietechnologie
om de omgeving van het voertuig in realtime
waar te nemen en te analyseren. Hierdoor kunnen obstakels worden
vermeden, voetgangers worden herkend, kruispunten worden
geanalyseerd en om de veiligheid en rijefficiëntie van het voertuig te
maximaliseren.
4.2 Gezondheidszorg
3D objectdetectietechnieken op medisch gebied, met name die zoals
PointRCNN, een breed scala aan potentiële toepassingen. Deze
technologieën worden voornamelijk gebruikt in medische beeldvorming,
chirurgische robotica, patiëntbewakingssystemen, enz.
3D-objectdetectietechnologie helpt bij nauwkeurig detecteren van
laesies in CT-, MRI- en echografiebeelden. Dit is vooral belangrijk op
gebieden zoals radiologie, waar het kan worden gecombineerd met
computerondersteunde diagnostische systemen die gebruik maken van
kunstmatige intelligentie en machinaal leren om de diagnostische
nauwkeurigheid te verbeteren.30)
In chirurgische robotsystemen maakt 3D-objectdetectietechnologie
nauwkeurige herkenning mogelijk van omliggende weefsels en organen
tijdens de operatie, wat bijdraagt aan een veilige en nauwkeurige
operatie. Samen met de vooruitgang in medische kunstmatige
intelligentie dit de efficiëntie en veiligheid van chirurgie aanzienlijk
verbeteren.31)
3D-sensoren en objectdetectietechnologie kunnen de real-time
bewegingen en vitale functies van een patiënt analyseren om
afwijkingen in een vroeg stadium op te sporen. Deze technologieën 19- -
worden gecombineerd met patiëntmonitoringsystemen op basis van
kunstmatige intelligentie om de toestand van een patiënt continu te
volgen en te beheren.32)
In combinatie met virtual reality (VR) zou het gebruikt kunnen worden in
medische opleidingen en trainingen. 3D-objectdetectietechnologie
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). A Survey on 3D Object Detection Methods for
Autonomous Driving Applications. IEEE Transactions on Intelligent
Transportation Systems, 20, 3782-3795.
30) Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi, J.,
Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H., Huisman, H.,
Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R. K., Summers, R.,
Suzuki, K., ... & Armato, S. (2022). AAPM task group report 273:
Recommendations on best practices for AI and machine learning for
computer-aided diagnosis in medical imaging. Medische fysica.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Kunstmatige
intelligentie in de gezondheidszorg: een meesterschap. Biotechnology and
Genetic Engineering Reviews, Geen, 1-50.
32) Almagharbeh, W. (2024). De impact van AI-gebaseerde
beslissingsondersteunende systemen op verpleegkundige workflows in
kritieke zorgafdelingen. International nursing review, Geen.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023).
Artificial intelligence in clinical decision support systems for oncology.
International Journal of Medical Sciences, 20, 79-86.20- -
speelt een belangrijke rol bij het helpen van artsen en zorgverleners bij
het simuleren van operaties en diagnoses, waardoor ze kunnen leren in
een realistische omgeving.33)
Deze toepassingen dragen bij aan het verhogen van de nauwkeurigheid
van diagnoses en behandelingen op medisch gebied en het verbeteren
van de algemene veiligheid. Met name 3D-objectdetectietechnologie in
combinatie met AI versnelt de innovatie in de gezondheidszorg en een
belangrijk hulpmiddel voor het verbeteren van de gezondheid en
veiligheid van patiënten. Deze studies bieden nieuwe perspectieven op
de commerciële, regelgevende en maatschappelijke implicaties van
medische AI.34)
Op medisch gebied 3D-verwerking van ruimtelijke gegevens gebruikt
voor nauwkeurige diagnose en chirurgische planning.
Puntwolkgegevens van 3D medische beeldvorming, zoals CT-scans of
MRI-resultaten, worden gebruikt om de operatieplaats te visualiseren
en de exacte locatie en grootte te meten om de chirurgische
nauwkeurigheid te verbeteren.
4.3 Industriële automatisering en robotica
3D-objectdetectietechnologieën, met name modellen zoals PointRCNN,
zorgen voor een revolutie op het gebied van industriële automatisering
en robotica. Deze technologieën verbeteren de efficiëntie en
nauwkeurigheid in een groot aantal industrieën aanzienlijk en spelen
een belangrijke rol in de volgende specifieke gebieden
3D-objectdetectietechnologie is essentieel voor robotsystemen om
objecten in een magazijn te herkennen en sorteren. Hierdoor kunnen
robots objecten van verschillende afmetingen en vormen nauwkeurig
herkennen, waardoor ze efficiënte verplaatsings- en sorteertaken
kunnen uitvoeren. Deze technologieën verhogen de efficiëntie van
industriële processen en vergemakkelijken de automatisering van
logistieke systemen.35)
Wanneer industriële robots automatisch onderdelen assembleren,
verhoogt 3D objectdetectie de assemblage-efficiëntie door de exacte
positie en oriëntatie van onderdelen te herkennen. Dit draagt 21- -
aanzienlijk bij tot hogere productiesnelheden en minder defecten, en
een belangrijke rol in slimme productieomgevingen.36)
Ze worden gebruikt om de geometrie en afmetingen van producten te
inspecteren met behulp van 3D-scantechnologie en een belangrijke rol
bij het waarborgen van de productkwaliteit, het vroegtijdig opsporen
van defecten en het verlagen van de kosten. Deze geautomatiseerde
onderdelen
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Artificial Intelligence Based Prediction of Lung Cancer Risk Using
Nonimaging Electronic Medical Records: Deep Learning Approach. Journal
of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Kunstmatige
intelligentie in de gezondheidszorg: een meesterschap. Biotechnology and
Genetic Engineering Reviews, Geen, 1-50.
35) Höfer, S., Bekris, K. E., Handa, A., Gamboa, J. C., Mozifian, M., Golemo, F.,
Atkeson, C.,
Fox, D., Goldberg, K., Leonard, J., Liu, C., Peters, J., Song, S., Welinder, P., &
White, M. (2021). Sim2Real in Robotica en Automatisering: Toepassingen en
Uitdagingen. IEEE Transactions on Automation Science and Engineering, 18,
398-400.
36) Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H. (2021).
Op leren gebaseerde automatisering van robotassemblage voor slimme
productie. Proceedings van de IEEE, 109, 423-440.22- -
Kwaliteitsinspectiesystemen verhogen de betrouwbaarheid van
producten.37)
Om de veiligheid van robots en automatiseringssystemen te vergroten,
wordt 3D-objectdetectietechnologie gebruikt. Hierdoor kunnen of in de
buurt herkennen veilig Deze veiligheidsmechanismen dragen bij aan
het verminderen van ongevallen in industriële omgevingen.38)
Het is essentieel voor autonome voertuigen of drones om objecten te
detecteren en hun routes te plannen. 3D-objectdetectietechnologie deze
systemen om efficiënt te werken, obstakels te vermijden en levertaken
veilig uit te voeren.39)
Op deze gebieden 3D-objectdetectietechnologieën de drijvende kracht
achter innovatie in industriële automatisering en helpen ze de
productiviteit te verhogen, de kosten te verlagen en de veiligheid te
verbeteren. In de toekomst zullen deze technologieën een integraal
onderdeel blijven uitmaken van de evolutie van robotica en
automatiseringssystemen. Onderzoek heeft aangetoond dat de
toepassing van deze technologieën een belangrijke bijdrage aan het
verhogen van de efficiëntie van industriële processen en het beheren
van de complexiteit van geautomatiseerde systemen.40)
In industriële automatisering en robotica wordt 3D-verwerking van
ruimtelijke gegevens gebruikt om de efficiëntie van productieprocessen
te verhogen en kwaliteitsinspecties te automatiseren. Robots gebruiken
LiDAR-sensoren of 3D-camera's producten te herkennen, afwijkingen te
detecteren en kwaliteitsproblemen op te lossen.
4.4 Systemen voor veiligheidstoezicht
In veiligheidssurveillancesystemen 3D-objectdetectietechnologie een
belangrijke rol bij het bieden van effectieve monitoring- en
beveiligingsoplossingen in uiteenlopende omgevingen. De technologie
is vooral prominent aanwezig op gebieden zoals realtime bewaking,
inbraakdetectie, incidentpreventie, gegevensanalyse en rapportage, en
integratie van kunstmatige intelligentie.23- -
3D-objectdetectiesystemen met realtime bewakingsmogelijkheden
maken gebruik van camera's en sensoren om de omgeving in realtime te
analyseren. Deze realtime analyse maakt nauwkeurige herkenning van
mensen, voertuigen en objecten mogelijk en biedt onmiddellijke
waarschuwingen in het geval van een gevaarlijke situatie. Dit is
essentieel voor het verhogen van de veiligheid, vooral in complexe
omgevingen zoals wegen en luchthavens.
Op het gebied van inbraakdetectie is 3D-objectdetectietechnologie
effectief in het detecteren van ongewone bewegingen of gedrag binnen
een specifiek beveiligingsgebied. Dit kan leiden tot vroegtijdige detectie
van een indringer en het beveiligingspersoneel onmiddellijk voorzien
van
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Industriële
automatisering en productkwaliteit: de rol van robotische
productietransformatie. Toegepaste economie.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Designing
Dynamic and Collaborative Automation and Robotics Software Systems.
IEEE Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotica: van automatisering tot intelligente systemen.
Engineering.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Industriële visie en automatisering. Measurement Science and Technology,
33.24- -
Voorkom onbevoegde toegang tot beveiligde gebieden door rode
waarschuwingen te geven.
Op het gebied van ongevallenpreventie voorkomen deze systemen
ongevallen in verschillende omgevingen, waaronder industriële locaties,
door gevaren vroegtijdig te detecteren en te waarschuwen. Een
automatisch waarschuwingssysteem bijvoorbeeld worden geactiveerd
wanneer een werknemer een gevaarlijk gebied nadert om een ongeval te
voorkomen.
Met de mogelijkheden voor gegevensanalyse en rapportage kunt u de
beveiligingssituatie beoordelen en problemen identificeren door middel
van analyses op basis van de verzamelde 3D-gegevens. Deze analyses
bieden belangrijke inzichten voor de toekomstige beveiligingsstrategie
en continue verbetering van de beveiliging .
Met de integratie van kunstmatige intelligentie kan 3Dobjectdetectietechnologie
worden gecombineerd met algoritmen voor
machinaal leren om een intelligenter bewakingssysteem te creëren. het
systeem patronen leren en geavanceerdere waarschuwings- en
responsmechanismen implementeren.
Op deze manier wordt 3D-objectdetectietechnologie een integraal
onderdeel van veiligheidssurveillancesystemen, waarmee wordt
voldaan aan verschillende beveiligingsbehoeften en de veiligheid van
faciliteiten wordt vergroot. Er wordt verwacht dat deze technologieën
zich in de toekomst verder zullen ontwikkelen, wat zal leiden tot
geavanceerdere en efficiëntere oplossingen voor veiligheidstoezicht.
Deze technologische vooruitgang uitmonden in robuustere
beveiligingssystemen, vooral door integratie met kunstmatige
intelligentie.41)
3D-objectdetectietechnologie ook een belangrijke rol in
veiligheidsbewakingssystemen. LiDAR-sensoren en 3Dobjectdetectietechnologie
worden gebruikt om indringers te detecteren
of om te bepalen of er mensen in de buurt zijn. Ze ook gedragspatronen
in de 3D-ruimte analyseren om illegale activiteiten op te sporen en te
voorkomen.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). An
Infrared Small Target Detection Method Based on a Weighted Human Visual
Comparison Mechanism for Safety Monitoring. Remote. Sens, 15, 2922.26- -
4.5 VR/AR
In virtual reality (VR) en augmented reality (AR) verbetert 3Dobjectdetectietechnologie
de gebruikerservaring aanzienlijk in
verschillende sectoren. Dankzij 3D-objectdetectie kunnen gebruikers
interageren met echte objecten in virtuele omgevingen. Dit is essentieel
voor AR-toepassingen om hun omgeving in realtime te herkennen en
virtuele elementen nauwkeurig te kunnen plaatsen en manipuleren. Dit
maakt de gebruikerservaring meeslepender.
In VR-omgevingen wordt 3D objectdetectie gebruikt om realistische
simulaties te creëren. Dit biedt trainingsscenario's op verschillende
gebieden, waaronder medisch, en luchtvaartwaardoor deelnemers op
een veilige manier levensechte situaties kunnen ervaren en oefenen. De
toepassing van VR/AR, vooral op het gebied van veiligheid in de bouw,
verhoogt het veiligheidsbewustzijn van werknemers.42)
In de game-industrie zorgt 3D objectdetectie voor een ervaring door de
beweging en positie van de speler nauwkeurig te volgen. Dit maakt
interactie met virtuele personages mogelijk, wat het realisme van het
spel verhoogt.
In de architectuur en techniek kan AR-technologie worden gebruikt om
ontwerpmodellen in de echte wereld te visualiseren. Dit helpen om
fouten in het ontwerpproces van tevoren op te sporen en de
communicatie met klanten te vergemakkelijken. Deze toepassingen
kunnen bijzonder synergetisch zijn met veiligheid in de bouw.43)
AR-technologie helpt consumenten bij het nemen van
aankoopbeslissingen doordat ze producten virtueel kunnen ervaren.
Het geeft ze bijvoorbeeld de mogelijkheid om meubels in hun huis te
plaatsen of cosmeticakleuren van tevoren uit te proberen. Dit verbetert
de koopervaring en interactie van de consument.44)
Op deze manier zorgt de 3D-objectdetectietechnologie voor innovatieve
ervaringen in VR en AR, en wordt ze gebruikt in verschillende
industrieën. In de toekomst zullen deze technologieën zich blijven
ontwikkelen, waardoor de interactie tussen de gebruiker en de virtuele
omgeving nog naadlozer en natuurlijker wordt. Dit zal het gebruik van 27- -
VR/AR-technologie in het onderwijs, entertainment, handel en nog veel
meer verder uitbreiden. Tegelijkertijd de vooruitgang in deze
technologieën nieuwe mogelijkheden creëren in de toerisme- en horecaindustrie.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Een kritisch
overzicht van virtuele en augmented reality (VR/AR) toepassingen in
bouwveiligheid. Automatisering in de bouw, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Een kritisch
overzicht van virtuele en augmented reality (VR/AR) toepassingen in
bouwveiligheid. Automatisering in de bouw, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023).
'The persuasion effects of virtual reality (VR) and augmented reality (AR)
video advertisements: A conceptual review'. Journal of Business Research.
45) Wei, W. (2019). Onderzoeksvoortgang naar virtual reality (VR) en
augmented reality (AR) in toerisme en gastvrijheid. Journal of Hospitality
and Tourism Technology, 10, 539-570.28- -
In virtual reality (VR) en augmented reality (AR) spelen ruimtelijke 3Dgegevens
een belangrijke rol interactie met objecten in de echte wereld.
ruimtelijke gegevens in 3D kunnen virtuele objecten op de juiste manier
in de echte wereld worden geplaatst en kunnen gebruikers er op een
natuurlijke manier mee interageren.
5. Conclusie
3D-technologie voor de verwerking van ruimtelijke gegevens voor een
revolutie op veel gebieden, waaronder autonoom rijden,
gezondheidszorg, industrie, veiligheid en VR/AR. Met name LiDARsensoren
en 3D-objectdetectietechnologieën een belangrijke rol op elk
van deze gebieden en dragen bij aan realtime omgevingsanalyse,
nauwkeurige diagnose en behandeling en efficiënte
automatiseringssystemen. Deze technologieën zich blijven ontwikkelen
en zorgen voor rijkere gebruikerservaringen op verschillende gebieden.29- -
Referenties
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J.
(2023). Lidar Point Cloud Compression, Processing and Learning for
Autonomous Driving. IEEE Transactions on Intelligent Transportation
Systems, 24, 962-979.
2. Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). A Survey on 3D Object Detection Methods for
Autonomous Driving Applications. IEEE Transactions on Intelligent
Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Berekening en
visualisatie van 3D-gegevens. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., &
Rubin, E. J. (2023). Kunstmatige intelligentie in de geneeskunde. New
England Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Verbetering van industriële
processen door automatisering en robotica. Machines.
6. Cao, M., & Wang, J. (2020). Obstacle Detection for Autonomous
Driving Vehicles With Multi-LiDAR Sensor Fusion. Journal of Dynamic
Systems Measurement and Control - Transactions of the ASME, 142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D-objectdetectie uit
monoculaire, stereo- en puntenwolk voor autonoom rijden.
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). An
Infrared Small Target Detection Method Based on a Weighted Human
Visual Comparison Mechanism for Safety Monitoring. Remote. Sens, 15,
2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). New regional stratigraphic insights from a 3D
geological model of the Nasia sub-basin, Ghana, developed for
hydrogeological purposes and based on reprocessed B-field data
originally collected for mineral exploration. Solid Earth, 11, 349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J., & GarcíaGarcía,
J. A. (2020). Robotic Process Automation: A Scientific and
Industrial Systematic Mapping Study. IEEE Access, 8, 39113-39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023). Super
Sparse 3D Object Detection. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 45, 12490-12505.30- -
12. Fernandes, D., Silva, A., Névoa, R., Simões, C., Gonzalez, D. G.,
Guevara, M., Novais, P., Monteiro, J., Melo-Pinto, P., & Melo-Pinto, P.
(2021). Point-cloud based 3D object detection and classification methods
for self-driving applications: A survey and taxonomy. Information
Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019). Diep31- -
Leren voor 3D-puntwolken: een overzicht. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
14. Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi,
J., Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H.,
Huisman, H., Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R.
K., Summers, R., Suzuki, K.,
... & Armato, S. (2022). AAPM task group report 273: Recommendations
on best practices for AI and machine learning for computer-aided
diagnosis in medical imaging. Medische fysica.
15. Huang, S. (2019). Augmented reality en virtual reality: de kracht van
AR en VR voor het bedrijfsleven. Information Technology and Tourism,
21, 457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H.
(2021).
Op leren gebaseerde automatisering van robotassemblage voor slimme
productie. Proceedings van de IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A.
(2023). 'The persuasion effects of virtual reality (VR) and augmented
reality (AR) video advertisements: A conceptual review'. Journal of
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Triplanaire convolutie met gedeelde 2D kernels voor 3D classificatie en
vormherwinning. Computer Vision and Image Understanding, 193,
102901.
19. Kim, J., Kim, M., Park, M., & Yoo, J. (2022). Immersieve interactieve
technologieën en virtuele winkelervaringen: Verschillen in
consumentenpercepties tussen augmented reality (AR) en virtual reality
(VR). Telematica en Informatica, 77, 101936.
20. Kusiak, A. (2023). Hyperautomatisering in de maakindustrie. J.
Intell. Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Een kritisch
overzicht van virtuele en augmented reality (VR/AR) toepassingen in
bouwveiligheid. Automatisering in de bouw, 86, 150-162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dynamic Multitarget Detection Algorithm of Voxel Point Cloud Fusion
Based on PointRCNN. IEEE Transactions on Intelligent Transportation
Systems, 23, 20707-20720.
23. Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D-objectdetectie voor 32- -
autonoom rijden: Een uitgebreid overzicht. International Journal of
Computer Vision, 131, 1909-1963.
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Industriële visie en automatisering. Measurement Science and
Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023).
Kunstmatige intelligentie in de gezondheidszorg: een meesterschap.
Biotechnology and Genetic Engineering Reviews, Geen, 1-50.
26. Nebot, E. (2018). Robotica: van automatisering tot intelligente
systemen. Engineering.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B.
(2022). Dynamic graph33- -
transformator voor 3D objectdetectie. Kennisgebaseerde systemen, 259,
110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: op deep
learning gebaseerde 3D-objectdetectie met behulp van semantische
puntenwolk. Visual Computer, , 1-15.
29. Wei, W. (2019). Onderzoeksvoortgang naar virtual reality (VR) en
augmented reality (AR) in toerisme en gastvrijheid. Journal of
Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). A Novel Method for
Regional Prospecting Based on Modern 3D Graphics. Minerals.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Artificial Intelligence-Based Prediction of Lung Cancer Risk Using
Nonimaging Electronic Medical Records: Deep Learning Approach.
Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Computerondersteunde detectie en
diagnose/radiomics/machine learning/deep learning in medische
beeldvorming. Medische Fysica.
Onderzoeksrapport: 3D verwerking van ruimtelijke gegevens en toepassingen
2025. 1. 16. 08:22