Размеры помещения для форматного станка: Как выбрать форматно-раскроечный станок? Технические характеристики, особенности, советы.

Каретка. Встречаются две ее разновидности. Первая – шариковая. Она перемещается на шарикоподшипниках и удобна тем, что самоочищается, отводя пыль и стружку в сторону. Поэтому допускается смазывание направляющих, что защищает их от коррозии. Из-за чего применяется в станках первой и второй группы. Другая разновидность – роликовая. Более дорогая, но и более износостойкая, часто используется в станках второй и третьей группы. Применять смазку для неё не рекомендуется, так как такая каретка подминает под ролики пыль и стружку.

Упоры и линейки. Являются направляющими во время распилов, поэтому очень важно, чтобы они были надежными и легко перемещались. Боковой упор является основным, фронтальный – вспомогательным (установлен на подвижном столе для косых резов). Иногда в комплект входит дополнительная линейка для пиления под углом, которая позволяет без разметки и без использования линейки фронтального упора получить необходимый угол пропила, обратите на это внимание, если Вам придется часто выполнять косые или угловые резы.

Технические характеристики форматно-раскроечных станков.

Максимальная длина пропила. Определяет, какие по длине детали Вы сможете обрабатывать. Одним из наиболее востребованных в мебельном производстве является значение 3000-3200 мм. Так как это максимальный стандартный размер корпусной мебели и соответственно плит МДФ, ДВП и ДСП. Но если распиливают небольшие детали, то намного удобнее купить устройство с меньшей длиной пропила, так как оно помимо прочего имеет более компактные размеры. У нас Вы найдете станки с максимальной длиной пропила от 1470 мм.

Мощность. От данного параметра зависит производительность техники и материал, который можно резать. Станки с мощностью 3,7-4 кВт подходят для обработки мягкого дерева и ДСП. Устройство на 5 кВт и более требуется для распиливания пакетов и твердых материалов (пластик, твердые породы древесины, фанера и прочее).

Максимальная глубина пропила. Указываются 2 значения — при вертикальном положении оснастки (90°), и при наклонном (45°). Последнее приблизительно на 1/3 меньше второго. Как правило, для мебельного производства хватает 100 мм, большее значение требуется при пакетном раскрое или при резании массива.

Частота вращения. В данном случае важно не столько значение, сколько возможность регулировки. Для эффективной работы с различными материалами необходимо 3-4 ступени. Так Вы сможете резать как массив, так и тонкие листы фанеры. Чем материал будет толще и/или тверже, тем меньшее значение данной характеристики рекомендуется.

Масса. Точность многих станков зависит от того, насколько жесткой является система. А жесткость в свою очередь определяет вес оборудования. Форматно-раскроечные станки не являются исключением. Чем тяжелее будет устройство, тем меньше вибраций будет возникать при работе, а значит – тем точнее будет распил. Это может быть очень важно при мебельном производстве для изготовления небольших деталей.

Сервис, доставка, наличие на складе форматно-раскроечных станков.

Сервис. Каждый форматно-раскроечный станок бывший в эксплуатации (б/у), поступающий к нам на склад, проходит диагностику и предпродажную подготовку. Наши сервисные инженеры произведут регулировку и пуско-наладку станков на Вашем производстве.

Доставка. Мы доставляем станки по всей России, Беларуси и Казахстану. Мы прилагаем все усилия, чтобы наши клиенты получали самые низкие цены на доставку станков по всей России.

Складская программа. На нашем складе всегда в наличии станки б/у от известных мировых брендов: Felder K500S, Felder K700S, Felder K915, Format4 Kappa 450, Altendorf F45 (Elmo), Altendorf C90, Altendorf WA 80, Filato FL-3200 (B, L, Maxi), Italmac Omnia 3200 (B, R, Maxi), Griggio SC 32, Griggio C45, Griggio UNICA 400, Sicar EXPRESS 3200, Sicar BOOM 3200, Lazzari TEMA 3200, SCM 315S Elite, SCM SI 300 NOVA, SCM SI 400, Casadei CS40P, MJ 6132B, TR3200TZ, Stomana S315, Stomana S3200L, High-Point SS3000, High-Point STS-3200, Wood-Tec WT-3200 и др.

Смотри также: кромкооблицовочные станки, сверлильно-присадочные станки.

Устройство и принцип работы форматно-раскроечного станка

Главная » Статьи » Статьи по деревообработке » Форматно-раскроечные станки » Устройство и принцип работы форматно-раскроечного станка

25.12.2020

Форматно-раскроечные станки

Просмотров: 1069

С помощью форматно-раскроечных станков можно быстро и точно подрезать в размер, распиливать прямо или под углом длинные паркетины, листы фанеры, ДСП, МДФ, пластика, композита и даже алюминия. При этом благодаря большой глубине пропила (до 210 мм) возможно обрабатывать одновременно несколько плит пакетом по одному шаблону. Чтобы добиться такого результата с помощью других инструментов, нужно приложить куда больше сил и потратить много времени, что недопустимо на производстве. В данной статье мы расскажем, что собой представляет форматно-раскроечный станок и какие имеет особенности.

Устройство и принцип работы

От конструкции станка зависит общая его функциональность — насколько эффективно он сможет выполнить распилы разных материалов. Основными частями являются:

Станина – основание, на котором закрепляются все основные элементы и механизмы. По мнению специалистов, чем устойчивее и «жестче» она будет, тем более высокой будет точность реза. Жесткость зависит от веса, более массивные станины поглощают вибрации, исключая даже малейшие колебания. Это в свою очередь будет залогом ровного хода движущихся частей станка и точного распила.

Пильный узел, состоящий из двух пильных дисков. Первый – подрезной, располагается спереди узла, имеет небольшой диаметр и служит для предварительного подпиливания заготовки (прорезания облицовочного слоя). Второй – основной, распиливает материал полностью, от его размера зависит максимальная глубина пропила. Такая система пиления обеспечивает рез без сколов и неровных краев. В большинстве станков пильный угол является наклонным, что необходимо для выполнения резов под углом от 0 до 45°.

Рабочие столы. Первый (основной) неподвижный, на нем располагается пильный узел. Второй, левый поперечный стол (форматный), является подвижным и используется для подачи материала на диск во время обработки. Он является основной опорой для заготовки, поэтому, чем больше он будет, тем удобнее будет обрабатывать длинные детали, к примеру, полноформатные листы ДСП (HighPoint SS 3000). Третий, правый стол, служит для поддерживания отрезанных частей, а также является дополнительной опорой для детали. Наиболее эффективен он при распиливании пакета заготовок и больших листов материала.

Каретка – механизм, с помощью которого по направляющим передвигается левый стол. Лучше, если он будет из алюминия (Proma PKS-315F 25022001). Это обеспечит небольшой вес каретки. Поэтому не придется прикладывать лишних усилий для передвижения стола.

Упоры и линейки – располагаются на столах и служат для размещения заготовки в необходимом положении. Обратите внимание, чтобы в наборе были требующиеся Вам приспособления. Особенно если будут выполняться распилы под углом или косые резы.

Принцип работы техники: чтобы разрезать заготовку, её устанавливают на левый подвижный стол к регулируемому упору, отмеряя необходимую длину. После этого запускают пильный узел. Когда диск разовьет необходимые обороты, стол двигают вперед, подавая заготовку на диск и отпиливая нужный кусок. Основными настройками станка являются положение заготовки, глубина реза и угол распила – большего не требуется.

Разновидности станков и их особенности

Все форматно-раскроечные станки являются профессиональными. Но есть отдельные рекомендации производителей по использованию. По ним все устройства можно разделить на три группы.

Что относится к дополнительным опциям и для чего они предназначены?

• Верхняя защита с патрубком для отвода стружки и опилок и подключения системы пылеудаления (BRASSA S315 3000 10.2.2, HighPoint STS 3200).
• Прижимы (струбцины) для фиксации заготовки на столе (BRASSA S-400 10.5.1, HighPoint SL 3200).
• Поворотная линейка с микрометрической настройкой и угловые упоры для распилов под различными углами без разметки (Jet JTSS-1700 10000045T).
• Дополнительная рама с упорной ногой для обработки особо длинных заготовок (BRASSA S315 3000 10.2.2).
• Различные виды кареток. Шариковые (Jet JTSS-1700 10000045T) отличаются низкой стоимостью, имеют небольшой срок службы, поэтому используются обычно в станках первой и второй группы. Перемещается это устройство на шариковых подшипниках и самоочищается от стружки и пыли, просто отводя их в сторону. Такие каретки можно смазывать, чтобы исключить ржавление. Роликовые (Proma PKS-315F 25022001) перемещаются по призматическим или круглым направляющим, что способствует лучшему распределению нагрузки и обеспечивает меньшую степень износа при постоянном применении. Поэтому данный вид каретки чаще всего устанавливается на оборудование второй и третьей группы. Такие каретки не рекомендуют смазывать, так как они подминают стружку и пыль под ролики, из-за чего грязь налипает на смазку.

Использование станка

При работе на форматно-раскроечном станке нужно уделить внимание следующему:

Правильно установить станок, соблюдая все требования (условия в помещении и подключение к электросети) описанные в инструкции, и подготовить его к использованию. Как правило, это сборка, очистка металлических деталей от предохраняющих покрытий и снятие защитных блокировок. Все это необходимо для исправной работы.

Использовать технику согласно её возможностям. Не перегружать станок, применять диски только подходящего размера, при необходимости пользоваться дополнительными средствами (опоры для длинных заготовок, стружкоотсос). Это позволит избежать поломок и брака.

Ухаживать за станком. Содержать его в чистоте и проверять исправность всех механизмов.

Форматно-раскроечный станок позволяет выполнить множество задач от подрезания в размер досок, до раскройки больших листов самых различных материалов. Если Вы профессионально заняты в мебельном производстве, оснастите такими станками свое предприятие и Вы сэкономите много сил, времени и денег.  Подробный выбор подходящего устройства подробно описан в нашей следующей статье «Как выбрать форматно-раскроечный станок для производства». Также Вы можете получить консультацию у нашего менеджера по телефону.

если есть вопросы ? позвоните  по телефону 8 800 500 55 42  или  8 812 448 13 14,  пишите  [email protected]  мы обязательно вам поможем!

Рекомендуем прочесть

• Основные тяжеловесы на рынке. Критерии выбора

  25.12.2020

  Просмотров: 648

  Финишную распиловку древесно – стружечных материалов с успехом выполняют на форматно раскроечных станках scm, производство Италия. Рабочая поверхность оборудована эксцентриковыми прижимными захватами, удлинителями поверхности. Перемещение каретки стабилизировано шариками качения в закаленных направляющих сферической фрезерной выборки призматического сечения

  Форматно-раскроечные станки

• Новые разработки форматно-раскроечных станков

  25.12.2020

  Просмотров: 624

  Многие новые технические решения обычно впервые предлагаются хорошо известными в своей области, именитыми фирмами, постоянно совершенствующими свои изделия, самостоятельно проводящими исследования и разработки

  Форматно-раскроечные станки

• Знакомство с форматно-раскроечным станком

  25.12.2020

  Просмотров: 734

  Данное форматное оборудование, изготовленное в промышленных условиях или самостоятельно, выполняет задачу раскроя многих материалов: древесина разных пород; фанера; шпон; ДСП; МДФ; ДВП; ламинат; листовые композиты; облицовочный пластик; меламин

  Форматно-раскроечные станки

Трехмерное параметрическое представление помещений с помощью RoomPlan

Понимание трехмерных сцен уже более десяти лет является активной областью исследований в области машинного обучения (МО). Совсем недавно выпуск функций датчика LiDAR в Apple iPhone и iPad положил начало новой эре в понимании сцены для компьютерного зрения и сообществ разработчиков. Фундаментальные исследования в области понимания сцены в сочетании с достижениями в области машинного обучения теперь могут влиять на повседневный опыт. Различные методы решают различные части проблемы, такие как оценка глубины, 3D-реконструкция, сегментация экземпляров, обнаружение объектов и многое другое. Среди этих проблем создание 3D-плана этажа становится ключевым для многих приложений в дополненной реальности, робототехнике, электронной коммерции, играх и недвижимости.

Чтобы решить проблему автоматического создания 3D-планов этажей, Apple выпустила RoomPlan в 2022 году. RoomPlan, основанный на программных платформах ARKit и RealityKit для разработки игр и приложений с дополненной реальностью, представляет собой новый Swift API, который использует камеру и сканер LiDAR на iPhone и iPad для создать 3D-план комнаты, включая размеры и типы мебели. Простые для понимания подсказки помогают пользователю лучше захватывать (или сканировать) плоскости и объекты в комнате с правильной скоростью, освещением и расстоянием. Результирующий захват комнаты предоставляется в виде параметрического представления и может быть экспортирован в различные форматы универсального описания сцены (USD), включая USD, USDA или USDZ.

В основе RoomPlan лежат два основных компонента:

• Оценка планировки помещения в 3D
• Конвейер обнаружения объектов в 3D

Пример процесса сканирования кухни с точки зрения пользователя iPhone показан на видео 1.

Оценщик трехмерной планировки помещения использует две нейронные сети, одна из которых обнаруживает стены и проемы, а другая обнаруживает двери и окна. Оценщик определяет стены и проемы как линии и переводит их в 3D, используя расчетную высоту стены. Он обнаруживает двери и окна на 2D-плоскостях стен, а затем проецирует их в 3D-пространство с учетом информации о стене и положении камеры.

Конвейер обнаружения 3D-объектов распознает 16 категорий объектов непосредственно в 3D, охватывая основные типы мебели, определяющие комнату, такие как диван, стол и холодильник. В этой статье мы рассмотрим эти два основных компонента 3D более подробно.

Оценка планировки помещения

Основным компонентом RoomPlan является оценка планировки помещения (RLE). RLE обнаруживает стены, проемы, двери и окна, а затем обрабатывает данные на iPhone или iPad пользователя в режиме реального времени, когда камера устройства сканирует окружающую среду. Эта задача по своей сути является сложной из-за таких факторов, как различия в размерах комнаты, мебель, которая может блокировать конструкции или проемы (мебельная окклюзия), а также наличие листового стекла и зеркальных стен.

Чтобы решить эти проблемы, мы разработали конвейер, подробно описанный ниже. Конвейер состоит из двух основных нейронных сетей: одна отвечает за обнаружение стен и проемов, а другая отвечает за обнаружение дверей и окон.

Обнаружение стен и проемов

Как показано на рисунке 1, мы разработали двухэтапный алгоритм. На первом этапе мы используем нейронную сеть, которая берет облака точек вместе с их семантическими метками (для простоты назовем это семантических облаков точек по всей этой статье) и предсказывает 2D-стены и проемы в виде сцены с высоты птичьего полета. На втором этапе обнаруженные 2D стены и проемы преобразуются в 3D с помощью ряда алгоритмов постобработки, которые используют высоту стены.

Оценка планировки помещения

Стены и проемы

Рис. 1: На рисунке показан процесс оценки планировки помещения (RLE), начиная с трубопровода стен и проемов. RoomPlan прогнозирует стены и проемы в виде 2D-линий с помощью нашей сквозной нейронной сети детектора линий. Затем линии переносятся в 3D с помощью нашего конвейера постобработки, который использует предполагаемую высоту стены.

Наш конвейер обнаружения стен и отверстий сначала преобразует входные семантические облака точек в два представления псевдоизображений:

• Семантическая карта
• Карта Z-срезов

Семантическая карта представляет собой вектор HxWxK , который кодирует семантику информация о пространство с высоты птичьего полета, где H , W и K — длина изображения, ширина и количество семантических классов соответственно. Этот ввод создается путем проецирования каждого облака точек и связанного с ним семантического вектора на двумерный вид сетки изображения с высоты птичьего полета.

Для z-срезов мы отображаем точки в пространстве вокселей HxWxZ , где Z — количество срезов вдоль направления силы тяжести. Каждый воксель представляет собой число с плавающей запятой от 0 до 1, и каждое представляет плотность облаков точек, попадающих в этот воксель. В частности, мы выбрали H , W и Z равными 512, 512 и 12 соответственно. Для разрешения вокселя мы выбрали 3 см по осям x и y и 30 см по оси z. Такая конструкция позволяет поддерживать помещения максимальным размером 15 м на 15 м и максимальной высотой до 3,6 м, сохраняя при этом баланс между скоростью и точностью измерений.

Вдохновленные сквозным синтаксическим анализом каркаса, мы используем сквозную обучаемую сеть обнаружения линий для прогнозирования 2D-планировок помещений с высоты птичьего полета. Сеть принимает в качестве входных данных конкатенацию карты z-срезов вместе с семантической картой и передает их через магистраль U-Net с разделяемыми извилинами 2D-глубины. Выход сети состоит из карты углов и карты краев стен и проемов. Карта углов определяет, какие пиксели на виде комнаты с высоты птичьего полета принадлежат углу стены или проему. Следовательно, карта краев определяет вероятность того, что каждый пиксель принадлежит стене или отверстию. Как только углы обнаружены, модули выборки строк перечисляют пары углов, чтобы сгенерировать предложение линии. В конце к предложениям применяется сеть линейной проверки для окончательной классификации.

Наш конвейер для обнаружения стен и отверстий позволяет нам не только сканировать большие помещения размером до 15 м на 15 м, но и производить высокоточные измерения. Кроме того, конвейер работает в режиме реального времени на iPhone и iPad и способен учитывать окклюзии стен, небольшие конструкции и отражения от стеклянных и зеркальных стен.

Двери и окна

Рисунок 2: Мы формулируем задачу как 2D обнаружение. Информация о стене используется для проецирования входных данных на плоскости стены. Позже это передается в нашу нейронную сеть, называемую 2D-орфографическим детектором, который предсказывает расположение дверей и окон в 2D-плоскостях. Этот вывод позже преобразуется в 3D вместе с информацией о стене и камере.

Обнаружение дверей и окон

Еще одним важным компонентом конвейера RLE является обнаружение дверей и окон. Двери и окна в основном представляют собой прямоугольные плоские объекты на стене. Чтобы уменьшить влияние точек зрения и углов обзора пользователя, мы применяем подход обнаружения орфографии, как показано на рис. 2. Цель состоит в том, чтобы обнаружить плоские поверхности, представляющие двери и окна на каждой стене.

Этот подход имеет три основных преимущества:

• Он может обнаруживать двери и окна в режиме реального времени во время сканирования в реальном времени.
• Может поддерживать различные состояния дверей. Например, он может отличить закрытую дверь от открытой.
• Полностью поддерживается Apple Neural Engine (ANE).

Мы начинаем с создания проекционных карт для каждой стены, которые предоставляются нашим конвейером обнаружения стен и отверстий. Наши проекционные карты состоят из семантической карты, карты RGB и карты расстояний между точками, которые генерируются путем проецирования семантики, RGB и расстояния каждого облака точек до ближайшей стены. Затем входные данные подаются на наш 2D-орфографический детектор, который построен на основе обычно используемых однократных детекторов 2D-объектов. Чтобы добиться мощности и задержки, необходимых для запуска нашей модели на iPhone и iPad, мы использовали магистраль, аналогичную архитектуре EfficientNet.

Подобно семантической карте, сгенерированной из модуля стен и проемов, наша семантическая карта для дверей и окон представляет собой вектор ВхШхК , который кодирует семантическую информацию о пространстве из ортогонального представления, где K=10 , чтобы сбалансировать потребность в мощности и производительности. Карта RGB, сгенерированная облаком точек RGB, следует тому же методу проекции, а затем формирует вектор HxWx3 . И последнее, но не менее важное: карта расстояний кодирует нормализованное ближайшее расстояние между точками и ближайшими стенами. это ВxШx1 вектор. Наконец, после объединения семантической карты, карты RGB и карты расстояний наш орфографический детектор имеет настраиваемый ввод из 14 каналов.

Для оценки предлагаемого детектора мы провели эксперименты по сканированию тысяч комнат со всего мира. Мы достигли 95-процентной точности и отзыва для категории стен и окон и 90 процентов для категории дверей. Точность и полнота рассчитываются на основе условия соответствия на пересечении двумерных блоков по объединению (IOU) между предсказанием и истинностью.

Обнаружение 3D-объектов

Вторым важным компонентом параметрических 3D-комнат, созданных RoomPlan, является конвейер обнаружения 3D-объектов (3DOD). Этот конвейер отвечает за обнаружение 16 категорий объектов, в том числе:

• Мебель, например диван и стол
• Бытовая техника, например стиральная машина и холодильник
• Другие элементы, определяющие комнату, например ванна и раковина

Наш 3DOD Конвейер состоит из локального детектора, глобального детектора и алгоритма слияния, как показано на рисунке 3. Во-первых, учитывая серию кадров RGB-D вместе с их позами камеры, мы генерируем широкое усеченное представление из накопленных семантических облаков точек. . Позже это передается в нашу локальную модель 3DOD, которая определяет элементы, определяющие комнату, во время онлайн-сканирования. Эти ящики объединяются, отслеживаются с течением времени и видны пользователю во время сканирования. См. видео 2 для примера.

Как только пользователь завершает сканирование, мы запускаем наш глобальный детектор, который вместо усеченной пирамиды принимает в качестве входных данных всю реконструированную сцену и предсказывает ограничивающие рамки. Глобальная модель 3DOD обучается только на подмножестве категорий, которое включает в себя более крупные предметы мебели, такие как шкаф и стол. Используя глобальный детектор, мы можем собирать контекстуальную информацию о более крупных объектах, информацию, которая может отсутствовать в обзоре маленькой камеры во время онлайн-сканирования. Наконец, входные данные локальных и глобальных детекторов вместе с информацией о стенах, полученной от RLE, передаются в наш конвейер синтеза, который генерирует конечный результат. Конвейер слияния не только объединяет результаты локальных и глобальных детекторов, но также вносит позиционные корректировки в прогнозы с учетом расположения стен. Например, мы следим за тем, чтобы ограничивающие рамки не прорезали стены.

Рисунок 3: Мы создаем более широкое представление в виде усеченной пирамиды путем накопления семантических облаков точек. Локальный детектор обнаруживает ориентированные ограничивающие прямоугольники в усеченном конусе и объединяет их. Затем глобальное обнаружение работает с контекстной информацией сцены для обнаружения крупной мебели. Накопленные результаты и блоки объединяются для получения окончательного результата.

Наши локальные и глобальные детекторы имеют очень похожую архитектуру, за исключением входных данных и категорий, на которых они обучаются. Входная усеченная часть нашего локального детектора составляет 7,2 м x 4,8 м x 3,6 м. Мы выбрали размер вокселя 15 см, что делает входной размер нашей сети 48 x 32 x 24 вокселей. Мы обнаружили, что 15 см обеспечивают хороший компромисс между точностью, скоростью и памятью. Размерность признаков для каждого вокселя равна 35, что представляет собой просто объединение значений xyz, нормализованных значений z и семантических признаков. В качестве магистрали мы используем архитектуру 3D Convolution U-Net, которая включает в себя три слоя с понижающей дискретизацией и три слоя с повышающей дискретизацией.

Используя следующие шаги, сеть предсказывает оценку объектности, центр, тип, размер и ориентацию в каждом вокселе:

1. каждый воксель.
2. Для вывода центра объекта мы используем три канала, указывающих смещение xyz от центра вокселя.
3. Для вывода типа объекта мы используем N каналов, что соответствует количеству поддерживаемых категорий.
4. Для вывода размера объекта у нас есть шаблоны размеров ( S ), и мы прогнозируем оценку классификации для каждого шаблона размера, а также три регрессионных смещения масштаба для высоты, ширины и длины. Размер канала 4xS .
5. Чтобы вывести ориентацию объекта, мы делим угол ориентации на несколько интервалов ( H ) и прогнозируем оценку классификации и смещение регрессии для каждого интервала относительно центра интервала и нормализуем по размеру интервала. Канал ориентации 2xH .

При локальном обнаружении общее количество каналов равно 2+3+2H+4S+N , где N=16 , H=12 и S=16 . Категории таксономии локального детектора включают хранилище, диван, стол, стул, кровать, холодильник, духовку, плиту, посудомоечную машину, стиральную машину или сушилку, камин, раковину, ванну, туалет, лестницу и телевизор.

Видео 2: Видео показывает качественные результаты RoomPlan. Он включает в себя различную мебель, такую ​​как телевизор, диван и холодильник, а также разные типы дверей и окон. Каждая категория объектов отображается своим цветом.

При глобальном обнаружении N=S=4 . Поддерживаемые категории — это большие предметы мебели, включая шкафы, диваны, столы и кровати.

Последним компонентом 3DOD является слияние блоков, которое имеет решающее значение для получения окончательного результата кукольного домика (то есть трехмерного представления всей комнаты). Слияние блоков начинается с накопленных блоков локального детектора и слегка модифицируется за счет использования результата глобального обнаружения. Например, глобальный детектор может обнаружить набор соединенных кухонных шкафов как один объект, который направляет алгоритм слияния для лучшего выравнивания или соединения встроенного кухонного прибора со шкафами. Логика слияния также изучает парные отношения между несколькими объектами, например, формирование из двух обнаруженных диванных коробок L-образного дивана путем обрезки двух диванных коробок ровно по 90 градусов. И последнее, но не менее важное: на этапе слияния вычисляется взаимосвязь между объектом и стеной. Процесс слияния обрезает или выравнивает объект по близлежащим стенам и следит за тем, чтобы объекты не пересекались ни с одной стеной.

Мы оценили конвейер 3DOD для тех же комнат, для которых мы оценили план этажа, окна и двери. При трехмерном пересечении по объединению (IOU) в 30 процентов средняя точность и полнота по 16 категориям составляют 91 процент и 90 процентов соответственно. Восемь категорий холодильника, плиты, кровати, раковины, унитаза, ванны, дивана, стиральной или сушильной машины имеют как точность, так и отзыв более 93 процента. Наиболее сложной категорией является стул с 83-процентной точностью и 87-процентным отзывом, что в основном связано с тяжелой окклюзией или скученным расположением.

Уведомления о сканировании

Как мы объяснили выше, RoomPlan использует семантические облака точек в качестве входных данных для двух своих основных компонентов, RLE и обнаружения 3D-объектов. Качество семантических облаков точек сильно зависит от качества алгоритма оценки глубины, модели семантической сегментации и конвейера SLAM. Несколько факторов могут повлиять на качество ввода, в том числе шаблон сканирования и освещение. Чтобы гарантировать, что наши алгоритмы получают высококачественный ввод, RoomPlan предоставляет пользователю обратную связь в режиме реального времени с текстовыми инструкциями по настройке освещения, скорости сканирования и расстояния от стены. Для этого мы разработали несколько моделей, обнаруживающих такие условия. Как только RoomPlan обнаруживает одно из этих условий, пользователь получает уведомление, например «Включите свет», «Притормози» или «Отойди подальше».

Алгоритмы обнаружения используют изображения класса ARFrame, предоставленные ARKit, в качестве входных данных. Мы обучаем отдельные модели обнаруживать различные условия сканирования. Эти модели принимают различные функции в качестве входных данных. Для условий освещения мы берем среднюю яркость изображения в качестве входного признака, а также необработанные точки признаков ARFrame. Если мы возьмем в качестве входных данных только значения яркости изображения, результат может ошибочно идентифицировать темный объект (например, шкаф, окрашенный в черный цвет) как условия низкой освещенности. Использование ключевых точек 3D обеспечивает дополнительный контекст. Для условий расстояния и скорости мы вычисляем 3D-линейную скорость переходов камеры-позы и скорость 2D-проекции в пространстве изображения. Комбинируя эти две функции, мы кодируем движение камеры (вращение и переход), а также расстояние камеры до элементов, обнаруженных во время сканирования. Сети обнаружения представляют собой двухуровневый многоуровневый персептрон (MLP) с десятками параметров. Какими бы простыми ни были эти модели, мы достигли 9Точность 0 процентов во всех трех задачах обнаружения.

Сбор данных и маркировка

Каждый дом, будь то дом, квартира или другое жилище, имеет свои уникальные свойства, особенно при сравнении домохозяйств в разных частях земного шара. Чтобы наши алгоритмы учитывали различные типы комнат, мы собрали данные из нескольких домов из разных стран. Чтобы еще больше увеличить разнообразие сцен и уменьшить систематическую ошибку в нашем наборе данных, мы выбрали дома в сельской местности, пригородах и городах с разным социально-экономическим уровнем.

Наша настройка сбора данных очень похожа на набор данных ARKitScenes от Apple. После выбора дома для сбора данных мы разделили каждый дом на несколько сцен (в большинстве случаев каждая сцена охватывает одну комнату) и выполнили следующие шаги.

Сначала мы использовали стандартный лазерный сканер высокого разрешения, стационарный лазерный сканер Faro Focus S70, установленный на штативе, чтобы собрать высокоточные облака точек XYZRGB окружающей среды. Мы выбрали места для штатива, чтобы максимально охватить поверхность, и в среднем мы сделали четыре лазерных скана на комнату.

Во-вторых, мы записали до трех видеофрагментов, пытаясь запечатлеть все поверхности в каждой комнате с помощью iPhone и iPad. Поскольку использование разных паттернов движения помогает повысить устойчивость нашего алгоритма к разным паттернам сканирования, каждая последовательность следовала разным паттернам движения. Мы запечатлели потолок, пол, стены и объекты, определяющие комнату, на наших сканах. При сборе данных мы старались сохранить окружающую среду полностью статической и скорректировали некоторые агрессивные факторы окружающей среды, такие как освещение. Мы пометили все данные в доме, используя наши инструменты для маркировки. В большинстве случаев мы маркировали нашу основную истину на реконструированных сценах.

Мощность и производительность на устройстве

Сквозная обработка RoomPlan полностью выполняется на устройстве пользователя, а не на серверах Apple, в соответствии с обязательствами Apple по обеспечению конфиденциальности пользователей. Для достижения этой цели все три нейронные сети, описанные ранее в этой статье, полностью работают на Apple Neural Engine (ANE). Мы использовали такие методы, как квантование, сокращение модели и поиск архитектуры, чтобы обеспечить требования к задержке и памяти для бесперебойной работы RoomPlan на устройстве. Наша цель состояла в том, чтобы позволить пользователям сканировать большие помещения, не сталкиваясь с температурным дросселированием процессора/графического процессора, которое может привести к неожиданному поведению, например к пропаданию кадров. С этой целью мы обнаружили, что пятиминутного сканирования достаточно, чтобы охватить широкий диапазон размеров комнат, включая комнаты размером до 15 м x 15 м.

Заключение

В этой статье мы рассмотрим технические детали API RoomPlan, который позволяет пользователям создавать 3D-план своего помещения. Эта способность становится ключевой для многих приложений в области дополненной реальности, робототехники, электронной коммерции, игр и недвижимости. Мы подробно рассмотрим два основных компонента RoomPlan: оценку планировки помещения и обнаружение 3D-объектов. Мы покажем, как эти конвейеры могут работать эффективно с точки зрения мощности и задержки как на iPhone, так и на iPad.

Благодарности

Многие люди внесли свой вклад в эту работу, в том числе Афшин Дехган, Икан Ляо, Хунью Сюй, Фэнфу Ли, Ян Ян, Алекс Кэ, Макс Маунг, Кота Хара, Питер Фу, Луи Гун, Ихао Цянь, Чжоюань Чен, Гуанъюй Чжао, Тяньсинь Дэн, Шаовэй Лю, Чуньюань Цао, Жунци Чен, Чжэньлей Ян, Пейинь Хен, Джимми Пан, Иньбо Ли, Хаймин Ган, Правин Шарма, Антуан Таро, Даниэль Ульбрихт, Харис БайгКай Кан, Йорг Либельт, Пэн Ву и Фэн Тан.

Каталожные номера

Барух, Гилад, Чжоюань Чен, Афшин Дехган, Тал Димри, Юрий Фейгин, Питер Фу, Томас Гебауэр, Брэндон Джоффе, Даниэль Курц, Арик Шварц и Элад Шульман. «ARKitScenes: разнообразный набор данных реального мира для понимания трехмерных сцен в помещении с использованием мобильных данных RGB-D». Январь 2022 г. [ссылка]

Гвак, Джун Янг, Кристофер Чой и Сильвио Саварезе. «Генеративные разреженные сети обнаружения для трехмерного обнаружения одиночных объектов». Июнь 2020 г. [ссылка]

Лю, Вэй, Драгомир Ангелов, Дмитрий Эрхан, Кристиан Сегеди, Скотт Рид, Ченг-Ян Фу и Александр С. Берг. «SSD: однократный детектор MultiBox». Декабрь 2016. [ссылка]

Тан, Минсин и Куок В. Ле. «EfficientNet: переосмысление масштабирования модели для сверточных нейронных сетей». Сентябрь 2020 г. [ссылка]

Чжоу, Ичао, Хаочжи Ци и И Ма. «Сквозной анализ каркаса». Май 2021. [ссылка.]

Связанные материалы и обновления. Облако является частичным, так как оно получено датчиком глубины, который захватывает только видимую часть объекта с определенной точки зрения.Это создает две основные проблемы: 1) два частичных облака точек не полностью перекрываются и 2) ключевые точки имеют тенденцию быть менее надежными, когда видимая часть…

Подробности см. в документе

Мы представляем самостоятельный подход к обучению для семантической сегментации кадров лидара. Наш метод используется для обучения архитектуры глубокой сегментации облака точек без каких-либо аннотаций человека. Процесс аннотации автоматизирован с помощью комбинации алгоритмов одновременной локализации и картирования (SLAM) и трассировки лучей. Выполняя несколько сеансов навигации в одной и той же среде, мы можем идентифицировать постоянные структуры, такие как…

Подробности см. в документе

Citation Builder | Библиотеки NCSU

• перейти к основной навигации
• перейти к основному содержанию
• перейти к нижнему колонтитулу
• Отзыв о доступности

Выберите, что вы хотите процитировать выберите цитируемую книгу (полностью)главу или эссе из книгижурнальную статьюгазетные статьинаучные журнальные статьивеб-сайт

Выберите стиль цитирования выберите стиль цитирования APA 6APA 7MLA 7MLA 8Chicago (дата автора)CSE/CBE (дата автора)

Для работы Citation Builder требуется JavaScript. Если вы не хотите включать Javascript, ничего страшного! Мы рекомендовали несколько руководств по цитированию для инструкций по созданию цитирования вручную.

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «…». Остальных авторов вводить не нужно.

Информация о публикации

Имя издателя

Местоположение

Год

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «. ..». Остальных авторов вводить не нужно.

Информация о публикации

Имя издателя

Год

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 10 имен, за которыми следует «и др. ». Вам не нужно вводить остальных авторов.

издание

Информация о публикации

Издатель

Местоположение

Год

URL или DOI

например: https://www.sample-website.com

Дата доступа

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

Заголовок веб-сайта или базы данных

Тип электронной книги

Дата доступа

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др. ». Вам не нужно вводить остальных авторов.

Информация о публикации

Имя издателя

Выпущено (год)

Заголовок веб-сайта или базы данных

Тип электронной книги URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «…». Остальных авторов вводить не нужно.

Название главы/эссе

Название книги

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

URL-адрес

например: https://www.sample-website.com

Введите либо DOI (рекомендуется), либо URL. Если вы введете оба, ссылка по умолчанию будет DOI.

или

DOI

например: 10.12345/abc/defghi

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «…». Остальных авторов вводить не нужно.

Название главы/очерка

Название книги

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

URL-адрес

например: https://www.sample-website.com

или

DOI

Если введены и URL, и DOI, ссылка по умолчанию будет DOI.

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др. ». Вам не нужно вводить остальных авторов.

Название главы/эссе

Название книги

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

URL-адрес

например: https://www.sample-website.com

или

DOI

Если введены и URL, и DOI, ссылка по умолчанию будет DOI.

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 10 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название главы/эссе

Название книги

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

URL-адрес

например: https://www. sample-website.com

Дата доступа

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название главы/эссе

Название книги

Информация о публикации

Имя издателя

Местоположение

Выпущено (год)

Заголовок веб-сайта или базы данных

URL-адрес

например: https://www.sample-website.com

Дата доступа

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др. ». Вам не нужно вводить остальных авторов.

Название главы/эссе

Название книги

Информация о публикации

Имя издателя

Выпущено (год)

страницы

Объем

Заголовок веб-сайта или базы данных

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «…». Остальных авторов вводить не нужно.

Название статьи

Название журнала

URL-адрес

например: https://www.sample-website.com

Дата публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Выпущено (год)

Объем

Страницы

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «. ..». Остальных авторов вводить не нужно.

Название статьи

Название журнала

URL-адрес

например: https://www.sample-website.com

Месяц публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Год Опубликовано

Объем

Выпуск

Страницы

• в печати
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

Дата публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Выпущено (год)

Страницы

URL-адрес

например: https://www. sample-website.com

• в печати
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 10 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

URL-адрес

например: https://www.sample-website.com

Дата публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Год Опубликовано

Страницы

Информация об объеме

Объем

• в печати
• цифровой
• в базе данных

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др. ». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

Дата публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Год публикации

Страницы

Название базы данных

URL-адрес

например: https://www.sample-website.com

Дата доступа

• в печати
• цифровой
• в базе данных

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

Год публикации

Страницы

Название базы данных

URL-адрес

например: https://www. sample-website.com

Дата публикации

• напечатать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «…». Остальных авторов вводить не нужно.

Название статьи

Название газеты

Дата публикации

Страницы

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «…». Остальных авторов вводить не нужно.

Название статьи

Название газеты

Месяц публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Год публикации

Страницы

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название газеты

Дата публикации

URL-адрес

например: https://www.sample-website.com

• напечатать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 10 имен, за которыми следует «и др. ». Вам не нужно вводить остальных авторов.

Название статьи

Название газеты

Дата выпуска

Дата доступа

Секция

URL-адрес

например: https://www.sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название газеты

Дата публикации

Дата доступа

страницы

Издание

Заголовок веб-сайта или базы данных

URL-адрес

например: https://www. sample-website.com

• печать
• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название газеты

Дата публикации

Дата доступа

страницы

Издание

Заголовок веб-сайта или базы данных

URL-адрес

например: https://www.sample-website.com

• цифровой
• распечатать

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «. ..». Остальных авторов вводить не нужно.

Название статьи

Название журнала

Информация об объеме

Объем

Выпуск

Год публикации

Страницы

DOI

пример: 10.12345/abc/defghi

Введите либо DOI (рекомендуется), либо URL. Если вы введете оба, ссылка по умолчанию будет DOI.

URL-адрес

например: https://www.sample-website.com

• цифровой
• распечатать

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «…». Остальных авторов вводить не нужно.

Название статьи

Название журнала

Информация об объеме

Объем

Выпуск

Год публикации

Страницы

DOI

пример: 10. 12345/abc/defghi

Введите либо DOI (рекомендуется), либо URL. Если вы введете оба, ссылка по умолчанию будет DOI.

URL-адрес

например: https://www.sample-website.com

• цифровой
• распечатать

Автор АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

Информация об объеме

Объем

Выпуск

Год публикации

Страницы

DOI

пример: 10.12345/abc/defghi

Введите либо DOI (рекомендуется), либо URL. Если вы введете оба, ссылка по умолчанию будет DOI.

URL-адрес

например: https://www. sample-website.com

• цифровой
• распечатать

Участник АвторРедакторПереводчик

Имя

MI

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 10 имен, за которыми следует «et al.» Остальных авторов вводить не нужно.

Название статьи

Название журнала

Информация об объеме

Объем

Год публикации

Страницы

URL-адрес

пример: https://www.sample-website.com

Дата доступа

• цифровой
• распечатать

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др. ». Вам не нужно вводить остальных авторов.

Название журнала

Информация об объеме

Объем

Год публикации

Страницы

Название базы данных (необязательно)

• цифровой
• распечатать

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название статьи

Название журнала

Информация об объеме

Объем

Выпуск

Дата публикации месяцЯнварьФевральМартАпрельМайИюньИюльАвгустСентябрьОктябрьНоябрьДекабрь

Год

Страницы

Название базы данных (необязательно)

DOI

пример: 10. 12345/abc/defghi

Введите либо DOI (рекомендуется), либо URL. Если вы введете оба, ссылка по умолчанию будет DOI.

URL-адрес

например: https://www.sample-website.com

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 7, будут перечислены первые 7 имен, а затем «…». Остальных авторов вводить не нужно.

URL-адрес

например: https://www.sample-website.com

Дата публикации

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 20, будут перечислены первые 20 имен, а затем «…». Остальных авторов вводить не нужно.

Название страницы

Имя сайта

URL-адрес

например: https://www. sample-website.com

Дата публикации

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 10, будут перечислены первые 7 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название или описание страницы

Издатель или спонсор сайта

URL-адрес

например: https://www.sample-website.com

Опубликовано/изменено

Дата доступа

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 11, будут перечислены первые 11 имен, за которыми следует «и др.». Вам не нужно вводить остальных авторов.

Название или описание страницы

Издатель или спонсор сайта

URL-адрес

например: https://www.sample-website.com

Дата публикации

Дата доступа

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 3, будет указано первое имя, за которым следует «и др.». Вам не нужно вводить остальных авторов.

Название или описание страницы

Издатель или спонсор сайта

URL-адрес

например: https://www.sample-website.com

Издатель или спонсор сайта

Дата публикации

Дата доступа

• цифровой

Участник АвторРедакторПереводчик

Имя

Ми

Фамилия/Корпорация

Если авторов более 2, будет указано первое имя, за которым следует «и др.