Integrated approach for 3d point cloud segmentation in tank calibration

Скорочена інформація про документ
dc.contributor.authorProskurenko, D. M.
dc.contributor.authorBezuglyi, M. O.
dc.date.accessioned2026-03-12T09:47:40Z
dc.date.available2026-03-12T09:47:40Z
dc.date.issued2025
dc.description.abstractThe paper presents a hybrid method for segmenting 3D point clouds for the calibration of cylindrical horizontal tanks, combining RANSAC and DBSCAN algorithms with subsequent boundary refinement based on local geometric features.Analysis of prior research indicates that RANSAC is effective for detecting cylindrical surfaces but sensitive to noise, while DBSCAN excels in clustering noisy data but requires parameter optimization. Hybrid methods combining these algorithms demonstrate improved results; however, their robustness to low-density point clouds and accuracy in transition zones remain underexplored. The objective of this study is to develop and evaluate a hybrid 3D point cloud segmentation method integrating RANSAC, DBSCAN, and boundary refinement to achieve automated tank calibration with high accuracy across densities levels ranging from ~1 million to ~18 million points.The research results are based on a comparison of a scanned model (18,012,345 points at maximum density) and an ideal model (17,986,543 points) of the tank. The hybrid method enabled precise estimation of geometric parameters: radius (R ≈ 1.5 m, error ±0.03 m) and length (L ≈ 10.8 m, error ±0.05 m). The segmentation identified thefront bottom (372,890 points, ~2.07%), rear bottom (411,230 points, ~2.28%), and noise (2,181,240 points, ~12.1%). The proportionality of point reduction for bottoms with decreasing density was confirmed by linear approximation (Fig. 1): slopes of ~20,700–22,800 points/million for the scanned model and ~20,900–21,100 for the ideal model, with R² ≈ 0.999. Relative segmentation errors range from 0.1–0.7% for the front bottom and 8.3–8.9% for the rear bottom, indicating higher accuracy for the front bottom and a need for improvement in the rear bottom. The stability of noise (~12.1–12.2%) confirms the effectiveness of DBSCAN. The method maintained accuracy even at low density (~1 million points), although the increased error for the rear bottom (~8.75%) suggests potential loss of detail.In conclusion, the developed hybrid method is robust to noise, scalable for densities levels of 1–18 million points, and suitable for automated tank calibration. The proportionality of components and stable noise level highlight the method’s reliability, while visualization (cylinder –red, front bottom –green, rear bottom –blue) illustrates clear component separation. Future research may focus on optimizing DBSCAN for low-density point clouds and reducing errors for the rear bottom in transition zones.
dc.description.abstractotherУ статті представлено гібридний метод сегментації 3D-хмар точок для калібрування циліндричних горизонтальних резервуарів, який поєднує алгоритми RANSAC і DBSCAN із подальшим уточненням меж на основі локальних геометричних характеристик. Аналіз попередніх досліджень показує, що RANSAC ефективний для виявлення циліндричних поверхонь, але чутливий до шуму, тоді як DBSCAN добре виконує кластеризацією зашумлених даних, але потребує оптимізації параметрів. Гібридні методи, які поєднують ці алгоритми, демонструють кращі результати, проте їх стійкість до низькощільних хмар і точність у перехідних зонах залишаються недостатньо дослідженими. Мета роботи – розробити та оцінити гібридний метод сегментації 3D-хмар точок, що поєднує RANSAC, DBSCAN і уточнення меж, для автоматизованого калібрування резервуарів із високою точністю за щільностей від ~1 млн до ~18 млн точок. Результати досліджень базуються на порівнянні сканованої (18,012,345 точок при максимальній щільності) та ідеальної (17,986,543 точок) моделей резервуара. Гібридний метод дозволив точно оцінити геометричні параметри: радіус (R ≈ 1.5 м, похибка ±0.03 м) і довжину (L ≈ 10.8 м, похибка ±0.05 м). Сегментація виділила переднє днище (372,890 точок, ~2.07 %), заднє днище (411,230 точок, ~2.28 %) та шум (2,181,240 точок, ~12.1 %). Пропорційність зменшення точок для днищ зі зниженням щільності підтверджена лінійною апроксимацією (рис. 1): нахили ~20,700–22,800 точок/млн для сканованої моделі та ~20,900–21,100 для ідеальної, із R² ≈ 0.999. Відносні похибки сегментації становлять 0.1–0.7 % для переднього днища та 8.3–8.9 % для заднього, що вказує на вищу точність для переднього днища та потребу вдосконалення для заднього. Стабільність шуму (~12.1–12.2 %) підтверджує ефективність DBSCAN. Метод зберігав точність навіть при низькій щільності (~1 млн точок), хоча зростання похибки заднього днища (~8.75 %) сигналізує про можливі втрати деталей. Отже, розроблений гібридний метод є стійким до шуму, масштабованим для щільностей 1–18 млн точок і придатним для автоматизованого калібрування резервуарів. Пропорційність компонентів і стабільний шум підкреслюють надійність методу, а візуалізація (циліндр - червоний, переднє днище - зелений, заднє - синій) ілюструє чітке розмежування. Подальші дослідження можуть зосередитися на оптимізації DBSCAN для низькощільних хмар і зниженні похибки для заднього днища в перехідних зонах.
dc.format.pagerangeС. 75-81
dc.identifier.citationProskurenko, D. M. Integrated approach for 3d point cloud segmentation in tank calibration / D. M. Proskurenko, M. O. Bezuglyi // Вісник КПІ. Серія Приладобудування : збірник наукових праць. – 2025. – Вип. 69(1). – С. 75-81. – Бібліогр.: 12 назв.
dc.identifier.doihttps://doi.org/10.20535/1970.69(1).2025.333512
dc.identifier.orcid0000-0002-0673-5708
dc.identifier.orcid0000-0003-0624-0585
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79443
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofВісник КПІ. Серія Приладобудування : збірник наукових праць, 2025, Вип. 69(1)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectpoint cloud
dc.subjecthybrid algorithm
dc.subjectgeometric modeling
dc.subjectsegmentation
dc.subjecttank calibration
dc.subjectlaser scanning
dc.subjectхмара точок
dc.subjectгібридний алгоритм
dc.subjectгеометричне моделювання
dc.subjectсегментація
dc.subjectкалібрування резервуарів
dc.subjectлазерне сканування
dc.subject.udc004.93, 531.7
dc.titleIntegrated approach for 3d point cloud segmentation in tank calibration
dc.title.alternativeІнтегрований підхід до сегментації 3d-хмари точок для калібрування резервуарів
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
75-81.pdf
Розмір:
746.25 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник КПІ. Серія Приладобудування: збірник наукових праць, Вип. 69(1)