Az ICP (Iterative Closest Point) a legklasszikusabb algoritmus a 3D pont-felhőregisztráció területén, és az intraorális szkennerek valós{2}idejű varrásának egyik technikai alapját képezi.
A probléma ICP megoldja
Minden intraorális szkenner által rögzített kép a fogfelületnek csak egy kis részét fedi le. Több száz vagy több ezer képkockát kell egyetlen egységes koordináta-rendszerbe igazítani. Ha két átfedő pontfelhőnek ismeretlen a relatív helyzete, az ICP automatikusan megtalálja azt az optimális merev -testtranszformációt (rotáció RRR + fordítási ttt), amely a legjobban igazítja a két felhőt.
Alapvető algoritmus munkafolyamat
A forráspontfelhő minden pontjához keresse meg a célpontfelhőben a legközelebbi pontot megfelelőjeként.
A megfelelő pontpárok alapján számítsa ki a merev -testtranszformációt (R,tR, tR,t), amely minimalizálja a két ponthalmaz közötti átlagos négyzetes távolságot.
Alkalmazza a transzformációt a forráspontfelhőre.
Addig ismételje a folyamatot, amíg az átlagos távolság változása egy küszöb alá nem esik, vagy el nem éri az iterációk maximális számát.
Fejlesztések és kihívások az intraorális szkennelésben
Valós idejű-követelmények
A szabványos ICP számításigényes, de az intraorális szkennereknek tízezredmásodperceken belül be kell fejezniük a regisztrációt. A gyakorlatban különféle gyorsított változatokat használnak:
KD-Fagyorsítás a legközelebbi-szomszéd kereséséhez.
Jellemző-pont-elő-egyeztetés: az olyan leírók, mint az FPFH vagy a SHOT, először létrehozzák a kezdeti megfelelést, majd az ICP-regisztrálást követik.
GPU párhuzamosítás: Az ICP számítások valós időben kerülnek végrehajtásra a GPU-n.
Frame{0}}to-Modell regisztráció: az aktuális képkocka regisztrálva van a már-egyesített globális modellhez, ami kevesebb eltolódást produkál, mint a frame-to-frame regisztráció.
Drift probléma
A szekvenciális frame{0}}to- frame regisztráció hibákat halmoz fel; a teljes ív pásztázása után a végén észrevehető eltérések jelenhetnek meg. A megoldások a következők:
Hurok-lezárás észlelése: amikor a vizsgálat visszatér egy korábban vizsgált régióba, a rendszer hurkot észlel, és a globális póz-grafikon optimalizálás újraelosztja a hibát.
Funkción{0}} alapuló globális konzisztencia-optimalizálás.
AI-segített durva lokalizáció, amely megbízható kezdeti becslést ad, és csökkenti annak esélyét, hogy az ICP a helyi minimumokba kerüljön.
Dinamikus objektum interferencia
A páciens ajkának vagy nyelvének mozgása "dinamikus objektumokat" hoz létre. Ha ezeket statikus adatként kezeli a regisztráció során, hiba lép fel. A modern algoritmusok a szemantikai szegmentálást (a nyelv és az ajkak AI felismerése) kombinálják a dinamikus adatok kizárása érdekében.
Klinikai jelentősége
Az ICP megértése segít megmagyarázni, miért kell folyamatosnak lennie a szkennelésnek nagy ugrások nélkül (az ICP-hez elegendő átfedő régióra van szükség), miért vész el könnyen a nyomon követés a jellemzők -szegény területein (hiányoznak a megfelelő pontok), és miért mutathatnak a teljes -íves letapogatások terminális eltérést (halmozott hiba).
Az Aident Technology cégnél az AI-30 intraorális szkennersorozat nagy-sebességű strukturált-fényrögzítést integrál intelligens, valós idejű-feldolgozással a stabil regisztráció és a pontos, teljes-íves modellek érdekében. Legfeljebb 30 képkocka/másodperc, 10 μm vagy annál kisebb teljes -íves pontosság, por-mentes valódi-szín szkennelés és ultrakönnyű, 156–198 g-os kialakítású AI-30 támogatja a hatékony szék melletti és laboratóriumi digitális munkafolyamatokat.
Fedezze fel megoldásainkat:
- Az intraorális szkenner áttekintése
- Fogászati szájszkenner
- 3D szájon belüli szkenner
- Gyors intraorális szkenner
Lépjen kapcsolatba az Aidenttel OEM/ODM együttműködéssel, nagykereskedelmi árakkal vagy élő bemutatóval kapcsolatban, és tapasztalja meg, hogy a fejlett valós idejű{0}}regisztrációs algoritmusok miként biztosítanak megbízható digitális megjelenítéseket.
