Van puntenwolk tot HBIM op basis van
terrestrische laserscanning en fotogrammetrie
Elodie Lust, Cédric Van der Sype
Promotor: prof. dr. ing. Greet Deruyter Begeleider: prof. dr. ing. Greet Deruyter
Masterproef ingediend tot het behalen van de academische graad van Master of Science in de industriële wetenschappen: landmeten
Vakgroep Civiele Techniek Voorzitter: prof. dr. ir. Peter Troch Faculteit Ingenieurswetenschappen en Architectuur Academiejaar 2017-2018
Van puntenwolk tot HBIM op basis van
terrestrische laserscanning en fotogrammetrie
Elodie Lust, Cédric Van der Sype
Promotor: prof. dr. ing. Greet Deruyter Begeleider: prof. dr. ing. Greet Deruyter
Masterproef ingediend tot het behalen van de academische graad van Master of Science in de industriële wetenschappen: landmeten
Vakgroep Civiele Techniek Voorzitter: prof. dr. ir. Peter Troch Faculteit Ingenieurswetenschappen en Architectuur Academiejaar 2017-2018
i
Voorwoord
Deze masterproef is een hoogtepunt en een mooi sluitstuk van onze opleiding ‘Master of Science in de
Industriële Wetenschappen: Landmeten’. Ons onderzoek handelt over “Van puntenwolk tot HBIM op
basis van terrestrische laserscanning en fotogrammetrie”. Het was geen gemakkelijke taak en daarom
zijn we anderen dankbaar omwille van hun begeleiding en steun. Wij willen een dankwoord richten aan
alle mensen die ons hebben bijgestaan om deze masterproef te vormen tot wat het nu is.
Als eerste bedanken we onze promotor, prof. dr. ing. G. Deruyter, voor haar hulp en enthousiasme. Zij
stond ons, via mail of persoonlijke afspraken, steeds bij om dit werk op te volgen van een abstract idee
tot een concrete masterproef.
We betuigen ook onze dank aan de stad Gent om het kasteel Borluut te Sint-Denijs-Westrem ter
beschikking te stellen, dat gebruikt werd om metingen op uit te voeren tot de vervaardiging van een
HBIM. Verder gaat onze dank uit naar de medewerkers van PointSense. Zij bezorgden ons demoversies
van hun software en door een webdemo werd de werking van de software toegelicht.
Ten slotte bedanken wij zeker ook onze familie en vrienden. Zij hielpen ons, ondanks hun geringe kennis
rond wettenschappelijk onderzoek, telkens waar mogelijk. In moeilijkere periodes gaven zij ons kracht
om steeds weer verder te doen.
Elodie Lust & Cédric Van der Sype
Master of Science in de Industriële Wetenschappen: Landmeten
juni 2018
ii
“De auteurs geven de toelating deze masterproef voor consultatie beschikbaar te stellen en delen van de
masterproef te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de bepalingen van het
auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij
het aanhalen van resultaten uit deze masterproef.”
“The authors give permission to make this master dissertation available for consultation and to copy
parts of this master dissertation for personal use. In the case of any other use, the copyright terms have
to be respected, in particular with regard to the obligation to state expressly the source when quoting
results from this master dissertation.”
6 juni 2018
iii
Abstract - Nederlands
De titel van deze masterproef luidt als volgt: “Van puntenwolk tot HBIM op basis van terrestrische
laserscanning en fotogrammetrie”.
Het cultureel erfgoed binnen Europa moet behouden blijven en hersteld worden. Om dit op een efficiënte
wijze te doen, moet het cultureel erfgoed gedocumenteerd worden. Dit omvat niet enkel plannen van de
gebouwen, maar ook het geheel aan beschikbare documentatie die essentieel is naar restauratie en
renovatie toe. Dit is de reden waarom met een Building Information Model (BIM) gewerkt wordt. Het
model geeft de mogelijkheid tot het maken, het opslaan en het uitwisselen van bouwinformatie en -
kennis met verschillende actoren. Op deze manier is alle informatie over een gebouw centraal in een
model op te vragen. Heritage/Historic Building Information Model (HBIM) is een BIM maar voor
historische gebouwen, met als essentieel verschil de hogere graad van detail tijdens de modellering
omwille van de hoge afwerkingsgraad, typerend voor deze gebouwen.
Doorheen de masterproef worden drie belangrijke stappen aangehaald om uiteindelijk over een HBIM
te kunnen spreken. Als eerste stap wordt de data van een historisch gebouw, aan de hand van
laserscanning en close range digital fotogrammetrie, verzameld. Vervolgens wordt de data tot een
geregistreerde en zuivere puntenwolk verwerkt, om ten slotte de puntenwolk tot een HBIM te
modelleren. In de literatuurstudie worden deze drie stappen grondig onderzocht om uiteindelijk in het
onderzoek alle data zelf te verzamelen, te verwerken, te vergelijken en te modelleren. Het
modelleringsproces wordt hoofdzakelijk in Revit ® uitgevoerd, waarbij de functies van enkele plug-ins
en verwante programma’s getest worden. Er wordt naar methodes gezocht om het traditionele manuele
modelleringsproces efficiënter te maken en om naar semi automatisatie over te gaan.
Sleutelwoorden: Laserscanning, fotogrammetrie, restauratie en/of renovatie van historische gebouwen,
(H)BIM, REVIT ®, RHINO, POINTSENSE
iv
Abstract - English
The title of this thesis is as follows: “From point cloud to HBIM based on terrestrial laser scanning and
photogrammetry”.
Cultural heritage within Europe must be preserved and restored. To do this efficiently, the cultural
heritage must be documented, which includes not only plans of the buildings, but also the available
documentation that is essential to restoration and renovation. For this reason, a Building Information
Model (BIM) is used. The model gives the possibility to create, store and exchange building information
and knowledge with different actors. In this way, all information about a building can be retrieved
centrally in a model. A Heritage/Historic Building Information Model (HBIM) is a BIM for historic
buildings. The essential difference with other BIM’s is the higher level of detail during the modelling
because of the more complex building structure of historic buildings.
Throughout this thesis, three important steps are examined to eventually speak about a HBIM. First, the
data of the historic building, based on laser scanning and close range digital photogrammetry, is
collected. The data is then processed into a registered and clean point cloud. Finally, the point cloud is
modelled into a HBIM. In the literature study, these three steps are examined to eventually collect,
process, compare and model data in the research. The modelling process is mainly carried out in Revit
®, where the functions of some plug-ins and related programs are tested. Methods are sought to make
the traditional manual modelling process more efficient and to switch to semi-automation.
Keywords: Laser scanning, photogrammetry, restoration and/or renovation of historic buildings,
(H)BIM, REVIT ®, RHINO, POINTSENSE
v
From point cloud to HBIM based on terrestrial laser scanning and
photogrammetry
Elodie Lust, Cédric Van der Sype
Supervisor: Prof. Dr. Ing. G. Deruyter
Abstract – The restoration and renovation of cultural
heritage in Europe is becoming more important and
must therefore be maintained and restored. To do this
efficiently, the cultural heritage must be ‘smart’
documented and the information must be easily
interchangeable. A BIM meets these requirements. [6]
A Building Information Model gives the possibility to
create, store and exchange building information and
building knowledge with different actors, at which ‘the
exchanging’ includes more the Building Information
Management. [8]
Keywords - Laser scanning, photogrammetry, restoration
and/or renovation of historic buildings, (H)BIM, REVIT
®, RHINO, POINTSENSE
I. INTRODUCTION
The ‘smart’ building documentation of a 3D-model
includes the properties of the objects from which the
model is constructed. These objects contain
information about their material, quantities and
technical characteristics. In some situations, a
Heritage/Historic Building Information Model
(HBIM) is preferred, which is a BIM for historic
buildings. It is modelled with a higher level of detail
due to the high level of finishing. [7]
To obtain a BIM, the data about the building is first
collected, at which laser scanning and
photogrammetry are widely used methods. The
obtained point clouds have to be processed into pure
point clouds to be able to modulate them.
II. LITERATURE
A. Data acquisition and the processing of raw
data into a pure point cloud
For laser scanners, a distinction is made between
triangulation scanners and time-of-flight scanners, in
which the pulse scanners and the phase scanners
belong to the last type of scanners. Pulse scanners
measure the time between sending and receiving a
pulse through the scanner while the phase scanners
measure the phase difference and the number of
complete traversed wavelengths of a continuous
wave between sending and receiving from the
scanner. [2][10]
The scan data must be converted to a common
coordinate system, which is created during the
registration process. As a result, only one point cloud
remains. During the data processing, manual or
partial automatic filtering can be applied to a point
cloud. [1][8][13]
Photogrammetry is based on the principle of
triangulation. Basically, an object is photographed
from two different positions where the two
corresponding lines of sight intersect in space. The
3D-coordinates, the direction, the shape and the size
of the objects can be reconstructed by two
overlapping 2D-images. Photos provide texture
information that is important for the object
recognition and can be taken with a metric or non-
metric camera. [3][14] In contrast to a non-metric
camera, metric cameras have fixed fiducial marks on
the image plane, so that the internal orientation is
fixed and constant [15]. Camera calibration and
orientation procedure are requirements to transform
the points of the geometric object from the object
coordinate system to the image coordinate system
[9].
Photo modelling software can generate 3D-models
by using Structure from Motion (SfM) and
Multiview Stereo (MVS) techniques. It is a
combined technique in which SfM reconstructs the
camera parameters and creates a sparse point cloud,
while MVS collects 3D-geometry from the object.
The number of photos and the degree of detail on the
photo can have a major effect on the number of
obtained tie points of the sparse point cloud.
Subsequently, a dense point cloud is generated based
on the estimated camera positions and the
orientation. After the point cloud has been created,
the same filters used for the scan data can be applied.
[8]
B. Modelling
The modelling of the registered, cleaned and
combined point clouds into shapes and objects or
meshes, relates to the assignment of textures and the
Level of Detail/Development (LoD) [8]. The
modelling process can be subdivided into three steps,
by which the geometry first being modelled.
Subsequently, the objects are identified on material
and shape basis and later on divided into categories
(e.g. a wall, a roof and a column). Finally, the
topological relationships between the objects are
modelled, in which the spatial relationships between
the objects are determined. The relationships are
important to define the characteristics within the
model. [5][13]
Depending on the type of goal, another LoD is fixed
within the model. The Level of Detail shows the
level of the geometry with the amount of details
included in the model. The Level of Development
vi
indicates the extent to which the geometry with the
attached information, which the objects possess, is
developed. [4]
III. CASE STUDY
Because the research concerns the restoration and
renovation of the castle Borluut in Sint-Denijs-
Westrem (Ghent), there is an existing condition of a
building and an as-is BIM is made. It will be possible
to generate plans and to document the renovation
process. The castle was scanned with a pulse scanner
Leica Scanstation C10 with an average resolution of
6 mm. A non-metric camera Canon EOS 1100D was
used to photograph the outside and one interior
space.
The registration, based on target-to-target, of the
different point clouds of the laser scanner was
carried out in the Leica Cyclone processing program.
The photos were processed with Agisoft Photoscan
(Phototscan), a SfM-software. In Photoscan,
disturbing elements were masked and markers were
designated to align the photos and to obtain a sparse
point cloud (tie points). After the aligned camera
positions were derived, a dense point cloud was
generated.
After registering the point clouds, they were
manually and semi-automatically "cleaned" to
remove noise. Different filters from Leica Cyclone
and CloudCompare were applied to the terrestrial
laser scanning (TLS) point cloud (Table 1). A mild
depth filtering was applied to the obtained
photogrammetry (SfM) point cloud by which no
details were removed. Because noise remained
abundant, the same filters as TLS were used.
A. Comparison point clouds photogrammetry
In the data acquisition of the exterior of the castle,
photos were taken with more than 60 % overlap to
simplify the alignment process. The disadvantage is
that the alignment process and the final realization of
the point cloud takes longer. For this reason, an
alignment was made with the original number of
photos (1,638) and an alignment with a thinned
number of photos (990) by which the alignment in
Photoscan was just possible.
The two point clouds based on 1,638 photos and 990
photos were generated at medium density, with an
average ground resolution of 2 mm. Working with
fewer photos (990 photos instead of 1,638 photos),
the alignment and especially the generation time of
the point cloud decreased respectively by 6 % and 80
%, the number of noise points also decreased and the
point cloud became less heavy. The density of the
point cloud decreased by 7 % and the average
resolution of both point clouds averaged 5 mm. The
density had no further impact on the modelling.
Table 2 visualizes the effect of the chosen ground
resolution on the resolution of the created point
cloud. If the image distance of a photo is halved, the
ground resolution doubles and the resolution from
Photoscan quadruples.
Original point cloud 407,040,243
Unify (m) Modified point
cloud
0.006 294,271,006
Subsample (m) Modified point
cloud
0.003 141,401,078
SOR Modified point
cloud
Number of neighbors: 7
Standard deviation: 1.20
140,122,694
Noise Modified point
cloud
Ray: 0.020
Relative error: 1.20
Remove isolated points:
check
105,395,593
Ground
resolution
[mm]
Recording
distance
[m]
Resolution
(medium)
[mm]
1 6.75 1.5
2 13.50 6.3
3 22.25 9.1
Table 1: Overview table of the used filters on the TLS
point Cloud
Table 2: Effect of the ground resolution on the
created point cloud
vii
B. Comparison TLS and SfM point clouds
from the outside and inside
The TLS and the SfM point clouds were aligned
based on target-to-target. Both point clouds were
compared metrically to find possible scaling errors
and if this occurred, new, more and larger scalebars
were used to solve this problem. A cloud-to-cloud
distance in CloudCompare was then performed to
check whether both point clouds had the same
dimensions and whether there was a similarity
between them. The resolution was also determined
in both point clouds.
The research concluded that the TLS point cloud is
metrically the most correct. The SfM point cloud is
slightly less correct because scaling by the scalebars
was not excluded. In addition, the TLS point cloud
contained less noise and had a homogeneous
resolution, the TLS point cloud contained also fewer
gaps compared with the SfM point cloud. This could
be explained by poor photo exposure because the
pictures where made from the inside of the building,
whereby surfaces were not placed at the correct
distance from the recording position. There was
more noise which was cut away at the segmentation
process. However the SfM point cloud contains
texture information that facilitates the modelling
process. Furthermore, it was determined that the
depth in photogrammetry is the weak dimension
[12]. This became clear because the curvature of the
outside of the castle was not detected by SfM (Figure
1) and because the profiles along the inner space
were not recorded in detail in the depth direction
(Figure 2). However the SfM point cloud can be used
as an addition to the TLS point cloud for places that
are not visible with TLS.
The data-acquisition time of TLS is longer than the
data-acquisition time of SfM, but it depends on the
type of scanner used. With TLS, the user only
initializes the scanner and the targets, but the data-
acquisition is fully automatic, in contrast to SfM.
The data-processing time of SfM is longer compared
with TLS. With TLS, the user only has to indicate
the targets, in contrast to SfM, by which the user has
to mask the photos, indicate the markers and
scalebars. It is also important to note that the creation
of the point cloud with SfM is a time-consuming
process. (Table 3)
Point
Cloud
Data
acquisition
time (hours)
Processing
time (hours)
TLS 10.5 6
SfM 4.5 50
C. Modelling in Revit ® and the use of plug-
ins and related programs
The modelling in Revit ® based on scan data is a
completely manual process in which the user uses
the point cloud as an underlayer and draws walls,
floors, roofs, doors and windows. Plug-ins and
programs to simplify and semi-automate the
modelling, had to be searched. Semi-automate
modelling (e.g. walls, floors and pipes) is possible
with the plug-in PointSense. In contrast to the plug-
in CloudWorx and the Leica software Cyclone, only
pipes on the point cloud are semi-automatically
modelled. With PointSense, point clouds loaded in
Revit ® can be modelled, in contrast to modelling
with CloudWorx, which only models point clouds
loaded from Cyclone.
Table 3: Data acquisition and processing time
comparison TLS and SfM of the point cloud of the
outside
Figure 1: Cloud-to-cloud distance of the SfM point cloud
with the TLS point cloud as reference
Figure 2: Profile TLS point cloud (left) and profile SfM
point cloud (right)
viii
The Fitt Wall Selection tool in PointSense draws a
perfectly fitting wall based on the point cloud loaded
in Revit ®. Manual modelling in PointSense is
easier, with an orthophoto of the point cloud being
created. The orthophoto serves as an underlayer to
model. By means of this orthofoto profiles can be
created in the Revit ® family editor. By using
PointSense, point clouds can be loaded into the
family editor by means of the Export PC Region,
which was not possible before in Revit ®. The point
cloud isn’t loaded as snappoints, but point clouds can
be loaded as snappoints in a Revit ® project, but not
in the family editor.
The plug-in GreenSpider (GSP) makes it possible to
load point clouds in the family editor as snappoints.
GSP automatically creates splines of point cloud
cuts, which can be used to model in the family editor.
GSP was meant as a proof of concept and wasn’t
further developed. To fully automate the modelling,
and use the points of the point cloud, Rhino can be
used. Rhino can create meshes from the point cloud,
which can be converted to Non Uniform Rational
Basis-Splines (NURBS). NURBS can be loaded in
the family editor as objects.
To use the points of the point cloud as snappoints and
to create a family, AutoCAD can be used. The point
cloud can be loaded in AutoCAD with a Recap
conversion as snappoints. Modellines can be created
and converted as a sat file, which can be loaded in
the Revit ® family editor.
D. Comparison of modelled pillars
To compare different plug-ins and programs to ease
and semi-automate the modelling, a pillar was
modelled as an historical element with the mindset
of GreenSpider (horizontal cuts) and PointSense
(vertical section with revolve) in AutoCAD. The
same pillar was also modelled using PointSense in
Revit ® and in Rhino (with the use of a mesh). These
modelled pillars were visually compared by the user
and numerical with a cloud-to-cloud distance in
CloudCompare. (Figure 3)
Visually it was established that the Rhino pillar
contained the least similarities compared with the
original pillar. The reason for this difference is
because the Rhino pillar is flatter than the original
one, due to the smoothing during the mesh creation
in Rhino. The pillar according to GSP contained
more similarities because the characteristic shape of
the original pillar was more presented. Nevertheless,
there is also a slight stretching compared with the
original pillar because too few cuts were used. The
pillar modelled with PointSense in Revit ®, executed
with a revolve, showed the best resemblance to the
original pillar. A profile was made of the complete
contour that best followed the characteristic points.
The pillar modelled in AutoCAD according to
PointSense is very similar.
The cloud-to-cloud distance comparison in
CloudCompare gave a different result than the visual
determination solely in terms of form. This time, the
Rhino pillar was preferred because this pillar was the
only one where the points of the point cloud were
used to create an object without the users
intervention (by means of a mesh). The flattening
remained. Despite the cloud-to-cloud distance
comparison, both pillars according to PointSense
were seen as the best match with the original pillar.
The pillar modelled directly in Revit ® by means of
PointSense showed even better similarities, because
no intermediate steps were used and was modelled
directly with the point cloud. Whereas in the way of
AutoCAD, first modellines were drawn in AutoCAD
in order to be able to convert them into splines in
Revit ®.
IV. CONCLUSION
A BIM acts as a means of communication in the
various phases of restoration and renovation of
historic buildings between the various actors. It is a
management tool that tracks the changes of a
building in a 3D-model and contains information
about the various building components and their
mutual relationships. HBIM is used for historic
buildings, because of the higher LoD.
Figure 3: Visual comparison and cloud-to-cloud distance between the Rhino, GSP and PointSense in AutoCAD and
PointSense in Revit ® pillar compared to the original pillar
ix
Terrain exploration for TLS and SfM is a
requirement and both are bound to the line of sight,
which is easier to manipulate with SfM. The
resolution chosen for TLS depends on the LoD
during the modelling process.
With SfM the camera positions are predetermined,
which are required to determinate the ground
resolution and the alignment process. The data
processing of SfM is less automated than of TLS.
Afterwards the point cloud is cleaned to model them,
which is similar for both methods until a pure point
cloud is obtained.
The minimum overlap of photos used for SfM is at
least 60 %. If the ground resolution doubles, the
resolution from Photoscan quadruples. The point
cloud of SfM contains more noise than a similar
point cloud of TLS. The worse the photo exposure,
the more noise is created. Because the depth is the
weak dimension in photogrammetry, in bad lighting
a wrong estimate of the depth of the camera positions
is made. More fore- and background noise are
created in planes.
In the case of SfM, the scaling must be taken into
account, whereby the model is metricized by
scalebars in all its degrees of freedom.
An advantage in the use of SfM is the added texture
information. The color information by TLS is
usually of a lower quality. The point cloud of TLS is
easy to model without SfM, but the color
information is a useful addition. Gaps in the laser
scan data due to the lesser manipulability of the line
of sight are supplemented with SfM. Using a
complete point cloud of SfM to model is not
recommended.
The traditional modelling process is mainly manual,
but this can be semi-automated. In Revit ®, the
modelling process is completely manual. The point
cloud is loaded as snappoints in the project, but
loading point clouds in the Revit ® family editor is
not possible. Since many repetitive elements are
present in a historic building, these elements are
modelled in a family to load them anywhere in a
HBIM. To load point clouds in the family editor,
plug-ins are used to model them as a family. With
PointSense, point clouds can be loaded in the family
editor, but they don’t include snappoints. By using
PointSense, orthophotos can be taken to use as an
underlayer to model objects. PointSense contains
also features to semi-automate the modelling
processing, by which pipes, walls and floors can be
modelled. With Cyclone and CloudWorx, only pipes
can be modelled semi-automatically. GreenSpider
can load point clouds into the family editor as
snappoints, and creates automatic splines that can be
used as modellines to modulate. By using Rhino,
meshes can be converted to NURBS, which can be
loaded as an object into the family editor.
For the cultural heritage sector, it is recommended to
use a HBIM for restoration and renovation. The
modelling process can be eased and semi-automated
by using Revit ®, plug-ins and related programs. The
most recommended plug-in to use for restoration and
renovation is PointSense.
V. REFERENCES
[1] Antón, D., Medjdoub, B., Shrahily, R., & Moyano, J. (2018). Accuracy evaluation of the semi-automatic 3D modeling for
historical building information models. International Journal of
Architectural Heritage, 1-17.
[2] Baik, A., & Boehm, J. (2017). 11 Jeddah Heritage Building
Information Modelling (JHBIM). Heritage Building Information
Modelling, 133.
[3] Beraldin, J.-A. (2004). Integration of Laser Scanning and
Close-Range Photogrammetry - The Last Decade and Beyond .
Paper presented at the Proceedings of the XXth ISPRS Congress.
[4] Biagini, C., Capone, P., Donato, V., & Facchini, N. (2016).
Towards the BIM implementation for historical building
restoration sites. Automation in Construction, 74-86.
[5] Chiabrando, F., Sammartano, G., & Spanò, A. (2016).
Historical buildings models and their handling via 3D survey:
from point clouds to user-oriented HBIM. International Society
for Photogrammetry and Remote Sensing (ISPRS), 633-640.
[6] Del Giudice, M., & Osello, A. (2013). BIM for cultural
heritage. International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences (ISPRS), 225-229.
[7] Dore, C., & Murphy, M. (2012). Integration of Historic
Building Information Modeling (HBIM) and 3D GIS for Recording and Managing Cultural Heritage sites. Virtual Systems
in the Information Society, 369-376.
[8] Remondino, F. (2011). Heritage Recording and 3D Modeling with Photogrammetry and 3D Scanning. Remote Sensing, 1104-
1138.
[9] Remondino, F., & Fraser, C. (2006). Digital camera calibration
methods: Considerations and comparisons. International Archives
of Photogrammetry, Remote Sensing and Spatial Information
Sciences (ISPRS), 266-272.
[10] Schulz, T. (2007). Calibration of a Terrestrial Laser Scanner
for Engineering Geodesy. Institute of Geodesy and
Photogrammetry, 1-172.
[11] Stal, C. (2014). Modelling in the world in 3D: aspects of the
acquisition, processing, management and analysis of spatial 3D data. Dissertation submitted in accordance with the requirements
for the degree of Doctor of Sciences: Geomatics. Ghent
University.
[12] Sturzenegger, M., & Stead, D. (2009). Close-range terrestrial
digital photogrammetry and terrestrial laser scanning for
discontinuity characterization on rock cuts. Engineering Geology
106 (3-4), 163-182.
[13] Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A.
(2010). Automatic reconstruction of as-built building information models from laser scanned point clouds: A review of related
techniques. Automation in Construction, 829-843.
[14] Wang, C., Cho, Y., & Kim, C. (2015). Automatic BIM component extraction from point clouds of existing buildings for
sustainability applications. Automation in construction, 1-13.
[15] Kraus, K. (2007). Photogrammetry: Geometry from Images
and Laser Scans. Berlin - New York: Walter de Gruyter.
x
Inhoud
Voorwoord ............................................................................................................................................... i
Abstract - Nederlands ............................................................................................................................. iii
Abstract - English ................................................................................................................................... iv
From point cloud to HBIM based on terrestrial laser scanning and photogrammetry ............................ v
Lijst met figuren ................................................................................................................................... xiv
Lijst met tabellen ................................................................................................................................ xviii
Lijst met afkortingen ............................................................................................................................ xix
1 Inleiding........................................................................................................................................... 1
2 Probleemstelling .............................................................................................................................. 3
3 Literatuurstudie ............................................................................................................................... 4
3.1 Het cultureel erfgoed binnen Europa is toe aan documentatie, restauratie en/of renovatie ..... 4
3.2 Bijdrage van een BIM aan restauratie en renovatie ................................................................. 5
3.2.1 Betekenis van een BIM ................................................................................................... 5
3.2.2 Soorten BIM’s ................................................................................................................. 5
3.2.3 Functies van een BIM ...................................................................................................... 6
3.2.4 Gebruik van een HBIM ................................................................................................... 6
3.3 Creëren van een BIM .............................................................................................................. 7
3.3.1 Data-acquisitie ................................................................................................................. 7
3.3.1.1 Laserscanning .................................................................................................................. 7
3.3.1.2 Close range digitale fotogrammetrie ............................................................................. 10
3.3.2 Van ruwe data tot een zuivere puntenwolk ................................................................... 14
3.3.2.1 Laserscanning ................................................................................................................ 14
3.3.2.2 Fotogrammetrie ............................................................................................................. 14
3.3.3 Modelleren ..................................................................................................................... 15
3.3.3.1 Inleiding ......................................................................................................................... 15
3.3.3.2 Het modelleren van een 3D-puntenwolk ....................................................................... 16
3.3.3.3 Het toekennen van een LoD .......................................................................................... 17
xi
3.3.3.4 Vergelijking BIM-software ........................................................................................... 18
3.4 De combinatie van laserscanning en fotogrammetrie bij het creëren van een BIM .............. 19
4 Doelstellingen ................................................................................................................................ 22
5 Methode ......................................................................................................................................... 23
6 Onderzoek ..................................................................................................................................... 24
6.1 Data-acquisitie ....................................................................................................................... 24
6.1.1 Laserscanning ................................................................................................................ 24
6.1.2 Fotogrammetrie ............................................................................................................. 26
6.2 Data verwerken ...................................................................................................................... 27
6.2.1 Laserscanning ................................................................................................................ 27
6.2.1.1 Registratie ...................................................................................................................... 27
6.2.1.2 Moeilijkheden ................................................................................................................ 28
6.2.1.3 Filters ............................................................................................................................. 29
6.2.2 Fotogrammetrie ............................................................................................................. 34
6.2.2.1 Masken en aligneren ...................................................................................................... 34
6.2.2.2 Chunks ........................................................................................................................... 35
6.2.2.3 Moeilijkheden ................................................................................................................ 35
6.2.2.4 Filters ............................................................................................................................. 37
6.2.2.5 Aligneren van afzonderlijke puntenwolken ................................................................... 37
6.3 Vergelijking puntenwolken van fotogrammetrie ................................................................... 38
6.3.1 Bepaling grondresolutie ................................................................................................. 38
6.3.2 Vergelijking in Photoscan ............................................................................................. 40
6.3.3 Vergelijking in CloudCompare ..................................................................................... 41
6.3.4 Onderzoek grondresolutie en resolutie .......................................................................... 43
6.3.5 Besluit ............................................................................................................................ 45
6.4 Vergelijking puntenwolk van laserscanning en fotogrammetrie ........................................... 45
6.4.1 Vergelijking buitenkant ................................................................................................. 45
6.4.2 Vergelijking binnenkant ................................................................................................ 52
xii
6.4.3 Besluit ............................................................................................................................ 58
6.5 Modelleren............................................................................................................................. 59
6.5.1 BIM-software ................................................................................................................ 59
6.5.2 Modelleringssoftware aanvullend aan BIM .................................................................. 60
6.5.3 Plug-ins .......................................................................................................................... 62
6.5.3.1 GreenSpider ................................................................................................................... 62
6.5.3.2 CloudWorx .................................................................................................................... 64
6.5.3.3 PointSense ..................................................................................................................... 64
6.5.4 Modelleren met Revit ® ................................................................................................ 64
6.5.5 Modelleren met Rhino ................................................................................................... 68
6.5.6 Modelleren met GreenSpider ........................................................................................ 73
6.5.7 Modelleren met AutoCAD ............................................................................................ 75
6.5.8 Modelleren met Cyclone en CloudWorx ....................................................................... 77
6.5.9 Modelleren met PointSense ........................................................................................... 81
6.5.10 Vergelijking van de gemodelleerde pilaren ................................................................... 86
6.5.11 Belang van de keuze van de resolutie bij het modelleren van profielen........................ 89
6.6 Vergelijking bestaand plan stad Gent en BIM....................................................................... 91
6.7 Voorstelling gemodelleerde binnenruimte ............................................................................ 93
7 Discussie en conclusie ................................................................................................................... 95
8 Bibliografie .................................................................................................................................... 98
8.1 Artikels .................................................................................................................................. 98
8.2 Boeken ................................................................................................................................. 101
8.3 Websites .............................................................................................................................. 101
8.3.1 Zonder auteur .............................................................................................................. 101
8.3.2 Met auteur .................................................................................................................... 103
9 Bijlagen ....................................................................................................................................... 104
9.1 Opstelposities scanner en aanduiding van de gebruikte targets tussen scanpositie 1 en 2 .. 104
9.2 Registratierapporten ............................................................................................................ 105
xiii
9.2.1 Meetdag 1 binnenkant ................................................................................................. 105
9.2.2 Meetdag 2 binnenkant ................................................................................................. 106
9.2.3 Geregistreerde binnenkant meetdagen 1 en 2 .............................................................. 106
9.3 Processing report 1.638 foto’s ............................................................................................. 107
9.4 Processing report 990 foto’s ................................................................................................ 107
xiv
Lijst met figuren
Figuur 1: Cultureel erfgoed binnen België en een cultureel erfgoed in Frankrijk (Werelderfgoedkaart,
z.j.) ........................................................................................................................................................... 4
Figuur 2: Mixed edge probleem (Santana Quintero et al., 2008) ............................................................ 8
Figuur 3: Links: intensiteit van de teruggekaatste straal, rechts: intensiteit-scanhoek curve (van Ree,
2006) ...................................................................................................................................................... 10
Figuur 4: Triangulatieprincipe van fotogrammetrie (Dense Image Matching, z.j.) .............................. 10
Figuur 5: De centrale perspectiefprojectie (Atkinson, 2001) ................................................................ 11
Figuur 6: Externe oriëntatie (Luhmann et al., 2013) ............................................................................. 12
Figuur 7: Level of Detail (Carvalho Lima, 2015) ................................................................................. 18
Figuur 8: Links: model uit laserscanner, rechts: model uit laserscanner aangevuld met fotogrammetrie
(Kadobayashi et al., 2004) ..................................................................................................................... 21
Figuur 9: Principeschets verandering afstand tussen opgemeten punten bij een vlak bij ingestelde
hoekresolutie ......................................................................................................................................... 25
Figuur 10: Opnameposities binnenkant SfM (Agisoft Photoscan, 2016) .............................................. 27
Figuur 11: Aanduiding verschil in reflectie bij niet loodrechte scanpositie .......................................... 28
Figuur 12: Detail hoekpunt van marmeren haard .................................................................................. 28
Figuur 13: Segment Cloud by Intensity ................................................................................................. 30
Figuur 14: Links: Segment Cloud by Distance from Point, rechts: Segment Cloud by Offset from Plane
............................................................................................................................................................... 30
Figuur 15: Segment Cloud Near reference Plane .................................................................................. 31
Figuur 16: Segment Cloud by Distance from Point, segmenteren van te behouden punten ................. 31
Figuur 17: Links: natuurlijke target na unify clouds (1,5 mm resolutie), rechts: na subsample (3 mm
resolutie) ................................................................................................................................................ 32
Figuur 18: Verkeerde alignering bij de binnenruimte ........................................................................... 35
Figuur 19: Links: zonder verhoog, rechts: met verhoog ....................................................................... 35
Figuur 20: Koppeling zonder gebruik van een verhoog met 545 foto’s ................................................ 36
Figuur 21: Koppeling met gebruik van een verhoog met 202 foto’s ..................................................... 36
Figuur 22: Aligneren buitenkant met binnenkant .................................................................................. 37
xv
Figuur 23: Links: foto’s gebruikt bij 1.638 foto’s, rechts: foto’s gebruikt bij 990 foto’s ..................... 39
Figuur 24: Puntenwolk 1.638 foto's (boven), puntenwolk 990 foto's (onder) voor en na kuiswerk ..... 41
Figuur 25: Verschil in puntdichtheid bij gebruik aantal foto's .............................................................. 42
Figuur 26: Links: volume density 1.638 foto’s, rechts: volume density 990 foto’s .............................. 42
Figuur 27: Links: puntenwolk met 1.638 foto's, rechts: puntenwolk met 990 foto’s ............................ 43
Figuur 28: Onderzoek resolutie bij een gegeven grondresolutie ........................................................... 44
Figuur 29: Links: verschaling weggewerkt, rechts: verdraaiing weggewerkt ....................................... 47
Figuur 30: Aanduiding gecontroleerde afmetingen (blauw) en aanduiding gebruikte scalebars (rood) 48
Figuur 31: Links: loodrechte foto op de hoek, rechts: onbruikbare foto voor de rechter zijgevel ........ 48
Figuur 32: Cloud-to-cloud distance tussen TLS en SfM puntenwolk ................................................... 49
Figuur 33: Aligneringsproces tussen TLS en SfM puntenwolk ............................................................ 52
Figuur 34: Cloud-to-cloud distance tussen TLS en SfM puntenwolk ................................................... 52
Figuur 35: Links: voorkant gekuiste en niet gekuiste puntenwolk, rechts: achterkant gekuiste en niet
gekuiste puntenwolk .............................................................................................................................. 53
Figuur 36: Verschil tussen TLS en SfM puntenwolk ............................................................................ 54
Figuur 37: Verschil in diepte bij de deur tussen TLS en SfM puntenwolk ........................................... 54
Figuur 38: Verschil in diepte bij een muur tussen TLS en SfM puntenwolk ........................................ 55
Figuur 39: Links: sierelement TLS puntenwolk, rechts: sierelement SfM puntenwolk ........................ 55
Figuur 40: Links: profiel TLS puntenwolk, rechts: profiel SfM puntenwolk ....................................... 56
Figuur 41: Aanduiding scalebars ........................................................................................................... 57
Figuur 42: Verschil tussen TLS (onder) en SfM (boven) puntenwolk .................................................. 58
Figuur 43: Resultaat van twee verschillende mesh tools (Antón et al., 2018) ...................................... 60
Figuur 44: Stappenplan bij het modelleren in Rhino (Antón et al., 2018) ............................................ 61
Figuur 45: Plug-in GreenSpider snappoints in Autodesk Revit ® (Garagnani & Manferdini, 2013) ... 62
Figuur 46: Plug-in GreenSpider splines in Autodesk Revit ® (Garagnani & Manferdini, 2013) ......... 63
Figuur 47: Gecombineerde puntenwolk TLS en SfM ingeladen in Revit ® met behoud van
kleurinformatie ...................................................................................................................................... 65
Figuur 48: Toekennen levels in Revit ® ............................................................................................... 65
xvi
Figuur 49: Gebruik van levels bij het tekenen van muren ..................................................................... 66
Figuur 50: Tekenen van muren in Revit ® ............................................................................................ 66
Figuur 51: Creëren van doorsnede d.m.v. limitbox en orthofoto door PointSense ............................... 67
Figuur 52: Creëren profiel in de family editor en inladen in Revit ® ................................................... 67
Figuur 53: Uitgevoerde sweep in Revit ® ............................................................................................. 67
Figuur 54: Pilaar uit de TLS puntenwolk in CloudCompare ................................................................. 68
Figuur 55: Mesh in CloudCompare en Rhino ....................................................................................... 69
Figuur 56: Automatic surface generation .............................................................................................. 69
Figuur 57: Wegwerken van ongewenste kromme lijnen ....................................................................... 69
Figuur 58: Van curve network naar NURB’s ........................................................................................ 70
Figuur 59: Best passende cirkel door drie punten en creëren van best passende lijn ............................ 70
Figuur 60: Gesloten polysurface d.m.v. sweep ..................................................................................... 71
Figuur 61: a) 10 controlepunten, b) 20 controlepunten, c) 30 controlepunten, d) 40 controlepunten, e)
50 controlepunten en f) 100 controlepunten per dwarssectie ................................................................ 71
Figuur 62: Polysurface voorgesteld als shadeview ............................................................................... 72
Figuur 63: Ingeladen pilaar als family object in Revit ® ...................................................................... 72
Figuur 64: Pilaar in CloudCompare en pilaar gesegmenteerd ............................................................... 73
Figuur 65: Converteren van de puntenwolken en de GSPoints en de GSCurves .................................. 73
Figuur 66: a) Dichte puntenwolk snappoints, b) dichte puntenwolk X splines, c) dichte puntenwolk Y
splines, d) uitgedunde puntenwolk snappoints, e) uitgedunde puntenwolk X splines en f) uitgedunde
puntenwolk Y splines ............................................................................................................................ 74
Figuur 67: Niet uitgedunde en uitgedunde puntenwolk ........................................................................ 74
Figuur 68: Puntenwolk in Recap en in AutoCAD ................................................................................. 75
Figuur 69: Tekenen van best passende vierkanten en cirkels ................................................................ 75
Figuur 70: Toekennen van reference levels in Revit ® ......................................................................... 76
Figuur 71: Create solid form in Revit ® ............................................................................................... 76
Figuur 72: Inladen van de family in het Revit ® project ....................................................................... 76
Figuur 73: Werken met verticale doorsnede en revolve ........................................................................ 77
Figuur 74: Modelleren van een pijp in Cyclone .................................................................................... 78
xvii
Figuur 75: “Gefitte” pijp in de puntenwolk in Cyclone ........................................................................ 78
Figuur 76: Gemodelleerde pijpen als Revit ® family met eigenschappen ............................................ 79
Figuur 77: Cyclone projecten openen vanuit Revit ® ........................................................................... 79
Figuur 78: Puntenwolken ingeladen in Revit ® vanuit Cyclone ........................................................... 80
Figuur 79: Pijp modelleren in Revit ® met behulp van CloudWorx ..................................................... 80
Figuur 80: Semi automatisch plaatsen van muren via PointSense ........................................................ 81
Figuur 81: Grondplan na semi automatisch plaatsen van muren via PointSense .................................. 81
Figuur 82: Boven: voor prepare point cloud, onder: na prepare point cloud ........................................ 82
Figuur 83: “Fitten” van een workplane in de puntenwolk ..................................................................... 83
Figuur 84: Surface Analysis in PointSense ........................................................................................... 83
Figuur 85: Orthofoto in PointSense ....................................................................................................... 84
Figuur 86: Section box van de pilaar in Revit ®, pilaar ingeladen in de family editor en pilaar
gemodelleerd in de family editor ........................................................................................................... 84
Figuur 87: Ingeladen family in het Revit ® project, links: vooraanzicht, rechts: bovenaanzicht in
doorsnede .............................................................................................................................................. 85
Figuur 88: Van puntenwolk naar family ............................................................................................... 85
Figuur 89: Links: puntenwolk spiegeldeur, midden: orthofoto X-ray spiegeldeur, rechts: gemodelleerde
spiegeldeur ............................................................................................................................................ 86
Figuur 90: Modelleren van pijpen met PointSense ............................................................................... 86
Figuur 91: Oorspronkelijke pilaar, Rhino, AutoCAD volgens GSP en PointSense en PointSense pilaar
in Revit ® .............................................................................................................................................. 87
Figuur 92: Cloud-to-cloud distance vergelijking [m] van Rhino, GSP en PointSense in AutoCAD en
PointSense in Revit ® ten opzichte van oorspronkelijke pilaar ............................................................ 88
Figuur 93: Links: orthofoto X-ray, rechts: orthofoto color met PointSense.......................................... 89
Figuur 94: Links: vooraanzicht profiel, rechts: doorsnede profiel ........................................................ 89
Figuur 95: Openhaard en binnenramen TLS puntenwolk en HBIM ..................................................... 93
Figuur 96: Binnenraam TLS puntenwolk en HBIM .............................................................................. 93
Figuur 97: Spiegeldeur TLS puntenwolk en HBIM .............................................................................. 94
Figuur 98: Rechthoekige deur TLS puntenwolk en HBIM ................................................................... 94
xviii
Lijst met tabellen
Tabel 1: Productspecificaties Riegl LPA-25HA (Kadobayashi et al., 2004) ........................................ 20
Tabel 2: Productspecificaties DCS Pro Back (Kadobayashi et al., 2004) ............................................. 20
Tabel 3: Productspecificaties Leica Scanstation C10 (Productspecificaties, z.j.) ................................. 25
Tabel 4: Productspecificaties Canon EOS 1100D (Canon EOS 1100D, 2018) .................................... 26
Tabel 5: Overzichtstabel filters ............................................................................................................. 33
Tabel 6: Eigenschappen gebruikte foto’s (1.638) .................................................................................. 38
Tabel 7: Eigenschappen gebruikte foto’s (990) ..................................................................................... 38
Tabel 8: Eigenschappen gebruikte foto’s (1.638 en 990) ...................................................................... 39
Tabel 9: Photoscan vergelijking 1.638 foto’s en 990 foto’s .................................................................. 40
Tabel 10: CloudCompare vergelijking 1.638 foto’s en 990 foto’s ........................................................ 41
Tabel 11: Bepaling resolutie 1.638 foto’s en 990 foto’s ....................................................................... 43
Tabel 12: Onderzoek resolutie (medium en high) bij een gegeven grondresolutie ............................... 44
Tabel 13: Fouten op de scalebars .......................................................................................................... 46
Tabel 14: Controleren van het metrisch zijn tussen TLS en SfM puntenwolk ...................................... 46
Tabel 15: Fouten op de scalebars .......................................................................................................... 50
Tabel 16: Scalebars TLS en SfM puntenwolk ....................................................................................... 50
Tabel 17: Bepaling resolutie TLS en SfM puntenwolk ......................................................................... 51
Tabel 18: Vergelijking data verzamel- en verwerkingstijd TLS en SfM .............................................. 51
Tabel 19: Bepaling resolutie sierelement TLS en SfM puntenwolk ..................................................... 55
Tabel 20: Fouten op de scalebars .......................................................................................................... 56
Tabel 21: Scalebars TLS en SfM puntenwolk ....................................................................................... 57
Tabel 22: Verband resolutie en nodige dikte bij het modelleren ........................................................... 90
Tabel 23: Vergelijking bestaand plan stad Gent en BIM ...................................................................... 91
xix
Lijst met afkortingen1
AEC Architecture, Engineering and Construction
BIM Building Information Modelling/Management
CAD Computer Aided Design
D/Z Basislijn/Diepte
GCP Grondcontrolepunten
GDL Geometric Description Language
GSP GreenSpider
HBIM Heritage/Historic Building Information
Modelling
ICP Iterative Closest Point
LoD Level of Detail/Development
MEP Mechanical, Electrical and Plumbing
MVS MultiView Stereo
NURBS Non Uniform Rational Basis-Splines
RGB kleuren
RMS
Rood Groen Blauw kleuren
Root Mean Square
SfM Structure from Motion
SMC Solibri Model Checker
S/N Signal to Noise
SOR Statistical Outlier Removal
1 Afkortingen zoals gebruikt in de literatuurstudie en het onderzoek.
1
1 Inleiding
Restaureren en renoveren van historische gebouwen als onderdeel van cultureel erfgoed winnen aan
belang. Helaas bestaat voor veel historische gebouwen geen of enkel onvolledige en verouderde
bouwinformatie. Europa grijpt in en probeert het behoud van dit cultureel erfgoed te stimuleren door
een kader te voorzien. Zij wil dat het cultureel erfgoed hersteld en omgevormd wordt tot gebouwen met
“slimme” bouwdocumentatie die vlot uitwisselbaar is via een Building Information Model (BIM). Om
dit te realiseren, tekende de Raad van Europa het beleidskader uit in de vorm van conventies,
verklaringen, resoluties en aanbevelingen.
De term BIM wordt op twee manieren geïnterpreteerd, enerzijds als Building Information Model en
anderzijds als Building Information Management. Met de eerste definitie wordt een gebouw in een 3D-
model met “slimme” bouwdocumentatie voorgesteld. Dit verwijst naar het feit dat het gebouw is
samengesteld uit verschillende objecten, bouwcomponenten genoemd, die niet alleen geometrische,
maar ook attribuutinformatie, zoals bijvoorbeeld materiaalsoort, hoeveelheden en technische
eigenschappen, bevatten. De tweede definitie heeft betrekking op het beheren en het uitwisselen van
bouwinformatie tussen de verschillende actoren. In het verder verloop van deze masterproef wordt
steeds op de eerste definitie van een BIM gedoeld.
Een BIM wordt in drie soorten opgedeeld. Een eerste soort is een as-designed BIM, waarbij vanaf de
ontwerpfase gewerkt wordt binnen een BIM. Een tweede soort is een as-built BIM, dat vervaardigd
wordt nadat het gebouw opgeleverd is en kan bijgevolg afwijkingen bevatten ten opzichte van het as-
designed BIM van het gebouw. De derde en laatste soort is een as-is BIM, die de bestaande toestand
van het gebouw representeert. Deze drie soorten komen altijd chronologisch voor in een bouwproject.
Het as-desgined BIM evolueert naar een as-built BIM, welke op zijn beurt evolueert naar een as-is BIM.
Deze masterproef handelt over het restaureren en renoveren van cultureel erfgoed en situeert zich
bijgevolg binnen de derde soort, waar het kan gebruikt worden om zowel de bestaande toestand als het
renovatieproces te documenteren.
Een belangrijke nuance die in dit onderzoek wordt gemaakt, is het gebruik van de term Heritage/Historic
Building Information Model (HBIM) in plaats van de term BIM. Een HBIM is een BIM specifiek voor
historische gebouwen. Het essentiële verschil tussen beide is dat HBIM’s in een hogere graad van detail
gemodelleerd zijn door de hoge afwerkingsgraad, die typerend is voor dergelijke gebouwen.
Dit onderzoek richt zich op twee data-acquisitie methodes die gedetailleerde 3D-informatie leveren als
basis voor een BIM, namelijk terrestrische 3D-laserscanning en close range digitale fotogrammetrie. De
twee meetmethodes worden met elkaar vergeleken naar modelleerbaarheid, afwijkingen, resolutie en
verwerkingstijd. Daarnaast wordt ook afgetoetst of de twee methodes beter standalone of gecombineerd
ingezet worden in het kader van de creatie van een HBIM. Ten slotte worden in de casestudy, van het
2
kasteel Borluut te Sint-Denijs-Westrem (Gent), de resulterende puntenwolken gebruikt als basis voor
het vervaardigen van een HBIM.
Bij de opmaak van een as-is BIM is het belangrijk om voorafgaand aan de data-acquisitie het beoogde
Level of Detail/Development (LoD) vast te leggen met de opdrachtgever(s). Het LoD geeft het niveau
van de geometrie en de hoeveelheid aan informatie, waar de objecten over beschikken, weer. Tijdens
deze masterproef wordt met een lage LoD gewerkt voor wat betreft de informatie die aan de objecten
wordt toegekend, omdat de structurele opbouw van het historisch gebouw niet gekend is. Daartegenover
staat dat voor de geometrische modellering gekozen wordt voor het hoogst mogelijke LoD, omdat dit
voor restauratiedoeleinden noodzakelijk is.
De masterproef is als volgt opgebouwd, na de inleiding wordt de probleemstelling uiteengezet vooraleer
de literatuurstudie aan bod komt. Als eerste in de literatuurstudie wordt op het belang van het cultureel
erfgoed binnen Europa gewezen met de koppeling naar een HBIM om deze gebouwen op een efficiënte
manier te renoveren en restaureren. Verder komen drie belangrijke aspecten aan bod om de vergaarde
data te modelleren: de data-acquisitie methodes, de dataverwerking en ten slotte de modellering.
Na de literatuurstudie worden de doelstellingen en de methode beschreven alvorens op het onderzoek
verder in te gaan. In het onderzoek wordt dezelfde opbouw als in de literatuurstudie aangehouden. Voor
het kasteel Borluut worden de data-acquisitie methodes, laserscanning en close range digitale
fotogrammetrie, uitvoerig besproken, evenals de verschillende tussenstappen om tot een zuivere
puntenwolk te komen. De resulterende puntenwolken worden onderling vergeleken.
Meerdere programma’s en plug-ins worden onderzocht om voornamelijk het manueel
modelleringsproces te semi automatiseren. Hierbij wordt een historisch element, een pilaar, op
verschillende manieren gemodelleerd en vergeleken met de puntenwolk van de oorspronkelijke
gescande pilaar. Vervolgens wordt ook een vergelijking tussen een bestaand plan en het model
uitgevoerd. Tenslotte wordt de gemodelleerde binnenruimte visueel voorgesteld.
3
2 Probleemstelling
Een HBIM is voor diverse doelgroepen een interessante informatiebron bij het behoud, het onderhoud
en het beheer van cultureel erfgoed. Deze informatie vervat in een HBIM is van belang om restauratie-
en renovatiewerken correct uit te voeren en te documenteren, om uitgevoerde wijzigingen uit het
verleden te achterhalen en om te weten te komen in welke toestand het gebouw nu verkeert. Hiervoor
zijn niet enkel 2D-plannen noodzakelijk, maar ook informatie over de verschillende elementen met hun
onderlinge relatie(s).
Nochtans vindt het gebruik van een BIM slechts moeilijk ingang in de erfgoedsector wegens een gebrek
aan inzicht met betrekking tot de opportuniteiten die het gebruik ervan biedt. Bovendien ontbreekt vaak
de vereiste kennis van software en data-acquisitie technieken en schrikt de complexiteit van het geheel
af. Zelfs al wordt binnen de erfgoedsector veelvuldig gebruik gemaakt van puntenwolken geproduceerd
via laserscanning en close range digitale fotogrammetrie, de stap naar integratie ervan in een BIM wordt
nog maar zelden gezet.
4
3 Literatuurstudie
3.1 Het cultureel erfgoed binnen Europa is toe aan documentatie, restauratie en/of
renovatie
Werelderfgoed is onder te verdelen in cultureel en natuurlijk erfgoed. Het belang van de erfgoederen
wordt in de Werelderfgoedconventie van 1972 vastgelegd. Het is de bedoeling om cultureel en natuurlijk
erfgoed met unieke en universele waarde voor de mens beter te kunnen beschermen en te ontsluiten voor
toekomstige generaties. (Erfgoed, z.j.; World Heritage List, 1992)
Hoewel de Architecture, Engineering and Construction (AEC) Industry meer aandacht heeft voor
nieuwe gebouwen in plaats van bestaand cultureel erfgoed, heerst binnen Europa toch de noodzaak om
een kader te voorzien zodat het cultureel erfgoed hersteld en behouden blijft. Zij wil aan de gebouwen
documentatie toekennen aan de hand van een Building Information Model (BIM). (Del Giudice &
Osello, 2013) Om dit te realiseren, tekent de Raad van Europa het beleidskader in de vorm van
conventies, verklaringen, resoluties en aanbevelingen uit. Hierdoor is België sinds 1996 lid van het
Werelderfgoedverdrag. Zowel cultureel en natuurlijk erfgoed als de combinatie van de twee kan op de
Werelderfgoedlijst opgenomen worden. In totaal vertegenwoordigt België dertien inschrijvingen op de
Werelderfgoedlijst, twaalf inschrijvingen zijn cultureel erfgoed en een inschrijving is een natuurlijk
erfgoed (Figuur 1). Het natuurlijk erfgoed, de Oerbeukenbossen, is gelegen in de Karpaten en andere
regio’s binnen Europa en twee culturele erfgoederen zijn in Frankrijk gelegen maar worden ook in de
Belgische Werelderfgoedlijst opgenomen. (Erfgoed, z.j.; Internationaal kader, z.j.; World Heritage List,
1992)
De Vlaamse regering gaat ook met de verschillende conventies van de Raad van Europa akkoord. De
zorg van het onroerend erfgoed binnen Vlaanderen wordt in het Onroerenderfgoeddecreet van 12 juli
2013 en het bijhorende Onroerenderfgoedbesluit van 16 mei 2014 vastgelegd. Daarnaast wordt het doel
van ieder beschermd onroerend erfgoed met de specifieke voorschriften voor de instandhouding en het
onderhoud in het Beschermingsbesluit opgenomen. (Internationaal kader, z.j.; Vanblaere, 2018)
Figuur 1: Cultureel erfgoed binnen België en een cultureel erfgoed in Frankrijk (Werelderfgoedkaart, z.j.)
5
3.2 Bijdrage van een BIM aan restauratie en renovatie
3.2.1 Betekenis van een BIM
Een Building Information Model (BIM) is een digitale voorstelling van een gebouw waarin geometrische
en attribuutinformatie aan elkaar gelinkt zijn. Een BIM dient in tegenstelling tot een CAD-model niet
enkel voor visualisatie doeleinden. Een BIM is samengesteld uit verschillende objecten, die
bouwcomponenten voorstellen en aan elkaar gelinkt zijn. Deze objecten kunnen informatie bevatten
over hun technische eigenschappen (constructiematerialen, akoestische- en energiegegevens),
geometrische eigenschappen, ruimtelijke relaties met andere objecten, geografische informatie,
hoeveelheden, etc. (Chiabrando, Sammartano & Spanò, 2016; Logothetis , Delinasiou & Stylianidis,
2015; Remondino, 2011; Wat is BIM, z.j.) Door middel van een BIM wordt een gebouw op een veel
“rijkere” en “slimmere” manier voorgesteld dan het geval is bij een CAD-model (Tang et al., 2010).
Het BIM concept vormt de basis voor een Heritage/Historic Building Information Model (HBIM),
waarbij historische gebouwen op basis van een BIM-software gemodelleerd worden. Het essentiële
verschil tussen beide is dat bij HBIM’s de geometrie van historische elementen vaak ingewikkelder is,
waardoor de Level of Detail/Development (LoD) hoger ligt om hetzelfde niveau te bereiken als bij een
BIM. (Dore & Murphy, 2012)
BIM wordt niet alleen als een model gedefinieerd, maar het wordt ook vaak in de zin van Building
Information Management gebruikt. Het Management heeft meer betrekking op het beheren en het
uitwisselen van bouwinformatie, waarbij het een waardevolle bron is bij bouwprocessen en bij het
beheer van afgewerkte gebouwen. (Garagnani & Manferdini, 2013; Volk, Stengel & Schultmann, 2014;
Wat is BIM, z.j.)
3.2.2 Soorten BIM’s
Er wordt een onderscheid gemaakt tussen drie verschillende BIM’s. Een eerste soort is een as-designed
BIM, hierbij wordt vanaf de ontwerpfase een BIM gemaakt. Het model dient als basis om
uitvoeringsplannen te maken. De tweede soort, een as-built BIM, wordt na de oplevering van een
gebouw vervaardigd. Het model kan afwijkingen vertonen ten opzichte van het as-designed BIM. De
verschillen worden verklaard uit constructiefouten of wijzigingen die zich tijdens het bouwproces
voordoen. Op die manier worden uitvoeringsfouten gedetecteerd. De derde soort, een as-is BIM,
representeert de bestaande toestand van een gebouw. De as-is condities kunnen sterk veranderen
gedurende de levensduur van een gebouw (bv. door renovatie). Het is van belang om een BIM te
vervaardigen die de as-built of de as-is toestand van een gebouw weergeeft. Een BIM is maar
betrouwbaar op lange termijn indien het naar de constructiewijzigingen wordt aangepast. (Huber et al.,
2011; Liu, Eybpoosh & Akinci, 2012; Tang et al., 2010)
6
3.2.3 Functies van een BIM
Een BIM heeft een brede waaier aan functies en wordt naargelang de interpretatie van de gebruiker voor
een of meerdere functies benaderd. Een BIM wordt gebruikt voor calculatiedoeleinden, om
hoeveelheden uit af te leiden, om uitvoeringsfouten op te sporen (as-built BIM) of louter om een model
te maken. (Volk, Stengel & Schultmann, 2014; Wat is BIM, z.j.)
BIM (modelling/management) is een methode waarbij digitale modellen opgemaakt worden, waar bij
deze gegevens met de verschillende actoren binnen een bouwproject gedeeld worden. Aan de hand van
een BIM kunnen projecten bijgestuurd worden, waarbij een goede informatie-uitwisseling van belang
is. Het model op zich vormt niet het doel, maar een efficiënte werkmethode met het oog op eenduidige
en uniforme communicatie tussen de verschillende actoren. Op die manier wordt het planningsproces
vereenvoudigd. Uit het model kan informatie verkregen worden om een project op een efficiënte manier
te ontwerpen en de uitvoering voor te bereiden vooraleer de uitvoeringsfase van start gaat. (Volk,
Stengel & Schultmann, 2014; Wat is BIM, z.j.)
3.2.4 Gebruik van een HBIM
Een HBIM kan een bijdrage leveren tot de instandhouding van cultureel erfgoed omdat het toelaat
renovatie- en restauratiewerken accuraat te plannen. Door een HBIM op te maken, kan een nauwkeurig
onderzoek uitgevoerd worden naar bijvoorbeeld materiaalreductie met vervolgens een
gegevensregistratie. In de database, met topologische informatie en relaties, kan op basis van
operatorbehoeften gefilterd worden in functie van de uit te voeren restauratie- en renovatiewerken. Een
HBIM wordt onder andere gebruikt voor het verkleinen van de kans op dure vertragingen. (Garagnani
& Manferdini, 2013; Logothetis, Delinasiou & Stylianidis, 2015; Tang et al., 2010)
Enkele voorbeelden tonen het nut van een HBIM aan in verschillende omstandigheden. In 2009 werd
de basiliek van St. Maria van Collemaggio in L'Aquila (Italië) door een aardbeving getroffen.
Vervolgens werd van de basiliek een HBIM gemaakt als nabootsing van de werkelijkheid dat een beeld
gaf van de geschonden tempelonderdelen en het structurele gedeelte. Daarna werd een analyse en
evaluatie gemaakt om uiteindelijk aan de renovatiewerken te kunnen beginnen. (Logothetis, Delinasiou
& Stylianidis, 2015)
Bij een tweede voorbeeld werd een HBIM van het Batawaproject gemaakt omwille van
herontwikkelingsvoorstellen. Het project omvatte 600 hectare met een fabriek en 19de-eeuwse
erfgoedgebouwen. Het HBIM diende als digitaal archief om te helpen bij het bewaren van de bestaande
erfgoedgebouwen en voor het plannen en testen van de toekomstige ontwikkelingsvoorstellen. Het
model bevatte informatie over het type gebouw, de prestaties, de constructie en het soort materiaal.
(Logothetis, Delinasiou & Stylianidis, 2015)
7
3.3 Creëren van een BIM
3.3.1 Data-acquisitie
Aan de basis van een as-is BIM ligt de opmeting van een gebouw die van belang is om de geometrische
karakteristieken en het uitzicht van het gebouw nauwkeurig te kunnen evalueren en interpreteren. Door
de complexiteit van sommige gebouwen is de nood groot om de meest technologische, geavanceerde
instrumenten en technieken te gebruiken bij het opmeten en analyseren van de data. De moderne en
digitale meettechnieken maken het mogelijk om een grote hoeveelheid 3D-data te verzamelen, waarbij
hoofdzakelijk laserscanning en fotogrammetrie gehanteerd worden. (Oreni et al., 2014)
Met de verzamelde data kan een gedetailleerd HBIM gecreëerd worden dat bijdraagt aan de analyse, de
simulatie van het structureel gedrag, de economische evaluatie van het project en de uiteindelijke
restauratie (Oreni et al., 2014; Tang et al., 2010).
In onderstaande alinea’s worden twee courante meetmethodes, laserscanning en close range digitale
fotogrammetrie, aangehaald. Deze twee methodes maken het mogelijk om op afstand en op efficiënte
en accurate wijze data van culturele erfgoedsites te verzamelen. (Dore & Murphy, 2012)
3.3.1.1 Laserscanning
Wat is laserscanning
Laserscanners verzamelen op een snelle manier een grote hoeveelheid nauwkeurige informatie over de
objectgeometrie in de vorm van een puntenwolk. De meting gebeurt met een snelheid van enkele
duizenden tot een miljoen metingen per seconde, afhankelijk van het type scanner. Een laserscanner is
een line-of-sight toestel, waardoor meerdere scans vanop verschillende posities noodzakelijk zijn om
een gesloten volume of een mesh te creëren. (Antón et al., 2018; Macher, Landes & Grussenmeyer,
2017; Tang et al., 2010; Wang, Cho & Kim, 2015) Meestal wordt ook een ingebouwde camera gebruikt
om later de puntenwolken te verwerken en om kleur als kenmerk toe te voegen (Tang et al., 2010).
Soorten laserscanners
Er bestaan drie soorten laserscanners, namelijk triangulatiescanners, pulsscanners en fasescanners (Baik
& Boehm, 2017). Ondanks de grote uitrustingskost en de moeilijkheid om reflecterende, doorschijnende
en donkere oppervlakken te scannen, wordt deze meettechniek het meest gehanteerd en maken ze de
ontwikkeling van een BIM eenvoudiger (Volk, Stengel & Schultmann, 2014).
Het grote verschil tussen de drie scanners is vooral in de manier waarop de punten gescand worden
(Baik & Boehm, 2017). Laserscanners worden op basis van hun meetprincipe opgedeeld in de
triangulatiemethode en de time-of-flight methode. De triangulatiemethode steunt op de driehoeksmeting
en de time-of-flight is een op tijd gebaseerde methode. Verder worden de time-of-flight scanners in
pulsscanners en fasescanners opgedeeld. Pulsscanners meten de tijd tussen het zenden en het ontvangen
8
van een puls door de scanner. De fasescanners meten het faseverschil en het aantal geheel doorlopen
golflengten van een continue golf tussen het zenden en het ontvangen van de scanner. (Schulz, 2007)
Foutenbronnen
De foutenbronnen van laserscanning zijn in vier groepen op te splitsen, namelijk instrumentale fouten,
object gerelateerde fouten, omgevingsfouten en methodologische fouten (Cosarca, Jocea & Savu, 2009).
Deze fouten kunnen verkeerde, vertraagde of onvolledige metingen als gevolg hebben. De fouten
kunnen occlusies of gaten in de data doen ontstaan, wat zorgt voor vertragingen in het herkennen van
objecten en het LoD beïnvloedt. (Remondino, 2011)
Instrumentale fouten zijn tweeledig, namelijk systematisch en willekeurig. Willekeurige fouten hebben
een invloed op de nauwkeurigheid van de afstandsmeting en hoekmeting. Systematische fouten komen
voort uit de niet-lineariteit van het tijd- of temperatuursysteem. (Cosarca, Jocea & Savu, 2009)
De instelling van een hogere puntdichtheid zorgt voor een kleinere spotgrootte van de laserstraal, die
voor een kleinere ruishoeveelheid en een hogere nauwkeurigheid van de metingen zorgt. De spotgrootte
van de laserstraal kan voor instrumentale fouten zorgen. Enerzijds neemt de spotgrootte toe met de
afstand. Dit kan zowel de resolutie van de puntenwolk als de positionele onzekerheid sterk beïnvloeden.
Anderzijds kan de spotgrootte van de laserstraal bij het richten op een hoek in twee gesplitst worden,
wat het mixed edge probleem wordt genoemd (Figuur 2). Een deel van de straal wordt op het ene
oppervlak teruggekaatst, het andere deel kaatst terug op een ander oppervlak dat dichter of verder ligt.
Het mixed edge probleem kan door te scannen met een hogere dichtheid opgelost worden. Deze
instelling zorgt voor punten die in mindere mate gevoelig zijn aan randeffecten, oppervlaktekromming
en oppervlakken met uitsteeksels. (Cosarca, Jocea & Savu, 2009; Jacobs, 2006)
Figuur 2: Mixed edge probleem (Santana Quintero et al., 2008)
Objectkleuren en objectmaterialen kunnen leiden tot object gerelateerde fouten. De objectkleuren
hebben een invloed op de absorptie van de laserstraal. Laag reflecterende oppervlakken (bv. zwart)
absorberen het grootste deel van de laserstraal en hoog reflecterende oppervlakken (bv. wit) absorberen
slechts een klein deel of niets van de laserstraal. Objectmaterialen zoals een mat of glanzend oppervlak
9
(bv. water, glas en spiegels) kunnen een invloed hebben op het reflectiviteitsvermogen, dit kan bij een
glanzend oppervlak te hoog zijn. Hierdoor keert de laserstraal niet terug naar de scanner, maar
weerspiegelt de straal waarbij een ander vlak geraakt wordt of de straal verspreidt zich in de ruimte.
Deze vorm van ruis wordt speckle genoemd. Bij een ruw oppervlak verspreidt het terugkaatste signaal
zich ook in de ruimte. Als laatste hebben sommige materialen een doorschijnende coating waardoor de
laserstraal kan breken en op het oppervlak reflecteert. (Cosarca, Jocea & Savu, 2009; Lemes &
Zaimovic-Uzunovic, 2009; Soudarissanane et al., 2011; van Ree, 2006)
Omgevingsfouten zijn aan interne en externe opwarming gekoppeld. Interne opwarming zorgt voor een
hogere temperatuur in de scanner in vergelijking met de omgevingstemperatuur en externe opwarming
warmt een kant van de scanner op. Als gevolg van interne en externe opwarming kan distorsie optreden.
De temperatuur van het te scannen object kan ook een invloed hebben op de meting. Een te heet object
vermindert de gereflecteerde straling en doet het ruisgehalte stijgen. Schommelingen in de temperatuur
door druk en vocht kunnen de nauwkeurigheid van de metingen beïnvloeden. (Cosarca, Jocea & Savu,
2009) Scannen binnen of buiten kan ook een invloed hebben op de verkregen puntenwolk. Verder kan
de aanwezigheid van omgevingsverlichting in het landschap, het kunstlicht of het natuurlijk zonlicht
ook een invloed hebben op de meting. (Soudarissanane et al., 2011)
Het type scanner en de opstelling van het toestel zijn afhankelijk van de uit te voeren meting en kunnen
leiden tot methodologische fouten. De opstelling van de scanner ten opzichte van het te scannen
oppervlak en de oriëntatie van dat oppervlak hebben een invloed op de invalshoek, het bereik van de
laserstraal en de puntdichtheid. De invalshoek en het bereik bepalen de signaal/ruis-verhouding van het
gescande punt. De intensiteit van de teruggekaatste laserstraal is het hoogst bij een scanhoek van 0° en
daalt met een toenemende invalshoek, waarbij de nauwkeurigheid van de afstandsmeting beïnvloed
wordt (Figuur 3, links). De curve, op Figuur 3 (rechts), toont de relatie aan tussen de scanhoek met de
gemeten intensiteitswaarden. (Soudarissanane et al., 2011; van Ree, 2006) Een “oversampelde” scan is
ook een methodologische fout en ontstaat als de resolutie hoger wordt ingesteld dan de
puntnauwkeurigheid van de scanner. Deze fout kan extra ruis met zich meebrengen. (Cosarca, Jocea &
Savu, 2009)
10
Figuur 3: Links: intensiteit van de teruggekaatste straal, rechts: intensiteit-scanhoek curve (van Ree, 2006)
3.3.1.2 Close range digitale fotogrammetrie
Door de ontwikkelingen binnen het domein van elektronica, computer- en informatietechnologieën kan
digitale fotogrammetrie standalone optreden bij het verzamelen van gedetailleerde 3D-informatie over
historische gebouwen, waar fotogrammetrie vroeger als aanvulling werd gezien (Yastikli, 2007). De
foto’s geven textuurinformatie mee, dit is voor de objectherkenning van belang (Wang, Cho & Kim,
2015).
Het fundamentele principe binnen de fotogrammetrie is triangulatie (Figuur 4). In zijn simpelste vorm
wordt een object geobserveerd vanuit twee verschillende posities waarbij de twee overeenkomende
zichtlijnen elkaar snijden in de ruimte. De afstandsvergelijkingen worden in termen van camerabasislijn,
afstand (camera tot object) en stereo-ongelijkheden uitgedrukt. (Beraldin, 2004) Op basis van twee
overlappende 2D-afbeeldingen kunnen de 3D-coördinaten, de richting, de vorm en de grootte van
objecten gereconstrueerd worden (Kadobayashi et al., 2004; Kraus, 2007; Oreni et al., 2014).
Figuur 4: Triangulatieprincipe van fotogrammetrie (Dense Image Matching, z.j.)
Er wordt een onderscheid gemaakt tussen niet-metrische en metrische camera’s. Metrische camera’s
beschikken altijd over vaste merktekens (fiducial marks) op het beeldvlak (filmcamera’s) of er bestaat
een wiskundige relatie tussen de beeldmatrix en de camera (digitale camera’s). (Kraus, 2007)
Fotogrammetrie steunt op het principe van een centrale perspectiefprojectie waarbij het
perspectiefcentrum O op een hoofdafstand (principal distance) c van het hoofdpunt van de foto
(principal point) p ligt. De hoofdafstand is de gekalibreerde brandpuntsafstand op oneindig, waarbij de
11
brandpuntsafstand gelegen is tussen het perspectiefcentrum O en het objectpunt. (Figuur 5) Deze
parameters en de lensvervorming worden door de interne oriëntatie beschreven. De fouten van de lens,
camera en foto moeten rechtgezet worden om de hoogste nauwkeurigheid te behalen. Bij niet-metrische
camera’s is de interne oriëntatie vaak voor een deel of volledig onbekend en regelmatig onstabiel, terwijl
metrische camera’s door hun vaste merktekens een vaste en constante interne oriëntatie hebben.
(Atkinson, 1980)
Figuur 5: De centrale perspectiefprojectie (Atkinson, 2001)
Om 3D-coördinaten te creëren uit 2D-afbeeldingen, zijn camerakalibratie en een oriëntatieprocedure
vereisten. Om deze reden werd in 1996 het cameramodel bepaald, waarin zowel de interne als de externe
parameters van een camera door de bundelaanpassingsmethode opgelost worden. Deze methode is een
flexibele en krachtige tool om de camerakalibratie te voltooien. Het bepaalt alle kalibratieparameters,
waarbij grondcontrolepunten (GCP’s) nodig zijn. Vervolgens worden GCP’s met gekende 3D-
wereldcoördinaten met de bundelaanpassing gecombineerd. Dit levert 3D-coördinaten op en de
oriëntatie en positie van elk beeld is gekend. (Dense Image Matching, z.j.)
Oriëntatiestappen
Bij de interne oriëntatie wordt de sensor- of de camerakenmerken vastgesteld die van belang zijn voor
de voorstelling van de stralenbundel van de beeldpunten in de objectruimte. Onder de interne oriëntatie
horen de kenmerken brandpuntsafstand f, het hoofdpunt p en de lensvervorming, die tijdens de
camerakalibratie vastgesteld worden. Naast de verschillende methodes van kalibratie, wordt tijdens de
interne oriëntatie ook de aandacht op de relatie tussen de pixel- en beeldcoördinaten gevestigd. (Heipke,
1997; Mikhail, Bethel & McGlone, 2001)
Bij de relatieve oriëntatie wordt de relatieve, driedimensionale positie van twee beelden uit twee
verschillende gezichtspunten ten opzichte van elkaar bepaald. De geprojecteerde beeldstralen moeten
elkaar door corresponderende punten snijden in de ruimte. Dit resulteert in een stereomodel met een
12
driedimensionale relatie. Ieder stereomodel gecreëerd gedurende de relatieve oriëntatie wordt in relatie
gebracht met het object. Dit is de absolute oriëntatie. (Heipke, 1997; Mikhail, Bethel & McGlone, 2001)
De absolute oriëntatie legt op basis van minstens drie controlepunten in het overlappend gebied de relatie
vast tussen het stereomodel en het object. Er volgt een transformatie tussen het objectcoördinatenstelsel
en het beeldcoördinatenstelsel. Ongeacht het aantal afbeeldingen binnen het model heeft de absolute
oriëntatie altijd betrekking op zeven parameters, namelijk een gelijke schaal, drie translatie- en drie
rotatieparameters. (Dai & Lu, 2010; Yastikli, 2007)
De externe oriëntatie legt de positie en de oriëntatie van de stralenbundel vast in het coördinatenstelsel
van de objectruimte (Yastikli, 2007). Ze bestaat uit zes parameters (translatie Xo, Yo, Zo en rotatie φ,
ω, κ) welke de positie en de oriëntatie van het camera coördinatenstelsel ten opzichte van het globaal
object coördinatenstelsel vastlegt (Figuur 6) (Luhmann et al., 2013).
Figuur 6: Externe oriëntatie (Luhmann et al., 2013)
Image based modelling
Stereoparen worden door softwarepakketten een voor een verwerkt, waarbij afbeeldingen paarsgewijs
met elkaar gealigneerd worden. De nieuwe 3D-fotomodelleringssoftware kunnen 3D-modellen
genereren gebaseerd op grote series van foto’s door gebruik te maken van de Structure from Motion
(SfM) en MultiView Stereo (MVS) technieken. Dit is een gecombineerde techniek waarbij SfM de
cameraparameters reconstrueert en tegelijk een schaarse puntenwolk van het gefotografeerde object
creëert, terwijl MVS 3D-geometrie verzamelt van het object door stereoparen te gebruiken. (Stal, 2014)
De parameters voor de interne oriëntatie zijn afkomstig uit de meta-data van de foto’s. Dit is volgens
dezelfde werkwijze als bij de traditionele fotogrammetrie, alleen kunnen nu meerdere foto’s tegelijk
gebruikt worden. De externe parameters worden bepaald door de projectie van 3D-objecten op een 2D-
beeldvlak en de inverse transformatie van de resulterende 2D-foto coördinaten in een virtueel 3D-model.
(Stal, 2014)
De karakteristieke punten worden gedetecteerd op verschillende foto’s en gekoppeld aan elkaar. De
positie en de relatieve oriëntatie van de verschillende cameraposities worden bepaald uit de oplossing
13
van een matrix van 3D-coördinaten bestaande uit die karakteristieke punten. Eerst worden de
karakteristieke punten op verschillende foto’s gedetecteerd, waarna de interne en externe parameters
iteratief bepaald worden tot een zo goed mogelijk resultaat met de kleinste kwadraten methode wordt
bekomen. Als laatste zijn GCP’s nodig om de absolute oriëntatie van de foto’s, de karakteristieke punten
en het 3D-model te voltooien. (Stal, 2014)
Foutenbronnen
De manier waarop een gebouw wordt gefotografeerd kan de latere verwerking van de data en het
uiteindelijk resultaat beïnvloeden. In onderstaande alinea’s worden verschillende aandachtspunten
besproken, waaronder het belang van overlap bij foto’s, de invloed van schuine foto’s en anderen.
De 3D-coördinaten van een punt worden bepaald indien het punt in meerdere foto’s terug te vinden is.
Tussen de stereoparen dient voldoende overlap te zijn (Dai & Lu, 2010).
De optische as dient tijdens het fotograferen zo loodrecht mogelijk op het object te staan. Bij een schuine
foto varieert de schaal over de foto’s die leidt tot differentiële vervormingen waardoor het vinden van
homologe punten moeilijker wordt. Daarnaast kunnen schuine foto’s zorgen voor stereoschaduw of
occlusie. Stereoschaduw kan voorkomen als gevolg van het reliëf, de robuustheid van een object,
bewegende objecten (bv. voetgangers en auto’s) of de conische projectie van een foto, waarbij het hoger
gebied voor een lager gebied schuift en dit deel niet afgebeeld wordt. Bij een occlusiegebied is er geen
beeldinformatie en geen homologe punten. Bij occlusie is het ook van belang om een optimale afstand
te kiezen tijdens het fotograferen om het occlusiegebied te verkleinen. (Remondino & El-Hakim, 2006;
Tack et al., 2005)
In sommige situaties is het onoverkomelijk om schuine foto’s te nemen. Dit is het geval bij het
fotograferen van hoeken van gebouwen omdat er anders te weinig overlap is tussen de stereoparen. Soms
wordt een object in de hoogte gefotografeerd en is er geen materieel ter beschikking om foto’s loodrecht
op het vlak te nemen. (Dai & Lu, 2010)
Spiegels binnen het oppervlak, de variaties in de belichting zowel binnen als buiten en de camera-
instellingen, kunnen ook een invloed hebben op de registratie van het beeld tot de geometrie
(Remondino, 2011). Het dynamisch bereik binnen een afbeelding kan ook variëren. Digitale
afbeeldingen hebben vaak een laag dynamisch bereik. Dit uit zich in hoge verzadiging bij heldere
gebieden en lage signaal-ruisverhouding (S/N) bij donkere gebieden. Afbeeldingen met een hoog
dynamisch bereik vermijden deze problemen. (Remondino & El-Hakim, 2006)
14
3.3.2 Van ruwe data tot een zuivere puntenwolk
3.3.2.1 Laserscanning
De puntenwolk van elke scan wordt initieel in het lokaal coördinatensysteem van de scanner
weergegeven. Alle data wordt naar een gemeenschappelijk coördinatensysteem omgezet, wat door het
registratieproces verwezenlijkt wordt. Door een registratie tussen de verschillende scans uit te voeren,
blijft er slechts een puntenwolk over. (Antón et al., 2018; Remondino, 2011; Tang et al., 2010)
Target-to-target is een eerste manier om te registreren. Om tot een goed resultaat te komen, moeten
minsten drie overeenkomstige targets, zowel natuurlijke als kunstmatige targets, tussen de verschillende
puntenwolken aanwezig zijn. De natuurlijke targets worden handmatig aangeduid. Daartegenover
worden kunstmatige targets, afhankelijk van de gebruikte software, automatisch gelabeld of ook
handmatig aangeduid. Als tweede manier kan de registratie overlappende scangebieden achterhalen
door cloud-to-cloud. Het aligneren wordt op basis van Iterative Closest Point (ICP) uitgevoerd. (Antón
et al., 2018; Baik & Boehm, 2017; Remondino, 2011; Tang et al., 2010)
Tijdens de dataverwerking wordt een manuele of een gedeeltelijke automatische filtering op de
puntenwolk toegepast. Deze vorm van filtering wordt gebruikt om ongewenste data (bv. bewegende
objecten, reflectie en ruis uit de data) en discontinuïteiten te verwijderen. Om puntenwolken ‘af te
vlakken’ (smoothing) kunnen filters gebruikt worden om naburige punten te selecteren en alleen
liggende punten te verwijderen. Hiervoor bestaan twee filters die de selectie van naburige punten
optimaliseren. De eerste filter verwijdert punten aan de hand van een bol met een aangegeven straal, die
rond elk punt van de puntenwolk “gefit” wordt en het oppervlak van de wolk voorstelt. Punten verder
gelegen dan het lokale oppervlak, gecreëerd door de bolvormen, worden geselecteerd en verwijderd. De
tweede filter toetst de betrouwbaarheid van elke normaal af op basis van de afstand tot het best passende
vlak door de puntenwolk. Punten die verder liggen dan het vlak worden verwijderd. Dit zijn
hoofdzakelijk punten in de buurt van kleine details en scherpe randen (bv. in de buurt van dakranden).
Voor deze punten worden de normalen iteratief verfijnd om scherpe randen beter te benaderen.
Afhankelijk van het gemodelleerde algoritme of van de gebruikte software, kan de data naar een mesh
geconverteerd worden. (Tang et al., 2010; Van Genechten et al., 2009; Wang, Cho & Kim, 2015)
3.3.2.2 Fotogrammetrie
Om uit de foto’s een puntenwolk te creëren, moeten deze eerst gealigneerd worden aan de hand van
stereoparen. Tijdens het aligneren worden markers aangeduid om fouten afkomstig uit de lucht,
obstakels of mensen te vermijden. (Prieto & Ramos, 2015) Het aantal gebruikte foto’s hebben een groot
effect op het aantal bekomen tie points. Er kunnen datafouten ontstaan afkomstig uit licht- en/of
parallaxfouten door de gebruiker. Daarnaast is het slagen van het aligneren ook afhankelijk van de
detailleringsgraad op de foto’s. Bijvoorbeeld barsten in stenen zijn een goede herkenning tijdens het
aligneren, hoewel een terugkerend motief voor moeilijkheden zorgt. Door te aligneren worden de
15
cameraposities, de oriëntatie van iedere foto en de onderlinge relatie tussen de foto’s geschat en wordt
een schaarse puntenwolk gegenereerd. Vervolgens wordt op basis van de geschatte cameraposities en
oriëntatie een dichte puntenwolk gegenereerd. (Image based scanning, z.j.; Remondino, 2011) Nadat de
puntenwolk gecreëerd is, kunnen hierop dezelfde filters toegepast worden als deze besproken in de
paragraaf over laserscanning (zie 3.3.2.1, p. 14).
3.3.3 Modelleren
3.3.3.1 Inleiding
Nadat de data van de puntenwolken geregistreerd, gekuist en eventueel gecombineerd zijn, start het
modelleringsproces. Het modelleren van de data tot vormen en objecten op een puntenwolk of op een
mesh heeft betrekking op het toekennen van texturen en het LoD. (Remondino, 2011) Het modelleren
gebeurt handmatig of semi automatisch. Bij handmatig modelleren wordt een object gemaakt zonder de
puntenwolk effectief te gebruiken, maar als onderlegger. De puntenwolk wordt gebruikt om handmatig
objecten op te tekenen, maar niet om objecten van te maken, terwijl semi automatisch modelleren wel
de puntenwolk gebruikt om er vormen in te “fitten”. Op die manier wordt de puntenwolk gebruikt om
vormen te herkennen en afmetingen uit af te leiden. Het gebruiken van doorsneden uit de puntenwolk
om ze te extruderen, alsook het vervaardigen van een object uit een mesh behoren tot het semi
automatisch modelleren. (Chiabrando, Sammartano & Spanò, 2016)
Het proces van modelleren verloopt niet altijd eenvoudig en is afhankelijk van de kwaliteit van de
puntenwolk. De verwerkingstijd van de gegevens, die liefst zoveel mogelijk geautomatiseerd verloopt,
moet ook een voldoende mate van nauwkeurigheid behalen. Het verkregen 3D-model moet met andere
woorden een representatieve voorstelling zijn van het gebouw en een eenvoudig te gebruiken
communicatiemiddel vormen tussen de verschillende actoren. (Remondino, 2011)
Er bestaan verschillende software om de data te modelleren, maar door de grote hoeveelheid aan data
met een bepaalde resolutie ondervinden de meeste software moeilijkheden om de puntenwolk te
visualiseren en bewerkingen op uit te voeren. De complexiteit kan ook voor moeilijkheden zorgen,
waardoor 3D-modellen vaak in meerdere LoD’s gemaakt worden. (Antón et al., 2018) De meest
populaire, commerciële software, die bij het modelleren van cultureel erfgoed gebruikt worden, zijn
GraphiSoft, ArchiCAD, Autodesk Revit ®, Bentley MicroStation V8i en Tekla Structures (Logothetis,
Delinasiou & Stylianidis, 2015). Naast de keuze van de software, worden ook vaak extra plug-ins
gebruikt.
16
3.3.3.2 Het modelleren van een 3D-puntenwolk
Vertrekkend van een geregistreerde en gekuiste puntenwolk zijn er drie stappen die tot het
modelleringsproces behoren:
1) het modelleren van de geometrie
2) het modelleren, het herkennen en het indelen van objecten in categorieën
3) het modelleren van de relaties tussen de objecten
(Chiabrando, Sammartano & Spanò, 2016)
Bij het modelleren van vormen en objecten uit hun 3D-puntenwolk, waarbij eventuele onderlinge
combinaties mogelijk zijn, is er een keuze tussen:
- Parametrisch en niet-parametrisch modelleren:
• Parametrisch: een model dat de vorm van het object beschrijft aan de hand van een
aantal parameters. Bij een cilinder is dit bijvoorbeeld de straal, de omwentelingsas, het
begin en het einde van de vorm;
• Niet-parametrisch: een model zonder gebruik te maken van parameters, zoals een mesh;
- Globale of lokale dimensie:
• Globaal: de vorm van het volledige object wordt beschreven;
• Lokaal: de vorm van een deel van het object wordt beschreven, bijvoorbeeld een
complex geometrische vorm wordt in verschillende samenstellende delen gescheiden;
- Expliciet en impliciet:
• Expliciet: de objectvorm wordt direct gecodeerd (meestal door een mesh) en de 3D-
vorm wordt direct gemodelleerd;
• Impliciet: de objectvorm wordt indirect gecodeerd en er wordt een tussentijdse
weergave gecreëerd. Dit is vooral interessant bij 3D-objectherkenning en classificatie.
(Chiabrando, Sammartano & Spanò, 2016; Tang et al., 2010)
Naast de keuze van de modelleringswijze kunnen bij het modelleren van vormen en objecten ook
verschillende modellen aangemaakt worden. Het zijn modellen op basis van geometrische primitieven,
op mesh gebaseerde modellen en hybridemodellen. (Macher, Landes & Grussenmeyer, 2017) Het doel
van het geometrisch modelleren is het creëren van vereenvoudigde voorstellingen van
gebouwcomponenten door geometrische primitieven (bv. cilinders, kegels en bollen) aan de puntenwolk
toe te kennen. Mesh modellen worden bij complexe oppervlakken, bijvoorbeeld decoratieve elementen
of bij een hoge LoD gebruikt. (Tang et al., 2010) Als laatste worden de hybridemodellen gebruikt indien
verschillende LoD’s vereist zijn. Bij historische gebouwen komen zowel geometrische primitieven als
verfijnde details voor, waardoor hybridemodellen de vaak gebruikte modellen zijn. (Macher, Landes &
Grussenmeyer, 2017)
17
De tweede stap binnen het modelleringsproces is het herkennen van objecten op basis van hun materiaal
en hun vorm. Dit heeft betrekking op objectidentificatie en het onderscheid maken tussen wat de
gebruiker effectief ziet en hoe dit wordt overgebracht in de software als in de plug-in. Er worden
afbeeldingen gebruikt om de kleur, de textuur en de structuur van de objectelementen af te leiden, te
identificeren en te classificeren. De manier van objectherkenning verschilt naargelang de geometrische
complexiteit, het vereiste LoD, de gebruikte meetmethode, de gegevensindeling en de verwerkingstijd.
Na de objectherkenning wordt nagedacht over de vormrepresentatie, de vormaanpassing en de
vormclassificatie. (Cheng, Yang & Yen, 2015; Chiabrando, Sammartano & Spanò, 2016)
Eenmaal het object wordt herkend, kunnen de gemodelleerde componenten worden gelabeld met
objectcategorieën (bv. muur, dak en kolom) en met extra meta-data, zoals materiaalkarakteristieken en
relaties. Tijdens het labelen kan aangegeven worden dat een vloer haaks op een muur staat, dat de vloer
evenwijdig loopt met het plafond, dat een deurlijst altijd in een muur wordt geplaatst en dat het deurblad
evenwijdig moet zijn aan de muur waarin ze is geplaatst. Gedurende het herkenningsproces, waarbij een
oppervlak als vloer wordt herkend, stelt het algoritme binnen de software vast dat enkel de oppervlakken
die loodrecht op de vloer staan een muur of een deur kunnen zijn en geen plafond. Door eerst de
gemakkelijke, herkenbare objecten te detecteren, wordt het herkennen van meer complexe objecten
eenvoudiger. (Tang et al., 2010)
Na het modelleren van de geometrie en de objectherkenning, volgt de laatste stap binnen het
modelleringsproces waarbij de objecten door hun topologie beschreven worden. Topologische gegevens
verwijzen naar de informatie over de ruimtelijke relaties tussen objecten. De relaties zijn van belang om
kenmerken binnen het model te definiëren, wat ook invloed heeft op de objectherkenning. (Chiabrando,
Sammartano & Spanò, 2016; Macher, Landes & Grussenmeyer, 2017)
Er bestaan drie verschillende vormen van topologische relaties. Verbindingsrelaties geven aan welke
objecten en waar deze objecten verbonden zijn met een ander object. Vervolgens codeert de
containment- of de aggregatierelatie de locaties van componenten die in elkaar passen, zoals ramen en
deuren in een muur. Als laatste bestaat de directionele relatie om bijvoorbeeld op te wijzen dat het
tweede verdiep zich boven het eerste verdiep bevindt. Relaties tussen componenten worden ofwel
manueel ofwel op een semi automatische manier verwezenlijkt. De semi automatische manier zorgt
ervoor dat de software de componenten in een rakende positie automatisch met elkaar verbindt. (Tang
et al., 2010)
3.3.3.3 Het toekennen van een LoD
Afhankelijk van het type doel voor ogen (onderhoud, herontwikkeling, renovatie of restauratie) wordt
een ander Level of Detail en Level of Development binnen het model vastgelegd. Het
nauwkeurigheidsniveau van het gekozen LoD is afhankelijk van het gebruik (residentieel, commercieel
of als kantoor), de leeftijd (nieuw, bestaand of een historisch erfgoed) en het eigendom (publiek of
18
privaat) van het gebouw. Het Level of Detail toont aan hoeveel details in het model zijn opgenomen.
Het Level of Development geeft aan in hoeverre de geometrie met de bijgevoegde informatie doordacht
is. (Biagini et al., 2016) Afhankelijk van het toegekende LoD kunnen actoren vertrouwen op de
informatie uit het BIM (Cheng, Yang & Yen, 2015; Wat is BIM, z.j.).
Er is sprake van de volgende LoD’s (Figuur 7):
- LoD 100: elementaire representatie
- LoD 200: generieke modellen
- LoD 300 + 350: uitvoerende planning (zichtbaar correct)
- LoD 400: bouwplanning (zo correct om het gebouw te kunnen plaatsen)
- LoD 500: as-built
(Chiabrando, Sammartano & Spanò, 2016)
Figuur 7: Level of Detail (Carvalho Lima, 2015)
De inspanning om een LoD 500 te bekomen kan hoog zijn, daarom is het van belang om het LoD op
voorhand af te spreken. Een te hoog LoD is vaak overbodig met betrekking tot de functies waarvoor het
BIM moet dienen. (Carvalho Lima, 2015)
3.3.3.4 Vergelijking BIM-software
BIM-software wordt in vier groepen opgedeeld. De data wordt in BIM authoring tools, zoals in
Graphisoft ArchiCAD, Autodesk Revit ® of Tekla ingeladen en het gebouwmodel wordt getekend en
gevisualiseerd. Simulatie- en analysetools vormen de tweede groep binnen de BIM-software, zoals
SCIA Engineer, AECOsim of IES SunCast. Afhankelijk van het gebruikte programma worden modellen
vanuit de authoring tool in de simulatietool gemodelleerd of geïmporteerd. De derde soort software
wordt als controle en coördinatie van het gebouwmodel gebruikt, waarbij 4D- (tijd) en 5D-
(kostenbepaling) schema’s opgesteld worden. Naviswork is een voorbeeld van coördinatie-software en
Solibri Model Checker (SMC) is een voorbeeld van controle-software. De laatste groep bevat
collaboratieplatformen, zoals Autodesk BIM 360, BIMServer of Chapoo. Deze software wordt niet
19
gebruikt om een model te wijzigen, maar hoofdzakelijk voor het extern delen en het bekijken van
gebouwinformatie. (Van Breedam, 2016-2017)
Uit cijfergegevens blijkt dat Revit ® en ArchiCAD de meest gebruikte BIM-software zijn (Building
information modelling BIM, 2018). Om die reden wordt verder een vergelijking gemaakt tussen deze
twee als BIM-software.
Revit ® en ArchiCAD bevatten allebei tools om automatisch hoeveelheden uit het model af te leiden.
Deze Quantitative TakeOff (QTO)-functie van Revit ® is eenvoudiger maar minder krachtig in
vergelijking met ArchiCAD. Dit komt doordat Autodesk hier zelf een software voor ontwikkeld heeft,
namelijk de Autodesk Quantity TakeOff. De uitvoering van de QTO-functie van Revit ® en ArchiCAD
zijn gelijklopend. De gebruiker selecteert de te meten parameters en omschrijft de meetparameters. De
Revit interface verschilt met de ArchiCAD interface, doordat ArchiCAD meer gebruiksvriendelijk is en
voorzien is van meerdere opties. (Monteiro & Martins, 2013)
ArchiCAD heeft meer vooraf gedefinieerde parameters in vergelijking met Revit ®. Om objecten te
modelleren werkt ArchiCAD met een script Geometric Language Description (GDL). Met GDL kunnen
ook nieuwe meetparameters geprogrammeerd worden, maar dit is geen eenvoudige taak voor de
gebruiker. Ondanks Revit ® minder vooraf gedefinieerde paramaters heeft, is het wel eenvoudiger voor
de gebruiker om via gedefinieerde formules extra meetparameters te maken. (Logothetis, Delinasiou &
Stylianidis, 2015; Monteiro & Martins, 2013)
De tabellen gaande over de eigenschappen van de objecten worden in ArchiCAD als een excelbestand,
een PDF of een DWF opgeslagen. Revit ® exporteert alleen de tabellen in een txt bestand waarbij het
bestand vaak verder verwerkt wordt om dit in latere fasen te gebruiken. Zowel Revit ® als ArchiCAD
importeren en exporteren IFC-bestanden. (Monteiro & Martins, 2013)
De kostprijs van Revit ® is iets goedkoper dan ArchiCAD. Voor Revit 2018 ® met een looptijd van 12
maanden betaalt de gebruiker € 2.913, voor ArchiCAD betaalt de gebruiker € 3.000 met een
abonnementskost van € 480. (Products, z.j., Revit, 2018)
3.4 De combinatie van laserscanning en fotogrammetrie bij het creëren van een BIM
De meest efficiënte en praktische manier om historische sites op te meten, is door laserscanning en
fotogrammetrie te combineren. Laserscanners verzamelen een grote hoeveelheid 3D-data met een hoge
resolutie. Digitale fotogrammetrie zorgt voor afbeeldingen waar de texturen met hoge resolutie zichtbaar
zijn. De kwaliteit van de kleureninformatie bij laserscanning is doorgaans lager. (Kadobayashi et al.,
2004)
20
Verschillende elementen van de meettechnieken (zoals kost, tijd, omgevingscondities, nauwkeurigheid
en efficiëntie) worden ten opzichte van elkaar afgewogen. Hierdoor worden meettechnieken met elkaar
gecombineerd om de beperkingen van de individuele technieken grotendeels te elimineren.
(Kadobayashi et al., 2004; Volk, Stengel & Schultmann, 2014)
Van de Byzantijnse ruïnes voor de kust van Turkije werd een HBIM gemaakt. De ruïnes werden in
combinatie van laserscanning en fotogrammetrie opgemeten (productspecificaties Tabel 1 en 2).
Fotogrammetrie werd als aanvulling op laserscanning gebruikt, doordat de RGB-kleuren van de scanner
een te lage kwaliteit had om de details, naar vorm en kleur toe, van de mozaïekvloer te scannen. Doordat
de afbeeldingen uit de scanner over de 3D-puntenwolk werden gelegd, had het 3D-model weinig textuur.
De kwaliteit van de kleureninformatie van de afbeeldingen uit de scanner werd met behulp van
fotogrammetrie verbeterd (Figuur 8). (Kadobayashi et al., 2004)
Tabel 1: Productspecificaties Riegl LPA-25HA (Kadobayashi et al., 2004)
Productspecificaties Riegl LPM-25HA
Type Pulsscanner
Meetbereik 2-60 m
Meetnauwkeurigheid ~ 8 mm
Meetresolutie 1 mm
Maximale scansnelheid 1.000 punten/seconde
Gezichtsveld (maximum)
- Horizontaal
- Verticaal
180°
150°
Tabel 2: Productspecificaties DCS Pro Back (Kadobayashi et al., 2004)
Productspecificaties DCS Pro Back
Cameraresolutie 16 megapixels
Sensortype CCD
Sensorgrootte 36,86 x 36,86 mm
Maximaal beeldresolutie 4.072 x 4.072
21
Figuur 8: Links: model uit laserscanner, rechts: model uit laserscanner aangevuld met fotogrammetrie
(Kadobayashi et al., 2004)
22
4 Doelstellingen
Aan de hand van de geformuleerde probleemstelling en de literatuurstudie wordt het doel van het
onderzoek als volgt samengevat: “De drempel verlagen tot het gebruik van een BIM in de erfgoedsector,
waarbij meer inzicht dient verschaft te worden in het gebruik van puntenwolken bekomen met TLS en
SfM.”
Het onderzoek heeft als doel een antwoord te bieden op de vraag welke data-acquisitie techniek het
meest geschikt is om puntenwolken te genereren, standalone of gecombineerd met een andere methode,
die de basis vormt voor de HBIM modellering. Vervolgens wordt onderzocht of deze data met een hoge
geometrische graad van detail te modelleren zijn. Verder wordt onderzocht hoe de puntenwolken op een
efficiënte wijze gemodelleerd worden en of er een mogelijkheid bestaat tot semi automatisatie.
23
5 Methode
Om de onderzoeksvragen te beantwoorden, werd een casestudy uitgevoerd op het kasteel Borluut te
Sint-Denijs-Westrem (Gent). Om tot een HBIM te komen, werd eerst de data, die de as-is toestand van
het gebouw voorstelt, vergaard. De verzamelde data door terrestrische laserscanning en close range
digitale fotogrammetrie werd verwerkt tot geregistreerde, gekuiste en gecombineerde puntenwolken,
waarna deze onderling vergeleken werden. Er werd onderzocht in welke mate deze twee methodes
elkaar aanvullen of waar ze eventueel tekorten hebben. Daarnaast werd ook afgetoetst of de twee
methodes beter standalone of gecombineerd ingezet werden. De efficiëntie van beide methodes en
moeilijkheden werden naar data-acquisitie en verwerking ten opzichte van elkaar afgewogen. De
afwijkingen ten opzichte van elkaar, de modelleerbaarheid naar het hoogst haalbare geometrische LoD
en de resolutie werden ook vergeleken.
Nadat de meest geschikte puntenwolk van het historisch gebouw verkregen werd, werden methodes
onderzocht om van deze data naar een model over te gaan, waarbij op methodes werd ingegaan die het
modelleringsproces eenvoudiger en efficiënter maakten en om tot semi automatisatie over te gaan. Deze
semi automatische methodes werden ten opzichte van elkaar vergeleken door een historisch element te
modelleren, waarbij naar de originele puntenwolk teruggekoppeld werd. Ten slotte werd een
binnenruimte met de hoogste graad van detail gemodelleerd om de programma’s en methodes verder te
onderzoeken.
24
6 Onderzoek
Om de onderzoeksvragen te beantwoorden, werd een casestudy uitgevoerd op het neoclassicistisch
kasteel Borluut gebouwd rond 1858 te Sint-Denijs-Westrem. Sinds 1997 is het kasteel samen met het
park en de kasteeldreef een beschermd monument. (Agentschap Onroerend Erfgoed, 2016; Kasteel
Borluut, 2017) De stad Gent beschikt over AutoCAD plannen van het kasteel. Deze plannen zijn echter
geen “slimme” bouwdocumentatie, wat wel vereist is naar restauratie en renovatie toe. Vandaar de vraag
naar een HBIM, waarbij het stadsbestuur meer zicht krijgt op de gebruikte materialen, de hoeveelheden
aan materiaal en graad van detail waarmee het kasteel gemodelleerd werd.
De twee meetmethodes, laserscanning (TLS) en fotogrammetrie (SfM), werden toegepast op het kasteel.
Vervolgens werden de verkregen puntenwolken met elkaar vergeleken en gecombineerd. Met de
verwerkte data werd in Revit ® de aanzet tot de vervaardiging van een HBIM gerealiseerd. Meerdere
methodes werden onderzocht om het grotendeels manuele modelleringsproces te semi automatiseren.
6.1 Data-acquisitie
6.1.1 Laserscanning
Voor de meting van de buiten- en binnenkant van het kasteel werd een pulsscanner Leica Scanstation
C10 gebruikt, waarbij Tabel 3 de productspecificaties opsomt. De voorgevel werd met een resolutie van
1 cm gescand. De andere buitengevels en de binnenkant werden met een resolutie van 6 mm gescand.
Aangezien de registratie van de verschillende puntenwolken gebaseerd was op target-to-target, werden
de natuurlijke en kunstmatige targets met een resolutie van 1 mm gescand. Eerst werden de kunstmatige
targets grof gescand, daarna herkend door de scanner om ze vervolgens fijn te scannen en als laatste stap
een label aan toe te kennen. Om de koppeling tussen de buiten- en binnenkant van het kasteel mogelijk
te maken, werden vijf gemeenschappelijke, kunstmatige targets gescand. Algemeen werd naar minstens
vier gemeenschappelijke targets gestreefd tussen de verschillende deelscans. Vervolgens werden de
andere binnenruimten gescand. In Bijlage 9.1 op p.104 worden de opstelposities van de scanner langs
de buitenkant van het kasteel weergegeven met de aanduiding van de twee natuurlijke en twee
kunstmatige targets om de koppeling tussen station 1 en 2 mogelijk te maken.
25
Tabel 3: Productspecificaties Leica Scanstation C10 (Productspecificaties, z.j.)
Productspecificaties Leica Scanstation C10
Type Puls
Maximaal bereik 300 m (minimum bereik 0,1 m)
Maximale scansnelheid 50.000 punten/seconde
Gezichtsveld (maximum)
- Horizontaal
- Verticaal
360°
270°
Scanresolutie
- Spotgrootte
- Punt spatiëring
Vanaf 0 – 50 m: 4,5 mm
Zowel horizontaal als verticaal volledig
instelbaar; < 1 mm minimum spatiëring, over
het volledig bereik; stilstand op individueel punt
is mogelijk
Bij de data-acquisitie wordt steeds gelet op de instelling van de resolutie, waarbij een afstand onder een
bepaalde hoek ingesteld wordt (“hoekresolutie”). Om een puntenwolk te scannen, wordt bij een
laserscanner de laserstraal omgebogen. Per punt dat gescand wordt, wordt de hoek telkens met de
ingestelde hoek verdraaid. De ingestelde resolutie wordt enkel in een bolvorm rond de laserscanner
gehaald. Op deze manier wordt een vlak niet met dezelfde resolutie gescand. In Figuur 9 wordt de
resolutie ingesteld loodrecht ten opzichte van de muur. Alles wat hoger of lager ten opzichte van het
middelpunt gescand wordt, verlaagd in resolutie. Daarom is het van belang om de resolutie in te stellen
op het verste punt van de scanner verwijdert. Op deze manier is de resolutie voor het volledige object
hoger dan de ingestelde resolutie.
Figuur 9: Principeschets verandering afstand tussen opgemeten punten bij een vlak bij ingestelde
hoekresolutie
26
6.1.2 Fotogrammetrie
Voor het fotograferen van de buiten- en binnenkant van het kasteel werd de Canon EOS 1100D gebruikt.
Dit is een niet-metrische camera door de verdraaibare lens. Tabel 4 somt de eigenschappen van de
camera op.
Tabel 4: Productspecificaties Canon EOS 1100D (Canon EOS 1100D, 2018)
Productspecificaties Canon EOS 1100D
Cameraresolutie 12,2 megapixels
Sensortype CMOS
Sensorgrootte 22,2 x 14,8 mm
Sensorformaat APS-C (cropfactor 1,6x)
Sensor resolutie 4.278 x 2.852
Maximaal beeldresolutie 4.272 x 2.848
Automatische en handmatige focus
Het kasteel werd langs de buitenkant op een afstand van ± 11 m (horizontale afstand volgens de
meetband) gefotografeerd met een onderlinge overlap van 60 % in horizontale en verticale richting en
een brandpuntafstand van 35 mm. Aangezien de foto’s verwerkt werden met Agisoft Photoscan
(Photoscan) (zie 6.2.2, p.34-37) werden de aanbevelingen over een focusafstand van 50 mm gevolgd
om breedbeeldfoto’s te vermijden. Volgens de specificaties van de gebruikte camera en rekening
houdend met de cropfactor werd de focusafstand op 35 mm ingesteld2. Bij deze afstand waren de details
en de karakteristieke punten goed te onderscheiden. Een grotere afstand heeft een invloed op de
zichtbaarheid van de details. Een kleinere afstand zorgt voor een groter aantal foto’s wat een negatieve
invloed heeft op de verwerkingstijd en de alignment bemoeilijkt. De foto’s werden zo loodrecht
mogelijk genomen.
De buitengevel werd gefotografeerd op een afstand van 12,1 m (gemiddelde van horizontale en schuine
afstand, berekend door Photoscan) en met een focuslengte van 35 mm, dat overeenkomt met een
2 De cropfactor duidt aan in welke mate de beeldsensor van een fototoestel groter of kleiner is dan een 35 mm-
negatief van de camera (referentieformaat). Hier bedraagt de cropfactor van de camera 1,6. Om hetzelfde
beeldformaat te bekomen als een 35 mm negatief dient de focusafstand niet op 35 mm geplaatst te worden, maar
op 35 mm/ 1,6. Om het geschikte beeldformaat volgens Agisoft Photoscan te bekomen, dient de focusafstand niet
op 50 mm gezet te worden bij de gebruikte camera, maar op 35 mm ( ≈ 50 mm / 1,6). (Santosi et al., 2017)
27
grondresolutie van 1,75 mm (zie 6.3.1, p.38). De binnenkant werd gefotografeerd op een afstand van 5
m en 18 mm focuslengte, dat overeenkomt met een grondresolutie van 1,6 mm.
De koppeling tussen de buiten- en binnenkant werd gemaakt door opnieuw een deel van de buitengevel
samen met het openstaand raam kijkend naar een wand van de binnenruimte te fotograferen. In Figuren
20 en 21 (zie 6.2.2.3, p.36) worden de cameraposities weergegeven. De cameraposities werden steeds
dichter naar de gevel toe gelegd tot de camera voldoende inkijk had in de binnenruimte. Deze
binnenruimte werd ook afzonderlijk gefotografeerd volgens de manier opgelegd door Photoscan (Figuur
10).
Figuur 10: Opnameposities binnenkant SfM (Agisoft Photoscan, 2016)
6.2 Data verwerken
6.2.1 Laserscanning
6.2.1.1 Registratie
In Leica Cyclone werd de koppeling tussen de verschillende gemeenschappelijke natuurlijke en
kunstmatige targets uit iedere scanpositie gemaakt. De natuurlijke targets werden handmatig aangeduid
en benoemd. De kunstmatige targets werden op het terrein gelabeld.
Er werd voor het verwerkingsprogramma Leica Cyclone (Cyclone) gekozen, aangezien de gebruikte
scanner van het merk Leica is. Het labelen van de kunstmatige targets gaat bij een ander
verwerkingsprogramma verloren. Door gebruik te maken van Cyclone verloopt de registratie bij target-
to-target semi automatisch. De gebruiker labelt enkel de targets, de software aligneert de puntenwolken
aan de hand van de labelnamen. Een voorbeeld van een registratie is te vinden in Bijlage 9.2 op p.105-
106, waarbij de registratierapporten van de twee meetdagen langs de binnenkant ingevoegd zijn.
28
6.2.1.2 Moeilijkheden
Als eerste zijn de posities van de natuurlijke en de kunstmatige targets van groot belang om de
koppelingen tussen de verschillende puntenwolken mogelijk te maken. Cyclone geeft de puntenwolken
in verschillende kleuren weer aan de hand van de intensiteitswaarde van de teruggekaatste laserstraal,
gaande van blauw tot rood. Punten met een rode kleur wijzen op een slechte weerkaatsing, waardoor de
nauwkeurigheid door ruis wordt aangetast. Een lage reflectie wordt door de objecteigenschappen en de
scanpositie beïnvloed.
Figuur 11 toont de invloed van de scanpositie, waarbij de invalshoek te scherp was zodat de linkerzijde
niet als aanduiding van een natuurlijke target werd gebruikt. Daarentegen werd de rechterzijde wel door
de loodrechte opname gebruikt als natuurlijke target. Figuur 11 toont duidelijk dat de rechterzijde met
een goede reflectiviteit werd gescand in tegenstelling tot de linkerzijde.
Figuur 11: Aanduiding verschil in reflectie bij niet loodrechte scanpositie
Als tweede heeft het materiaal van het gescande oppervlak ook invloed op het al dan niet kunnen
aanduiden van het oppervlak als natuurlijke target. In Figuur 12 wordt een detail van een hoekpunt van
een marmeren (met transparante laag) haard afgebeeld. De hoek van de haard was niet te herkennen
door de grote hoeveelheid aan ruis, waardoor de hoek niet als natuurlijke target werd opgenomen.
Figuur 12: Detail hoekpunt van marmeren haard
29
6.2.1.3 Filters
Leica Cyclone
Allereerst werd unify clouds binnen Cyclone uitgevoerd. Door unify werd de puntenwolk die bestond
uit verschillende deelscans in een puntenwolk samengevoegd. Een gemiddelde point spacing werd
ingegeven, die betrekking heeft op de gemiddelde resolutie van de puntenwolk. De natuurlijke targets
hadden een resolutie van 1 mm, de voorgevel had een resolutie van 10 mm en de andere gevels en de
binnenkant hadden een resolutie van 6 mm. Het grootste deel van de puntenwolk werd opgenomen met
een resolutie van 6 mm. Om die reden werd besloten om een point spacing van 6 mm te nemen, waardoor
de resolutie van de natuurlijke targets daalt, maar dit was voldoende om verdere bewerkingen uit te
voeren. De resolutie van het grootste deel van de puntenwolk werd niet vergroot, maar de puntenwolk
werd op basis van de natuurlijk targets met 28 % uitgedund. Naast de unify kunnen ook vier segmentatie
tools uitgevoerd worden.
In Cyclone werden volgende segmentaties onderzocht:
- Segment Cloud by Intensity
- Segment Cloud by Distance from Point
- Segment Cloud by Offset from Plane
- Segment Cloud Near reference Plane
Onder segmentatie wordt het opdelen van een puntenwolk in aparte puntenwolken verstaan. Door te
segmenteren wordt de puntenwolk weer opgesplitst (na de unify uit te voeren), maar nu bepaalt de
gebruiker hoe de opdeling gebeurt.
Bij Segment Cloud by Intensity wordt een intensiteitswaarde ingegeven. Ten opzichte van een aangeduid
referentiepunt op de puntenwolk selecteert de tool alle punten die een intensiteit hebben lager dan de
ingestelde waarde. Dit kan gebruikt worden om automatisch materialen te segmenteren met een bepaalde
reflectiviteitswaarde zoals marmer. Deze techniek is echter niet sluitend aangezien ook andere
materialen, die onder een scherpe hoek gescand werden, gesegmenteerd worden. Figuur 13 toont aan
dat niet enkel de marmeren haard werd geselecteerd maar ook de gordijnen en de vloer. De gordijnen
reflecteren de laserstraal slecht doordat het stof absorbeert. De vloer is donker van kleur, wat de
reflectiewaarde verlaagt. Doordat deze ook nog onder een scherpe invalshoek werd opgenomen ten
opzichte van de scanner, werd deze ook geselecteerd.
30
Figuur 13: Segment Cloud by Intensity
Segment Cloud by Distance from Point segmenteert ten opzichte van een aangeduid referentiepunt met
een ingesteld minimum en maximum straal alle punten binnen het opgegeven interval (Figuur 14, links).
De derde segmentatie, Segment Cloud by Offset from Plane, tekent door een aangeduid referentiepunt
een vlak. Ten opzichte van de ingestelde minimum- en maximumhoogte segmenteert de filter alle punten
binnen het opgegeven interval (Figuur 14, rechts).
Figuur 14: Links: Segment Cloud by Distance from Point, rechts: Segment Cloud by Offset from Plane
De laatste segmentatie, Segment Cloud Near reference Plane, werkt ook met een referentiepunt. Er
wordt een hoogte ingesteld tot waar de filter, gerekend vanaf het referentiepunt, mag selecteren (Figuur
15).
31
Figuur 15: Segment Cloud Near reference Plane
De tweede en de derde segmentatie tool werken volgens hetzelfde principe. De twee tools selecteren
punten in een interval tussen de minimum- en maximumwaarde ten opzichte van een aangeduid
referentiepunt. Het verschil tussen beide is dat de tweede tool met een bol werkt en de derde met een
referentievlak. Deze tools zijn nuttig in het verwijderen van voor- en achtergrondruis, waarbij het
gescande object behouden blijft (Figuur 16).
Figuur 16: Segment Cloud by Distance from Point, segmenteren van te behouden punten
CloudCompare
Aangezien CloudCompare gratis ter beschikking wordt gesteld en dienst doet om puntenwolken te
vergelijken, te combineren en intelligent te kuisen, werden de filters Subsample, SOR en noise uit
CloudCompare toegepast op de puntenwolk.
32
Subsample legt een minimale resolutie vast, waarbij het de bedoeling was om de natuurlijke targets
verder uit te dunnen. Bij subsample moet een minimumafstand tussen de punten ingegeven worden.
Door unify werd de gemiddelde resolutie naar 6 mm gebracht. Nog delen van de puntenwolk die geen
natuurlijke target waren, hadden een resolutie die minder dan 6 mm bedroeg. Dit komt doordat de
resolutie van de scanner voor een bepaalde referentieafstand op 6 mm werd gelegd. Scannen met een
kortere afstand geeft een hogere resolutie, in tegenstelling tot scannen op een verdere afstand. Door dit
fenomeen werd soms een resolutie van 4 mm vastgesteld, die best tijdens het modelleringsproces
behouden bleef. Daarom werd de minimale resolutie bij subsample op 3 mm ingesteld. Hierdoor werden
enkel de natuurlijke targets verder uitgedund naar een minimale resolutie van 3 mm (Figuur 17). De
puntenwolk werd na de unify nog met 52 % uitgedund.
Figuur 17: Links: natuurlijke target na unify clouds (1,5 mm resolutie), rechts: na subsample (3 mm
resolutie)
Statistical Outlier Removal (SOR) is een filter die op een statische manier losliggende punten verwijdert.
SOR berekent de gemiddelde afstand van elk punt ten opzichte van een aantal dichtstbijzijnde buren.
De gebruiker geeft het aantal buren en het aantal keer de standaarddeviatie in. Op basis van de
verschillende, gemiddelde afstanden van ieder punt ten opzichte van zijn buren wordt een totale,
gemiddelde afstand berekend. De gebruiker beslist in hoeverre hierop nog een standaarddeviatie in
rekening wordt gebracht om uiteindelijk de maximale toegelaten afstand te bepalen van elk punt tot zijn
dichtstbijzijnde buren.
Formule maximaal toegelaten afstand = totale, gemiddelde afstand + n * standaarddeviatie
Punten met een gemiddelde afstand groter dan de maximaal toegelaten afstand worden verwijderd. Zo
worden losliggende punten verwijderd. (SOR filter, 2015)
Er werd onderzocht wat de invloed was van de parameters die de gebruiker op de puntenwolk ingaf. Er
werd geconcludeerd dat de gebruiker minstens zes buren diende in te geven om tot een goed resultaat te
komen. Hoe hoger dit getal, hoe meer punten verwijderd worden. Om die reden werd het aantal buren
op zeven genomen, waarbij voldoende ruis verwijderd werd zonder de karakteristieke punten aan te
tasten. Om diezelfde reden werd de standaarddeviatie op 1,20 ingesteld. Hierdoor werd de puntenwolk
verder met 1% uitgedund.
33
-25 %
De noise filter berekent geen gemiddelde afstand tot punten, zoals bij de SOR filter, maar wel de
gemiddelde afstand tot een onderliggend vlak. De filter werkt met een algoritme om plaatselijk een
passend vlak te “fitten”. Indien een punt te ver van het vlak gelegen is, wordt het punt verwijderd. De
gebruiker geeft een straal (moet minstens zes buren omvatten) of een aantal buren in om het oppervlak
te bepalen. Daarnaast kiest de gebruiker ook om te werken met een relatieve fout (zoals bij de SOR
filter) of met een absolute fout. De ingegeven waarde bij de fout heeft betrekking op de afstand van het
punt tot het vlak om te kunnen beslissen of een punt al dan niet wordt verwijderd. Als laatste wordt ook
gekozen om de geïsoleerde punten (minder dan drie gemeenschappelijke punten binnen de straal) te
verwijderen. (Noise filter, 2015)
Er werd geconcludeerd dat de ingegeven straal best 0,020 bedroeg. Enerzijds mocht de straal niet te
klein zijn omdat anders karakteristieke punten verwijderd werden. Anderzijds mocht de straal ook niet
te hoog zijn, aangezien dan niet voldoende ruispunten verwijderd worden. Om diezelfde reden werd de
standaarddeviatie op 1,20 ingesteld. Als laatste werd ook gekozen om de geïsoleerde punten te
verwijderen, omdat dit ruispunten zijn. Op deze manier werd de puntenwolk nog eens met 25 %
uitgedund.
Tabel 5 geeft een overzicht weer met de toegepaste filters en de uitgedunde puntenwolk. De
oorspronkelijke puntenwolk was door de gebruiker al manueel gekuist. De toegepaste filters zorgden
ervoor dat de puntenwolk met 71 % werd uitgedund, zonder de globale resolutie aan te tasten.
Tabel 5: Overzichtstabel filters
Oorspronkelijke puntenwolk 407.040.243
Unify (m) Overgebleven puntenwolk
0,006 294.271.006
Subsample (m) Overgebleven puntenwolk
0,003 141.401.078
SOR Overgebleven puntenwolk
Aantal buren: 7
Standaarddeviatie: 1,20
140.122.694
Noise Overgebleven puntenwolk
Straal: 0,020
Relatieve fout: 1,20
Remove isolated points aanvinken
105.395.593
-28 %
-52 %
-1 %
34
6.2.2 Fotogrammetrie
De verwerking van de foto’s werd in Photoscan uitgevoerd. Photoscan is een SfM-software, welke bij
het onderzoek noodzakelijk was om de foto’s mee te verwerken aangezien de gebruikte camera een niet-
metrische camera is. Photoscan bepaalt de interne en externe parameters op basis van alle foto’s en niet
alleen door stereoparen. Photoscan is 30 dagen gratis te gebruiken met alle functionaliteiten en kan altijd
gebruikt worden in een demoversie (zonder opslaan en export mogelijkheden).
6.2.2.1 Masken en aligneren
De eerste stap binnen Photoscan zijn storende elementen op foto’s “masken” waardoor het “gemaskte”
deel niet in de puntenwolk werd opgenomen. Als tweede stap werden markers (karakteristieke punten)
aangeduid, die dienen enerzijds om de verschillende stereoparen aan elkaar te koppelen, waardoor het
aligneren eenvoudiger verloopt. Targets kunnen ook als markers gebruikt worden, maar door de grote
hoeveelheid aan karakteristieke punten binnen het historisch gebouw was dit geen vereiste. Bij de
koppeling tussen de buiten- en binnenkant werden markers aangeduid op de verste wand van de
binnenruimte. Dit zowel op de foto’s die enkel de wand in beeld bracht als op de foto’s waar een deel
van de buitengevel zichtbaar was.
Anderzijds maken markers de puntenwolk metrisch. Door markers op twee hoekpunten van bijvoorbeeld
een venstertablet te plaatsen en de opgemeten afstand in te geven, worden van deze twee markers een
scalebar gemaakt. Het metrisch maken werd bij verschillende elementen uitgevoerd, waardoor
uiteindelijk sprake was van een metrisch model. De scalebars werden in alle vrijheidsgraden geplaatst,
waardoor het model minder vatbaar was voor verdraaiingen.
Nadat voldoende markers aangeduid werden, werden de foto’s gealigneerd. Het aligneren werd op het
nauwkeurigheidsniveau high uitgevoerd. Hoe hoger de nauwkeurigheidsinstellingen hoe beter de
schattingen van de cameraposities doordat met het originele formaat van de foto’s wordt gewerkt. Een
lagere nauwkeurigheid werkt met een verlaagd formaat van de originele foto. Door te aligneren op een
hoge nauwkeurigheid is de kans het grootst om de overeenkomstige punten te vinden. (Agisoft
Photoscan, 2016; Remondino, 2011) Het resultaat was een schaarse puntenwolk (tie points). Hieruit
werden verkeerd gealigneerde cameraposities afgeleid. Door verder te masken, markers of foto’s toe te
voegen of te verwijderen, werd het probleem opgelost. Het werken met verschillende chunks kan ook
een oplossing bieden. Als laatste stap werd van de schaarse puntenwolk een dichte puntenwolk gemaakt,
wat in verschillende gradaties van detail kan.
35
6.2.2.2 Chunks
Indien te veel foto’s in een chunk gebruikt worden, kan het vereist zijn om met meerdere chunks in een
project te werken. De chunk wordt in meerdere chunks opgedeeld, waarbij het van belang is om
voldoende overlap te hebben tussen deze chunks door gemeenschappelijke foto’s te gebruiken en
markers aan te duiden in meerdere chunks.
Aanvankelijk werd voor de binnenruimte geopteerd om in een chunk te werken. Dit gaf echter
problemen aangezien bij de alignering een verdraaiing optrad, waarbij drie luchters ontstonden in plaats
van een luchter (Figuur 18). Photoscan aligneerde de drie fotoreeksen afzonderlijk correct, maar de
gehele alignering mislukte. Hierom werd geopteerd om de volledige chunk op te delen in drie chunks.
Elke afzonderlijke chunk werd correct gealigneerd en hierna werden de drie chunks samen gealigneerd.
Figuur 18: Verkeerde alignering bij de binnenruimte
6.2.2.3 Moeilijkheden
Na de moeilijkheden met de alignering voor de binnenruimte en de opdeling in chunks was er nog een
probleem dat diende opgelost te worden. In de eerste fase zorgde de koppeling van de buitenkant met
de binnenruimte voor een verdraaiing. Doordat langs de buitenkant enkel het bovenste deel van de wand
zichtbaar was, werden enkel hier markers op aangeduid. De verdraaiing werd opgelost door opnieuw
foto’s te nemen op een verhoog, waardoor de wand van de binnenruimte volledig zichtbaar was en
waarbij de markers over de volledige wand verspreid werden (Figuur 19).
Figuur 19: Links: zonder verhoog, rechts: met verhoog
36
De eerste koppeling werd met 545 foto’s uitgevoerd zonder een verhoog te gebruiken en de tweede
koppeling werd met 202 foto’s uitgevoerd met het gebruik van een verhoog. De koppling was uit te
voeren met minder foto’s en door het verhoog werd de verdraaiing uitgesloten. (Figuren 20 en 21)
Figuur 20: Koppeling zonder gebruik van een verhoog met 545 foto’s
Figuur 21: Koppeling met gebruik van een verhoog met 202 foto’s
37
6.2.2.4 Filters
Tussen de punten kunnen uitschieters aanwezig zijn, afkomstig uit ruis of slecht gefocuste of belichte
foto’s. Er zijn twee verschillende soorten filters in Photoscan om uitschieters te verwijderen. Mild depth
filtering wordt gebruikt wanneer kleine details van belang zijn, hierbij verwijdert de filter geen
detailpunten. De aggressive depth filtering wordt gebruikt wanneer detail niet van belang is, zo worden
de meeste uitschieters verwijderd. (Agisoft Photoscan, 2016) De mild depth filtering werd toegepast,
aangezien de details van belang waren. Op die manier bleef veel ruis aanwezig, dit werd op dezelfde
manier als bij de TLS puntenwolk verwijderd (zie 6.2.1.3, p.31-33).
6.2.2.5 Aligneren van afzonderlijke puntenwolken
Nadat de puntenwolk van de koppeling werd verkregen, werd met behulp van CloudCompare de
puntenwolken van de binnen- en buitenkant met elkaar gealigneerd. Eerst werd de buitenkant aan de
koppeling gealigneerd door middel van targets, op dezelfde manier werd de binnenruimte hieraan
gealigneerd (Figuur 22).
Figuur 22: Aligneren buitenkant met binnenkant
Om de binnenruimten net zoals bij laserscanning aan elkaar te koppelen, dient ook per ruimte een deel
van de andere ruimte gefotografeerd te worden. De koppeling van deze ruimten wordt in CloudCopmare
uitgevoerd. Om ramen en deuren te modelleren, dienen deze gesloten te zijn, welke tegenstrijdig is aan
de data-acquisitie van fotogrammetrie. Hierdoor worden steeds twee fotoreeksen genomen, een
fotoreeks om de koppeling te voltooien en een fotoreeks om ramen en deuren te modelleren.
38
6.3 Vergelijking puntenwolken van fotogrammetrie
Bij de data-acquisitie van de buitenkant van het kasteel werd geopteerd om met meer dan 60 % overlap
te werken om het aligneringsproces te vereenvoudigen door het hoger aantal karakteristieke punten
tussen de verschillende stereoparen. Het nadeel hierbij is dat het aligneringsproces en het uiteindelijk
realiseren van de puntenwolk langer duurt. Hierom werd een alignering uitgevoerd met het
oorspronkelijk aantal foto’s (1.638) en een alignering met een uitgedund aantal foto’s (990) totdat de
alignering in Photoscan niet meer mogelijk was. Beide puntenwolken werden op medium dichtheid
gegenereerd. Deze twee resultaten werden onderling op basis van verwerkingstijd, resolutie, aantal
punten en hoeveelheid ruis met elkaar vergeleken.
Vooraleer de vergelijking tussen beide werd uitgevoerd, werd de grondresolutie van de foto’s bepaald.
Dit is de grootte van het kleinste detail dat in de foto’s wordt onderscheiden. Op basis van deze waarde
kan de maximaal bereikbare resolutie (zonder aan oversampling te doen) van de gegenereerde
puntenwolk bepaald worden.
6.3.1 Bepaling grondresolutie
De grondresolutie van de gebruikte foto’s voor de buitenkant kan uit een Photoscan rapport gehaald
worden (Tabellen 6, 7 en 8).
Tabel 6: Eigenschappen gebruikte foto’s (1.638)
Aantal foto’s 1.638 Camerastations 1.638
Opname afstand
(H)
12,6 m Tie points 661.660
Grondresolutie 1,83 mm/pix Projecties 3.553.038
Dekkingsgebied 429 m² Reprojectiefout 1,040 pix
Tabel 7: Eigenschappen gebruikte foto’s (990)
Aantal foto’s 990 Camerastations 990
Opname afstand
(H)
12,1 m Tie points 567.181
Grondresolutie 1,75 mm/pix Projecties 2.487.025
Dekkingsgebied 386 m² Reprojectiefout 0,935 pix
39
Tabel 8: Eigenschappen gebruikte foto’s (1.638 en 990)
Camera Resolutie Focuslengte (f) Pixelgrootte Voorgekalibreerd
Canon EOS 1100 D
(35 mm)
4.272 x 2.848 35 mm 5,34 x 5,34 µm Nee
Het enige verschil tussen beide rapporten is dat de gemiddelde afstand waarop de foto’s genomen zijn
kleiner is bij de 990 foto’s dan bij de 1.638 foto’s, wat de grondresolutie kleiner maakt. Dit geeft een
vertekend beeld aangezien met dezelfde foto’s werd gewerkt. Dit is te verklaren doordat bij de 1.638
foto’s meer foto’s achtergrondbeelden bevatten dan het object zelf, waardoor de gemiddelde afstand
vergroot (Figuur 23). Op basis van deze afstand berekent Photoscan de grondresolutie.
Figuur 23: Links: foto’s gebruikt bij 1.638 foto’s, rechts: foto’s gebruikt bij 990 foto’s
De grondresolutie kan ook op volgende manier bepaald worden:
Grondresolutie = pixelgrootte * (1/ schaalfactor)
Waarbij:
• Pixelgrootte = sensorgrootte/ sensor resolutie = 22,2 mm/ 4.278 mm = 0,005189 mm
• Schaalfactor = f (focuslengte)/ H (opname afstand) = 35 mm/ 12.100 mm,
Waarbij de gebruikte afstand deze bedraagt uit het Photoscan rapport van de 990 foto’s.
• 1/ Schaalfactor = 345,71
40
Grondresolutie = 1,79 mm, wat bij benadering overeenkomt met de grondresolutie uit het Photoscan
rapport (1,75 mm).
6.3.2 Vergelijking in Photoscan
De vergelijking in Photoscan werd uitgevoerd op basis van de aligneringstijd en de tijd nodig om een
puntenwolk te genereren. Tabel 9 is opgebouwd volgens de gegevens uit de processing reports (Bijlagen
9.3 en 9.4, p107).
Tabel 9: Photoscan vergelijking 1.638 foto’s en 990 foto’s
Puntenwolk Aantal
gebruikte foto’s
Alignment
(high)
Dichte
puntenwolk
(medium)
Buitenkant 1.638 23 u 52 min 3 d 12 u
Buitenkant 990 22 u 27 min 16 u 58 min
De aligneringstijd was niet beduidend lager bij de 990 foto’s, maar er was wel een verschil van 1,5 uur,
wat overeenkomt met een daling van de tijd van ongeveer 6 %. Bij het genereren van de dichte
puntenwolk was wel een groot verschil van 2 dagen en 17 u te bemerken, wat overeenkomt met een
daling van de tijd van ongeveer 80 %. Dit was een opmerkelijk verschil, aangezien ogenschijnlijk
dezelfde puntenwolk bekomen werd. Toch werden beide puntenwolken verder in CloudCompare
vergeleken op vlak van de resolutie, de hoeveelheid ruis en het aantal punten.
41
6.3.3 Vergelijking in CloudCompare
De vergelijking in CloudCompare werd uitgevoerd op basis van de resolutie, de hoeveelheid ruis en het
aantal punten.
Figuur 24: Puntenwolk 1.638 foto's (boven), puntenwolk 990 foto's (onder) voor en na kuiswerk
Figuur 24 toont aan dat de puntenwolk van 1.638 foto’s meer ruis bevatte dan de puntenwolk van 990
foto’s. Uit Tabel 10 werd afgeleid dat de puntenwolk van 990 foto’s 8 % minder punten bevatte dan die
van 1.638 foto’s. Aanvankelijk werd gedacht dat het om 8 % minder ruis ging, maar dit bleek een
verkeerde opvatting. De oorspronkelijke puntenwolken verschilden 2,5 miljoen punten, terwijl de
gekuiste puntenwolken (zowel manueel als na toepassing filters) 2 miljoen punten verschilden. Het komt
erop neer dat de puntenwolk van 1.638 foto’s een half miljoen punten meer ruis bevatte, en dat de
puntenwolk van 990 foto’s voor 2 miljoen punten minder dicht was. Procentueel kwam dit overeen met
1 % meer ruispunten voor de puntenwolk van 1.638 foto’s en 7 % minder dicht voor de puntenwolk van
990 foto’s.
Tabel 10: CloudCompare vergelijking 1.638 foto’s en 990 foto’s
Puntenwolk Aantal punten
voor kuiswerk
Aantal punten
na manueel
kuiswerk
Aantal punten
na filters*
1.638 foto’s 37.240.208 32.417.291 22.727.475
990 foto’s 34.766.622 30.366.290 20.865.266
*Toegepaste filters: SOR 7 en 1,2 en NOISE 0.020 en 1,2 relative, remove isolated points
42
Visueel werd het verschil in dichtheid ook vastgesteld, waarbij het bovenste deel van het kasteel minder
punten bevatte doordat het gebruik van aantal foto’s bij de 990 foto’s lager lag (Figuur 25). Bij de 1.638
foto’s werd gekozen om voldoende foto’s te nemen omwille van de overlap, bij de 990 foto’s werd naar
zo weinig mogelijk overlap gestreefd.
Figuur 25: Verschil in puntdichtheid bij gebruik aantal foto's
Vervolgens werd op een gevel van beide puntenwolken een volume density toegepast. De volume density
deelt het aantal buren, binnen een vooraf gedefinieerde straal, door hun ingenomen volume. Dit
resulteert in een gemiddelde puntdichtheid per puntenwolk (Figuur 26). De gemiddelde puntdichtheid
van de 1.638 foto’s en de 990 foto’s bedroegen respectievelijk 942.563 en 913.844. Dit betekent dat de
puntenwolk van de 1.638 foto’s meer buren bevatte binnen een bepaald volume dan de puntenwolk van
990 foto’s.
Figuur 26: Links: volume density 1.638 foto’s, rechts: volume density 990 foto’s
43
De globale puntdichtheid wordt in Figuur 27 visueel aangetoond, waarbij de dichtste puntenwolk uit de
1.638 foto’s gegenereerd werd.
Figuur 27: Links: puntenwolk met 1.638 foto's, rechts: puntenwolk met 990 foto’s
Als laatste stap werd de resolutie van beide puntenwolken bepaald aan de hand van een uitgesneden
vierkant met een oppervlak van 1 m², waarbij het aantal punten in dit vlak werd opgevraagd.
Tabel 11: Bepaling resolutie 1.638 foto’s en 990 foto’s
Puntenwolk Aantal punten Oppervlakte [m²] Resolutie [mm]
1.638 foto’s 19.989 1 5,0
990 foto’s 19.567 1 5,1
De gemiddelde resolutie lag bij de 990 foto’s iets lager dan bij de 1.638 foto’s, maar het verschil was
slechts minimaal (Tabel 11). Het visuele verschil tussen beide puntenwolken was enkel te bemerken bij
de vlakken en niet bij de details (Figuur 27). Op vlak van resolutie werd besloten dat de puntenwolk van
990 foto’s gelijkaardig was aan die van 1.638 foto’s.
6.3.4 Onderzoek grondresolutie en resolutie
De resolutie van de puntenwolk verkregen uit Photoscan was 2,8 keer groter dan de grondresolutie van
de gebruikte foto’s. Dit verband werd aan de hand van drie fotoreeksen onderzocht. Een eerste fotoreeks
werd op een afstand van 6,75 m genomen, waarbij een grondresolutie van 1 mm werd bekomen, ook
een tweede en derde fotoreeks werden op een afstand van respectievelijk 13,50 m en 22,24 m genomen,
waarbij een grondresolutie van 2 mm en 3 mm werd behaald. Het verband tussen de grondresolutie en
de resolutie uit Photoscan werd onderzocht, waarbij de grondresolutie drie keer werd aangepast. Als
laatste werd ook het verband tussen de resolutie en de stand, waarop Photoscan de puntenwolken
genereerde, onderzocht.
44
Om de afstand te bepalen waarop de foto’s best werden genomen, werd de formule van de grondresolutie
gebruikt, waarbij de enige onbekende de opname afstand (H) was en de grondresolutie was gekend.
Grondresolutie = pixelgrootte * (1/ schaalfactor)
Waarbij:
• Pixelgrootte = sensorgrootte/ sensor resolutie = 22,2 mm/ 4.278 mm = 0,005189 mm
• Schaalfactor = f (focuslengte)/ H (opname afstand)
Waarbij de focuslengte op 35 mm werd genomen (zie 6.1.2, p 26).
De resolutie van de puntenwolken werd bepaald door 1 m² uit de puntenwolk te snijden en het aantal
punten te tellen. Een puntenwolk met 1 cm resolutie, telt voor 1 m² 10.000 punten. De uitgesneden
oppervlakte werd op de gefotografeerde muur gevisualiseerd door middel van targets (Figuur 28).
Figuur 28: Onderzoek resolutie bij een gegeven grondresolutie
Tabel 12: Onderzoek resolutie (medium en high) bij een gegeven grondresolutie
Grondresolutie
[mm]
Aantal
punten/ m²
(medium)
Resolutie
(medium)
[mm]
Aantal
punten/ m²
(high)
Resolutie
(high)
[mm]
1 65.827 1,5 268.646 0,4
2 15.794 6,3 64.829 1,5
3 10.963 9,1 33.556 3,0
Tabel 12 geeft de resultaten van het onderzoek weer. Er werd geconcludeerd dat, als de grondresolutie
verdubbelde, de resolutie van de puntenwolk verviervoudigd werd. Bij de overschakeling van high naar
medium in Photoscan werd de resolutie verdrie- tot verviervoudigd. De resolutie van de puntenwolk met
een grondresolutie van 1 mm gegenereerd op medium is dezelfde als deze van de puntenwolk met een
grondresolutie van 2 mm gegenereerd op high, namelijk 1,5 mm.
45
Verder werd geconcludeerd als de grondresolutie met factor n vermenigvuldigd werd, dat de resolutie
van de puntenwolk met 2 x n werd vermenigvuldigd.
6.3.5 Besluit
Het meest evidente was een puntenwolk genereren met zo weinig mogelijk foto’s met een minimaal
overlap, welke nog steeds door Photoscan te aligneren zijn. Werken met meer foto’s haalde de
alignerings- en vooral de vervaardigingstijd van de puntenwolk gevoelig omhoog. Bovendien door te
werken met minder foto’s daalde het aantal ruispunten, de dichtheid en de resolutie minimaal. Dit gaf
echter geen implicaties naar het modelleringsproces toe en de verkregen puntenwolk werd minder zwaar.
6.4 Vergelijking puntenwolk van laserscanning en fotogrammetrie
Als eerste werd een vergelijking tussen de geregistreerde, gekuiste en gefilterde puntenwolken van de
buitenkant van laserscanning en fotogrammetrie uitgevoerd. De twee afzonderlijke puntenwolken
werden door cloud-to-cloud in CloudCompare met elkaar gealigneerd. Vervolgens werd deze
vergelijking ook langs de binnenkant tussen laserscanning en fotogrammetrie uitgevoerd.
6.4.1 Vergelijking buitenkant
Allereerst werden beide puntenwolken op basis van target-to-target (align point pairs picking)
gealigneerd, wat een Root Mean Square (RMS) van 10 cm impliceerde. De RMS is de
standaardafwijking of met andere woorden de nauwkeurigheid van het aligneringsproces. De
puntenwolken liggen op een gemiddelde afstand van 10 cm van elkaar, wat verder onderzocht werd.
Allereerst werden de RMS’en op de scalebars bekeken, wat een aanvaardbaar resultaat van 9,7 mm gaf
(Tabel 13). Daaropvolgend werden beide puntenwolken metrisch met elkaar vergeleken om de
verschaling te achterhalen door een scalebar en twee karakteristieke afmetingen in elke puntenwolk na
te meten (Tabel 14).
46
Tabel 13: Fouten op de scalebars
Label Afstand [m] RMS [m]
Punt 3_punt 4 0,29874 -0,01126
Punt 9_punt 10 2,45556 0,01256
Punt 10_punt 11 0,08630 0,00130
Punt 12_punt 13 0,89468 -0,00732
Punt 13_punt 14 0,07224 -0,00776
Punt 15_punt 16 0,29845 -0,00155
Punt 18_punt 19 0,73098 -0,00902
Punt 19_punt 20 0,72057 -0,01643
TOTAAL 0,00971
Tabel 14: Controleren van het metrisch zijn tussen TLS en SfM puntenwolk
Puntenwolk Scalebar 18 19 Karakteristieke
afmeting 1
Karakteristieke
afmeting 2
Laserscanning
[m]
0,743 (+ 3 mm) 6,518 12,035
Fotogrammetrie
[m]
0,731 (- 9 mm) 6,453 11,905
Meting met
meetband
(referentie) [m]
0,740 / /
Verschil TLS en
SfM [mm]
12 65 130
Als een scalebar gecontroleerd werd, werd een klein verschil met de TLS puntenwolk en met de waarde
van de meetband vastgesteld. Dit verschil bij SfM was hetzelfde als de fout op de scalebar. De gebruikte
scalebars waren echter klein ten opzichte van de totale grote van het kasteel. Als een fout van 1 mm op
een scalebar van 1 m aanwezig is, impliceert dit een fout van 1 cm op een afstand van 10 m. Om deze
reden werden twee grote karakteristieke afmetingen van het kasteel op beide puntenwolken nagemeten
en vergeleken (Figuur 30, p.48). Het verschil tussen de TLS en de SfM puntenwolk bij de karakteristieke
afmetingen 1 en 2 bedroegen 65 mm en 130 mm (Tabel 14).
47
Er werd geconcludeerd dat de puntenwolk van SfM effectief verschaald was. De oorzaak was de
gebrekkige aanduiding van de scalebars. Er werd enkel gebruik gemaakt van kleine afmetingen, die niet
representatief waren voor het volledige gebouw.
Om deze reden werd een gevel van het gebouw opnieuw gealigneerd en metrisch gemaakt door gebruik
te maken van meer en grotere scalebars aan de hand van de TLS puntenwolk (grote afmetingen waren
niet mogelijk om op het terrein op te nemen). Deze gevel werd gealigneerd met de corresponderende
gevel van de SfM puntenwolk waarbij een RMS van 10 mm werd bekomen. Visueel werd een
verdraaiing in de puntenwolken vastgesteld (Figuur 29 links), veroorzaakt door een kromming in de
TLS of in de SfM puntenwolk. Om een kromming in de SfM puntenwolk uit te sluiten veroorzaakt door
een slechte alignering, werd deze terug gealigneerd met meerdere scalebars, geplaatst over de gehele
gevel zodat een verdraaiing werd uitgesloten (Figuur 29, rechts). Tevens werden schuine foto’s, om de
koppeling van de ene gevel naar de andere te volbrengen, verwijderd omdat deze voor een verdraaiing
in de puntenwolk zorgden. Op zich mogen schuine foto’s gebruikt worden, maar ze worden best zo
loodrecht mogelijk op de hoek van het gebouw genomen (Figuur 31, p.48).
Opnieuw werden de puntenwolken gealigneerd, waarbij de zichtbare verdraaiing minder aanwezig was
(Figuur 29, rechts). Op enkele plaatsen bleef de TLS puntenwolk voor de SfM puntenwolk liggen, maar
globaal gezien lag de SfM puntenwolk voor de TLS puntenwolk. De alignering werd bepaald door de
aanduiding van de gemeenschappelijke targets. Het kasteel bevatte voldoende karakteristieke punten
(bv. venstertabletten) om de alignering te volbrengen. Het aanduiden is niet altijd evident en daarom
wordt veel geopteerd om targets aan te brengen op het object. Door het gebruik van de targets die Agisoft
ter beschikking stelt, verlopen de aanduidingen in de puntenwolk van deze targets vlotter. Er wordt een
wit punt in het midden van de target gegenereerd, waardoor dit punt ondubbelzinnig aangeduid wordt
(Figuur 28, p.44).
Figuur 29: Links: verschaling weggewerkt, rechts: verdraaiing weggewerkt
48
Figuur 30: Aanduiding gecontroleerde afmetingen (blauw) en aanduiding gebruikte scalebars (rood)
Figuur 31: Links: loodrechte foto op de hoek, rechts: onbruikbare foto voor de rechter zijgevel
De puntenwolken lagen met een gemiddelde afstand van 10 mm (RMS) van elkaar, wat door cloud-to-
cloud distance gevisualiseerd werd. Dit geeft een eerste indicatie of de puntenwolken dezelfde
afmetingen hebben en of tussen beide een overeenkomst bestaat. De afstand tussen beide puntenwolken
werd aan de hand van een kwantitatieve ratio meetschaal met een divergerend kleurenschema
gevisualiseerd (Figuur 32, p.49). Dit kleurenschema gaat van blauw naar rood, waarbij blauw een kleine
afstand (van 0,6 x 10 -4 cm tot ± 0,8 cm) voorstelt en rood een grotere afstand (van ± 4 cm tot 5 cm).
De verdraaiing, op het eerste zicht weggewerkt met de aanpassing van de SfM puntenwolk, was nog
steeds visueel merkbaar na de uitvoering van de cloud-to-cloud distance. Het linker bovenvlak en het
rechter ondervlak vertoonden een afwijking van ± 2 cm in de diepterichting. Dit was te verklaren doordat
de opgenomen muur effectief een kromming vertoonde en niet door de SfM puntenwolk werd
49
weergegeven. Sturzenegger en Stead concludeerden al dat kleine reliëf veranderingen in de diepte niet
geregistreerd worden met SfM, welke met TLS combinatie verholpen wordt (Sturzenegger & Stead,
2009). De diepterichting bij fotogrammetrie blijft een zwakke dimensie en de minieme kromming van
de gevel werd bij de SfM puntenwolk zo ontgaan, in tegenstelling tot bij de TLS puntenwolk.
Figuur 32: Cloud-to-cloud distance tussen TLS en SfM puntenwolk
Verder werd de geometrie van de puntenwolken onderzocht. Uit het Photoscan rapport werden de
fouten op de scalebars met een totale fout van 9,5 mm vastgesteld (Tabel 15). Om dit te onderzoeken
werden twee scalebars en een karakteristieke afmeting op beide puntenwolken nagemeten (Figuur 30,
p.48 en Tabel 16, p.50).
50
Tabel 15: Fouten op de scalebars
Label Afstand [m] RMS [m]
Punt 18_punt 19 0,73874 -0,00126
Punt 19_punt 20 0,72872 -0,00828
Punt 25_punt 26 1,38128 0,01128
Punt 27_punt 28 6,52616 0,00816
Punt 29_punt 30 1,38015 0,00115
Punt 31_punt 32 1,38017 0,01417
Punt 33_punt 34 1,38152 0,01052
Punt 34_punt 35 4,24021 -0,00079
Punt 30_punt 36 4,75364 0,00364
Punt 37_punt 38 6,49863 -0,01737
TOTAAL 0,00945
Tabel 16: Scalebars TLS en SfM puntenwolk
Puntenwolk Scalebar 29 30 Scalebar 27 28 Karakteristieke
afmeting 2
Laserscanning
[m]
1,379 6,518 12,035
Fotogrammetrie
[m]
1,378 6,514 12,035
Verschil TLS en
SfM [mm]
1 4 0
Uit Tabel 16 werd vastgesteld dat de verschillen in afmetingen tussen de TLS en de SfM puntenwolk
minimaal waren, waardoor beide puntenwolken over dezelfde schaal beschikten.
Vervolgens werd de resolutie voor een vlak van beide puntenwolken bepaald en vergeleken (Tabel 17).
Voor karakteristieke punten werd geen resolutie bepaald omdat de diepte voor moeilijkheden zorgde.
Bij beide puntenwolken werd 1 m² uitgesneden en op basis van het aantal punten binnen het vlak werd
de resolutie bepaald. De resolutie bij de TLS puntenwolk was de helft van de SfM puntenwolk resolutie.
51
Zoals in 6.3.4, p. 43-44 aangetoond, wordt de resolutie met een factor drie tot vier verhoogd door de
wolk op high te genereren.
Tabel 17: Bepaling resolutie TLS en SfM puntenwolk
Puntenwolk Aantal punten Oppervlakte [m²] Resolutie [mm]
Laserscanning 28.086 1 3,6
Fotogrammetrie 13.939 1 7,2
Als laatste werden de data-acquisitie tijd en de verwerkingstijd van TLS en SfM van de buitenkant met
elkaar vergeleken. Onder de data-acquisitie tijd bij TLS werd de opstel- en scantijd verstaan, nodig om
een puntenwolk met een gemiddelde resolutie van 6 mm te bekomen en het inscannen van de natuurlijke
targets met een resolutie van 1 mm. Onder de verwerkingstijd bij TLS hoorden het aanduiden van de
natuurlijke targets en het registreren van de verschillende deelscans.
De verwerkingstijd bij SfM omvatte het “masken”, het aanduiden van de markers en scalebars, het
aligneren en het genereren van de puntenwolk van de 990 foto’s op medium. Door de puntenwolk van
fotogrammetrie op high te genereren, neemt de resolutie toe. De verwerkingstijd verdrie- à viervoudigd
doordat de resolutie ook met deze waarde toeneemt (zie 6.3.4, p.43-44). De verwerkingstijd bij SfM was
beduidend langer dan deze bij TLS. Daarnaast nam het aligneren en hoofdzakelijk de creatie van de
puntenwolk veel tijd in beslag.
De data-acquisitie tijd bij SfM was minder lang dan bij TLS, doordat geen opstelling nodig was en de
camera niet geïnitialiseerd werd. De meettijd bij TLS was uiteraard ook afhankelijk van de gekozen
resolutie en van de scansnelheid van de scanner. De meettijd bij TLS was quasi volledig automatisch,
waarbij de gebruiker enkel de scanner opstelt en initialiseert. Bij SfM was dit niet het geval en volgt de
gebruiker de hele data-acquisitie actief. (Tabel 18)
Tabel 18: Vergelijking data verzamel- en verwerkingstijd TLS en SfM
Puntenwolk Data-acquisitie
tijd (uur)
Verwerkingstijd
(uur)
Laserscanning 10,5 6
Fotogrammetrie 4,5 50
52
6.4.2 Vergelijking binnenkant
Allereerst werd een deel van beide puntenwolken op basis van target-to-target gealigneerd. Hierbij werd
een RMS van 1,57 cm bekomen (Figuur 33), wat duidt op de gemiddelde afstand tussen de
puntenwolken en door cloud-to-cloud distance gevisualiseerd werd (Figuur 34). Dit geeft een eerste
indicatie of de puntenwolken dezelfde afmetingen hebben en of tussen beide puntenwolken een
overeenkomst bestaat.
Figuur 33: Aligneringsproces tussen TLS en SfM puntenwolk
Figuur 34: Cloud-to-cloud distance tussen TLS en SfM puntenwolk
Door de cloud-to-cloud distance uit te voeren werd de afstand tussen beide puntenwolken gevisualiseerd
aan de hand van een kwantitatieve ratio meetschaal met een divergerend kleurenschema gaande van
blauw naar rood, waarbij blauw een kleine afstand (van 22,50 x 10-4 cm tot ± 0,8 cm) voorstelt en rood
een grotere afstand (van ± 4 cm tot 5 cm). De overeenkomst tussen beide puntenwolken werd door de
cloud-to-cloud distance gevisualiseerd.
Bij de karakteristieke punten van de deur werd een goede overeenkomst vastgesteld. Dit werd niet alleen
duidelijk door het kleurenschema maar ook visueel door de gebruiker door de puntenwolken als
53
onderlegger ten opzichte van elkaar te bekijken. De rode punten zijn punten die rond gaten voorkomen.
Deze gaten ontstonden door ruispunten bij effen vlakken te verwijderen. Doordat dit om een vlak gaat
en niet om een karakteristiek punt heeft Photoscan het moeilijk om het vlak op een juiste afstand vanaf
de opnamepositie te plaatsen. De belichting was ook een belangrijke factor. Deze was niet voldoende
waardoor Photoscan de vlakken niet op een juiste afstand aligneerde. Voor en achter deze vlakken
werden ruispunten gecreëerd, die door de gebruiker weggesneden werden, waardoor gaten ontstonden
in de puntenwolk (Figuur 35). Hierdoor werd rond deze gaten een afstandsverschil tussen beide
puntenwolken bemerkt. Daarentegen was er bij de karakteristieke punten wel een goede indicatie tot
overeenkomst (Figuur 36). Bij de SfM puntenwolk voor de buitenzijde werden de vlakken wel volledig
gegenereerd, door het daglicht in tegenstelling tot de binnenruimte.
Figuur 35: Links: voorkant gekuiste en niet gekuiste puntenwolk, rechts: achterkant gekuiste en niet gekuiste
puntenwolk
54
Figuur 36: Verschil tussen TLS en SfM puntenwolk
Aangezien er een indicatie was van goede overeenkomst tussen de karakteristieke punten werden deze
nog verder met elkaar vergeleken. Figuur 36 toont in het vlak tussen beide puntenwolken geen zichtbare
verschuiving aan, terwijl de kleurenschaal echter wel een afstandsverschil van ± 1 cm aangaf. Hierdoor
werden beide puntenwolken ook in de diepte met elkaar vergeleken (Figuur 37).
Figuur 37: Verschil in diepte bij de deur tussen TLS en SfM puntenwolk
Er werd geconcludeerd dat de karakteristieke punten in het vlak geen onderling verschil vertoonden,
maar wel in de diepte. Dit kan het gevolg zijn van twee oorzaken, waarbij de eerste oorzaak de positie
van het deurvlak impliceerde. De tweede oorzaak werd aan de bepaling van de afstand van de
opnamepositie ten opzichte van het object door Photoscan toegeschreven, met andere woorden de
55
dieptebepaling. De diepte wordt gezien als een zwakke dimensie bij fotogrammetrie. Om te bepalen
welke oorzaak het afstandsverschil impliceerde, werd ook een karakteristiek punt op een muur
vergeleken. Figuur 38 geeft visueel weer dat het afstandsverschil aan de beweging van het deurvlak lag.
De diepte blijft echter wel een zwakke dimensie bij fotogrammetrie door de grote hoeveelheid
ruispunten (voor- en achtergrondruis).
Figuur 38: Verschil in diepte bij een muur tussen TLS en SfM puntenwolk
Vervolgens werd de resolutie van een rechthoekig sierelement op de deur bepaald en vergeleken (Figuur
39 en Tabel 19). Dit werd niet voor een vlak uitgevoerd aangezien in de binnenruimte van de SfM
puntenwolk geen enkel vlak volledig gegenereerd werd.
Figuur 39: Links: sierelement TLS puntenwolk, rechts: sierelement SfM puntenwolk
Tabel 19: Bepaling resolutie sierelement TLS en SfM puntenwolk
Puntenwolk
sierelement
Aantal punten Oppervlakte [cm²] Resolutie [mm]
Laserscanning 5.101 787,5 1,5
Fotogrammetrie 21.661 787,5 0,5
56
De resolutie van het sierelement bedroegen respectievelijk 1,5 mm en 0,5 mm voor de TLS puntenwolk
en de SfM puntenwolk, dat een hoge waarde is. Dit was te wijten aan het reliëf. De resolutie gaf een
vertekend beeld doordat niet met een plat vlak gewerkt werd. Door het reliëf bevinden zich meer punten
in de diepte, waardoor het aantal punten stijgt en een invloed heeft op de berekening van de resolutie.
Bij de karakteristieke punten was de resolutie schijnbaar hoger bij de SfM puntenwolk, maar dit
impliceerde niet noodzakelijk een hogere graad van detail. De SfM puntenwolk bevatte meer ruispunten
in de diepte, die de berekening van de resolutie beïnvloedde. Als de vorm van het profiel in doorsnede
werd vergeleken, was een hogere graad van detail bij de TLS puntenwolk vast te stellen (Figuur 40).
Figuur 40: Links: profiel TLS puntenwolk, rechts: profiel SfM puntenwolk
Als laatste werden de puntenwolken op basis van afmetingen vergeleken. De cloud-to-cloud distance
gaf dit al aan, aangezien de karakteristieke punten van zowel de TLS als de SfM puntenwolk goed met
elkaar gealigneerd werden, waarbij de schaal tussen beide puntenwolken dezelfde was. Verder werd de
geometrie van de puntenwolken onderzocht. Uit het Photoscan rapport werden de fouten op de scalebars
met een totale fout van 1,9 mm vastgesteld (Tabel 20). De afmetingen van de scalebars werden op de
TLS en de SfM puntenwolk nagemeten (Figuur 41).
Tabel 20: Fouten op de scalebars
Label Afstand [m] RMS [m]
Punt 1_punt 2 0,46011 -0,00189
Punt 5_punt 6 0,40461 -0,00039
Punt 8_punt 9 0,37773 0,00273
TOTAAL 0,00193
57
Figuur 41: Aanduiding scalebars
Tabel 21: Scalebars TLS en SfM puntenwolk
Puntenwolk Scalebar 1 2 Scalebar 5 6 Scalebar 8 9
Laserscanning
[m]
0,461 (+ 1 mm) 0,402 (- 3 mm) 0,378 (0 mm)
Fotogrammetrie
[m]
0,455 (- 5 mm) 0,401 (- 4 mm) 0,375 (- 3 mm)
Meting met
meetband
(referentie)
0,460 0,405 0,378
Uit Tabel 21 werd vastgesteld dat de waarden van de scalebars bij de TLS het minst verschilden ten
opzichte van de referentiewaarde en de waarden van SfM verschilden het meest. De verschillen zijn
echter zeer klein en vallen steeds binnen de resolutie van beide puntenwolken. De grootte van de
scalebars van SfM komen goed overeen met de grootte van de scalebars van TLS. Aangezien de
gemiddelde fout op de scalebars 2 mm bedroeg en de scalebars een gemiddelde grootte van 0,414 m
had, werden ook grotere afmetingen van de binnenruimte met elkaar vergeleken. Op Figuur 42 werd
slechts een verschil van 8 mm vastgesteld op een afstand van 3 m.
58
Figuur 42: Verschil tussen TLS (onder) en SfM (boven) puntenwolk
6.4.3 Besluit
Er werd geconcludeerd dat de TLS puntenwolk metrisch de correctste was, bij de SfM puntenwolk was
dit minder en een verschaling door de scalebars van de SfM puntenwolk werd niet uitgesloten.
Daarnaast bevatte de TLS puntenwolk minder ruis en had deze een homogene resolutie, ook de TLS
puntenwolk beschikte over minder gaten dan de SfM puntenwolk. Dit was door slechte belichting te
verklaren, waarbij vlakken niet op de juiste afstand vanaf de opnamepositie geplaatst werden. Er
ontstond meer ruis welke bij de “kuis” werd weggesneden. De SfM puntenwolk heeft echter wel
textuurinformatie welke het modelleringsproces vergemakkelijkt. Verder werd vastgesteld dat de diepte
bij fotogrammetrie de zwakke dimensie is. Dit werd duidelijk doordat de kromming van het gebouw
niet door SfM werd gedetecteerd en doordat de profielen langs de binnenruimte in de diepterichting niet
in detail werden opgenomen.
De TLS puntenwolk is het nauwkeurigst met het minste ruis wat het modelleren bevorderd. De SfM
puntenwolk kan echter wel als aanvulling op de TLS puntenwolk gebruikt worden. Een TLS is namelijk
een line of sight toestel, waarbij de line of sight niet zo gemakkelijk te verplaatsen is of manipuleerbaar
is als de line of sight van SfM. De plaatsen die niet zichtbaar zijn met een TLS, kunnen met behulp van
SfM opgenomen worden.
59
6.5 Modelleren
In dit hoofdstuk wordt de gebruikte BIM-software toegelicht. Aanvullende programma’s en plug-ins
worden ook besproken en onderzocht. Om de verschillende software te vergelijken werd een pilaar uit
de TLS puntenwolk met de verschillende programma’s gemodelleerd. Deze gemodelleerde objecten
werden onderling met elkaar vergeleken, alsook met de oorspronkelijke puntenwolk.
6.5.1 BIM-software
Er werd gekozen voor de BIM-software Autodesk Revit ® (Revit ®) omdat het een veel gebruikte
software is en ook beschikbaar was met een studentenlicentie. De comptabiliteit met Recap en AutoCAD
was ook een doorslaggevende factor. Volgens het NBS National BIM Report uit 2017 is Revit ® de
populairste BIM-software. (Building information modelling BIM, 2018)
Revit ® geeft de mogelijkheid om een 3D-model met open en gesloten vormen te vervaardigen. De
verschillende volumes kunnen een betekenis als bouwelement krijgen, waarbij de volumes als families
aangemaakt worden en in een bibliotheek ingeladen worden. Op die manier is er sprake van een “slim”
object in plaats van losse punten. (Garagnani & Manferdini, 2013)
Sommige punten binnen de puntenwolk kunnen niet als snappoints gebruikt worden. Om dan objecten
te construeren, worden andere impliciete planaire oppervlakken gebruikt. Daarnaast maakt Revit ®
enkel maar vlakken die loodrecht op het workplane staan. Om die reden is Revit ® niet altijd even
gebruiksvriendelijk om geometrieën zo goed mogelijk te benaderen. (Garagnani & Manferdini, 2013)
Autodesk heeft het BIM-platform uitgebreid met drie verschillende Revit ® producten, namelijk Revit
Architecture, Structure en Mechanical, Electrical and Plumbing (MEP) (Logothetis, Delinasiou &
Stylianidis, 2015).
60
6.5.2 Modelleringssoftware aanvullend aan BIM
De software behandelt in deze paragraaf wordt gebruikt in aanvulling op BIM-software. Hierin kan de
gebruiker de objecten modelleren en verder gebruiken in BIM-software.
De software Rhinoceros (Rhino) laat een nauwkeurige modellering van onregelmatige en complexe
structuren toe. Tijdens de modellering worden naast de Booleaanse operatoren ook Non Uniform
Rational Basis-Splines (NURBS) gebruikt. (Oreni et al., 2014) NURBS zijn wiskundige voorstellingen
die elke vorm van een 2D-lijn, cirkel, boog of curve beschrijven in een 3D-geometrie (McNeel, 2018).
Vervolgens is het de bedoeling om de gecreëerde objecten met hun vorm en informatie in een BIM-
software te importeren (Oreni et al., 2014).
Het modelleren binnen Rhino volgt een semi automatische procedure. De handmatige taken om tot een
HBIM te komen, omvatten het kuisen van de puntenwolken, de bestandconversie en de totstandkoming
van het HBIM in Revit ®. Het semi automatisch modelleren betekent de registratie van de
puntenwolken, het “meshen”, het vullen van gaten in de gecreëerde mesh en de totstandkoming van
NURBS in Rhino. (Antón et al., 2018) Figuur 44 op p.61 geeft het stappenplan weer tijdens het
modelleren binnen Rhino.
In Rhino bestaat de mogelijkheid om van de puntenwolk met de tools MeshFromPoints en MeshFlow
zelf meshen te maken. Antón et al., onderzochten de twee tools en kwamen tot de vaststelling dat met
de tool MeshFromPoints de mesh zich niet aanpaste aan de puntenwolk, terwijl de tool MeshFlow dit
wel deed (Figuur 43). (Antón et al., 2018)
Figuur 43: Resultaat van twee verschillende mesh tools (Antón et al., 2018)
Daarnaast kunnen ook meshen, afkomstig uit andere programma’s (bv. CloudCompare en MeshLab) in
Rhino ingeladen worden. De ingeladen meshen bevatten mogelijks fouten door onvolledige scandata of
door de geometrische complexiteit. Daarom wordt de geometrie best met de tool Check gecontroleerd.
Op die manier worden fouten zoals dubbele gezichten, niet verbonden randen en incoherente normalen
zichtbaar. De normaalvectoren van de driehoeken van een mesh moeten ten opzichte van het volume
61
naar buiten gericht zijn, anders wijst dit op een niet samenhangend oppervlak van het object. Door de
tool UnifyMeshNormals worden vectoren van de binnenkant naar de buitenkant gedraaid. (Antón et al.,
2018)
Er bestaan ook tools om gaten binnen de meshen op te vullen en om de triangulaties binnen de mesh te
verkleinen of te verwijderen door de tools eraser, smooth brush en defeature brush te gebruiken.
Hierdoor wordt een mesh eenvoudiger, maar de omvang en de verwachte graad van detail moeten in
acht genomen worden. De verloren informatie mag ook niet te groot zijn, anders is het uiteindelijk model
niet representatief aan de werkelijkheid. (Antón et al., 2018)
Als laatste stap binnen Rhino wordt de geïmporteerde of de zelfgemaakte mesh in gesloten NURBS
polysurfaces omgezet. Vanaf dit punt is er sprake van 3D-vaste objecten. De modellering binnen Rhino
is op wiskundige modellering (parametrisch) gebaseerd, waarbij 3D-volumes op basis van kwadratische
oppervlakken (bv. cilinders en paraboloïden) verkregen worden. (Antón et al., 2018)
De gemaakte geometrische objecten binnen Rhino kunnen als IFC-bestand opgeslagen worden, hierdoor
kunnen de 3D-vaste objecten in een BIM-software, zoals in Revit ® en ArchiCAD, ingeladen worden.
De objecten worden volgens de constructielogica van het historisch gebouw geïmporteerd. Bij het
importeren van verschillende IFC-bestanden blijft de oorspronkelijke en de onderlinge positie tussen de
objecten behouden, doordat het coördinatensysteem mee geïmporteerd wordt. (Antón et al., 2018)
Figuur 44: Stappenplan bij het modelleren in Rhino (Antón et al., 2018)
62
6.5.3 Plug-ins
6.5.3.1 GreenSpider
Doordat Revit ® niet altijd even eenvoudig is om geometrieën zo goed mogelijk te benaderen, is de
plug-in GreenSpider ontwikkeld, die als veelzijdige tool wordt gebruikt. De plug-in is in staat om punten
te importeren in de Revit ® family editor die als selecteerbare snappoints herkend worden, waarvan
objecten kunnen gemaakt worden in Revit ® zelf. (Garagnani & Manferdini, 2013)
In Revit ® zoekt GreenSpider naar bestanden die onder een GSP bestand opgeslagen zijn. Een GSP
bestand bestaat uit een bestandsindeling met een niet-gecodeerde tekst met xyz-punten. In het GSP
bestand worden de punten onderling door een puntkomma van elkaar gescheiden en een komma wordt
bij decimale getallen gebruikt. GreenSpider Translator opent, herkent en importeert daarna de xyz-
punten in het juiste formaat. De Translator werkt volgens de X- en Y-as. (Garagnani & Manferdini,
2013)
Verder worden in GreenSpider maar twee tools gebruikt, namelijk GSPoints en GSCurves. Met de eerste
tool, GSPoints, wordt de puntenwolk binnen Revit ® als snappoints geïmporteerd (Figuur 45). De
tweede tool, GSCurves, maakt gebruikt van een spline interpolatie tussen de geïmporteerde
puntenwolken om tot vlakken met hoge nauwkeurigheid te komen. (Garagnani & Manferdini, 2013)
Hier komt de betekenis van de naam GreenSpider naar boven, waarbij de punten als knooppunten van
een spinnenweb worden gezien (Logothetis, Delinasiou & Stylianidis, 2015).
Figuur 45: Plug-in GreenSpider snappoints in Autodesk Revit ® (Garagnani & Manferdini, 2013)
63
De werking van GreenSpider is op de puntenwolk, verzameld met een laserscanner, van een historisch
gebouw getest (Figuur 46). Oorspronkelijk was de puntenwolk ongestructureerd en geregistreerd zonder
topologie (a) om vervolgens de puntenwolk in hoofdentiteiten (b) en afzonderlijke elementen (c) te
segmenteren. Bovenstaande stappen werden uitgevoerd om het bestand minder groot te maken en geen
nauwkeurigheid te verliezen. Van het afzonderlijk element (c) werden secties (d) gemaakt om een beter
zicht op de geometrische complexiteit te krijgen. (Garagnani & Manferdini, 2013)
Figuur 46: Plug-in GreenSpider splines in Autodesk Revit ® (Garagnani & Manferdini, 2013)
Elke snede heeft zijn eigen ASCII bestand waarbij GreenSpider de ASCII tekstbestanden, die uit xyz-
punten zijn opgebouwd, kan analyseren. Met behulp van GreenSpider wordt de sectie geïmporteerd in
Revit ® Architecture. Eerst worden de snappoints door de spline interpolatie met elkaar verbonden (e)
om er uiteindelijk een parametrisch object van te maken (f). Op die manier ontstaan gedetailleerde,
parametrische objecten die als BIM-elementen aanschouwd worden. (Garagnani & Manferdini, 2013)
Het importeren van puntenwolken in een BIM-software is niet eenvoudig. Door GreenSpider worden
punten door de tool Translator echter als snappoints geïmporteerd, waarbij objecten met hogere
nauwkeurigheid gemodelleerd worden. De gecreëerde objecten kunnen ook in andere modellen
ingeladen worden, waarbij de objecten hun eigenschappen behouden. (Garagnani & Manferdini, 2013)
Het grote verschil met andere plug-ins, is dat GreenSpider ervoor zorgt dat de afgeleide parametrische
geometrie beter bij de op realiteit gebaseerde geometrie past. Daarom is GreenSpider ideaal om een
BIM van complexe, historische gebouwen te maken met het oog op het behoud van cultureel erfgoed.
(Garagnani & Manferdini, 2013)
64
6.5.3.2 CloudWorx
CloudWorx is een plug-in van Leica voor Revit ®. Deze plug-in maakt het mogelijk om geregistreerde
puntenwolken uit Cyclone te openen in Revit ® en deze hierin te modelleren. CloudWorx maakt het
mogelijk om handmatig een deel van de puntenwolk te selecteren waarin een object gecreëerd moet
worden. Als dit bijvoorbeeld een pijpleiding moet zijn, wordt dit handmatig aangegeven. Vervolgens
wordt de pijpleiding op basis van de middellijn aangemaakt. (Wang, Cho & Kim, 2015)
6.5.3.3 PointSense
PointSense is een plug-in van Faro voor Revit ®. In PointSense wordt veel in een gesegmenteerde
puntenwolk gewerkt, waarbij verder in een doorsnede gewerkt wordt. Dit proces wordt vaak gebruikt
om het zoeken naar het te realiseren object te vereenvoudigen. Vervolgens wordt van de doorsnede een
orthofoto gemaakt, welke verder als onderlegger gebruikt wordt in de family editor. (Dore & Murphy,
2012) Hiervan wordt een profiel getekend en wordt als family opgeslagen. Deze family kan in een Revit
® project ingeladen en wordt door middel van de sweep functie gemodelleerd. (Turco, Caputo & Fusaro,
2016) PointSense maakt het ook mogelijk om twee punten van de puntenwolk aan te duiden waartussen
automatisch gemodelleerd wordt (bv. een muur of vloer) (Wang, Cho & Kim, 2015).
6.5.4 Modelleren met Revit ®
Nadat de puntenwolk is geregistreerd, gefilterd en eventueel gecombineerd, kan deze gemodelleerd
worden. Er werd gekozen om te modelleren in Revit ®. Vooraleer een puntenwolk in een Revit ® project
in te laden, werd deze eerst in Recap ingeladen. In Recap kan de puntenwolk nog verder manueel gekuist
worden en wordt het assenstelsel en het oorsprongspunt vastgelegd. De puntenwolk moet eerst naar een
rcs en een rcp bestand geëxporteerd worden, alvorens deze in Revit ® in te laden. Het rcs bestand slaat
de puntenwolk in een leesbaar formaat op voor Revit ®, het rcp bestand zelf wordt in Revit ® ingeladen.
Het rcp bestand bevat een link naar de rcs en bevat ook de oriëntatie en het oorsprongspunt.
Als de TLS en de SfM puntenwolken gecombineerd worden, is het van belang om ze op de juiste manier
in Recap in te laden, anders gaat de kleurinformatie verloren. De puntenwolken worden eerst
afzonderlijk in CloudCompare naar een txt bestand omgezet. Het is echter belangrijk dat bij deze
conversie de optie save colors as float values niet aangevinkt staat. Indien hiermee geen rekening wordt
gehouden, wordt de kleurinformatie niet meer ondersteund en wordt een zwart-wit puntenwolk
verkregen. (Figuur 47)
Vervolgens wordt via insert Point Cloud het rcp bestand in een Revit ® project ingeladen, waarbij de
Auto-origin-to-origin wordt aangezet. Op deze manier wordt het vastgelegde oorsprongspunt van in
Recap behouden. Als de oriëntatie van de puntenwolk nog dient aangepast te worden, kan de puntenwolk
door middel van het Rotate command gedraaid worden. Hierna wordt de puntenwolk best “gepind” zodat
gedurende het modelleringsproces de puntenwolk niet meer verdraait of verplaatst.
65
Figuur 47: Gecombineerde puntenwolk TLS en SfM ingeladen in Revit ® met behoud van kleurinformatie
Daarna kunnen levels aan de puntenwolk toegekend worden, waarbij de niveaus (bv. kelder en
gelijkvloers) vastgelegd worden om op te modelleren (Figuur 48). Op die manier worden muren tussen
twee levels getekend (Figuur 49). Alle objecten die in Revit ® gemodelleerd worden, worden ten
opzichte van een workplane getekend. Bij de generatie van plannen kunnen lay-outs van de level
aanzichten gemaakt worden om grondplannen te vervaardigen. Daarom moeten de levels in floorplans
omgezet worden via de view: plan views. Pas dan begint het eigenlijke modelleren in Revit ®.
Figuur 48: Toekennen levels in Revit ®
Het modelleren in Revit ® op basis van scandata is een volledig manueel proces waarbij de gebruiker
de puntenwolk als onderlegger gebruikt en hierop onder andere muren, vloeren, daken, deuren en ramen
tekent. Dit proces wordt gedeeltelijk geautomatiseerd door plug-ins en aanvullende programma’s. Deze
paragraaf handelt enkel over het modelleren in Revit ® zonder gebruik te maken van andere externe
functies. Deze functies worden in andere paragrafen toegelicht.
66
Figuur 49: Gebruik van levels bij het tekenen van muren
Als eerste stap werden de gescande vloeren gemodelleerd. De opbouw en de dikte waren niet gekend en
werden daarom arbitrair gekozen. Dit kan later na destructief onderzoek aangepast worden. Vervolgens
werden de buiten- en binnenmuren getekend en visueel door de gebruiker zo goed mogelijk “gefit”
(Figuur 50). Achteraf kan de muuropbouw nog steeds aangepast worden. De niveaus tot waar de muren
gemodelleerd worden, worden ingesteld aan de hand van de ingevoegde levels. De binnenruimte,
opgenomen met TLS en SfM, werd volledig gemodelleerd met het hoogst haalbare LoD, dat slaat op
het hoogst haalbare Level of Detail (Hoofdstuk 6.7).
Figuur 50: Tekenen van muren in Revit ®
De grootste uitdaging bij de vervaardiging van een HBIM zijn de vele details van een historisch gebouw,
zoals het modelleren van sierprofielen en moluren. Van de profielen werd een dwarsdoorsnede gemaakt
door middel van een limitbox, waarvan met de plug-in PointSense een orthofoto werd gemaakt. Het
profiel werd in de Revit ® family editor getekend, waarna het als profiel in een Revit ® project vanuit
de bibliotheek ingeladen werd. (Figuur 51)
67
Figuur 51: Creëren van doorsnede d.m.v. limitbox en orthofoto door PointSense
Door middel van de model in place tool in Revit ® wordt een object onmiddellijk als een family in het
project getekend. In deze tool werd een sweep uitgevoerd, waarbij de contouren van het profiel op de
muur overgetekend werden. Het reeds gecreëerde profiel vanuit de Revit ® family editor werd ingeladen
en dit profiel werd door de sweep volledig doorgetrokken, waardoor een solid form (object) gecreëerd
werd waaraan informatie kan gekoppeld worden. (Figuren 52 en 53)
Figuur 52: Creëren profiel in de family editor en inladen in Revit ®
Figuur 53: Uitgevoerde sweep in Revit ®
Als de plug-in PointSense niet gebruikt wordt, kan dezelfde werkwijze met AutoCAD uitgevoerd
worden. Uit de puntenwolk wordt een dwarsdoorsnede uitgesneden, daarna in Recap ingeladen om
vervolgens in AutoCAD in te laden waar de snede met de “best passende lijnen” overtrokken wordt.
Verder wordt de snede in Revit ® family editor ingeladen, waar hetzelfde profiel zoals verkregen uit de
orthofoto kan getekend worden (zie 6.5.7, p. 75-77). Deze methode is echter omslachtig.
68
Het creëren van deuren en ramen gebeurt ook in de family editor. Door een family te maken, kunnen de
objecten overal in het project ingeladen worden, wat het modelleringsproces vereenvoudigt aangezien
meestal dezelfde ramen en deuren voorkomen. Hierbij kan terug een orthofoto als onderlegger gebruikt
worden.
6.5.5 Modelleren met Rhino
Pilaren zijn objecten die vaak binnen een historisch gebouw voorkomen. Een voet van een pilaar werd
op verschillende manieren gemodelleerd om daarna de verkregen resultaten met elkaar te vergelijken
(Figuur 54).
Figuur 54: Pilaar uit de TLS puntenwolk in CloudCompare
De volledige puntenwolk of de al gecreëerde mesh kunnen in Recap ingeladen worden, hierin wordt het
oorsprongspunt en de oriëntatie vastgelegd en/of gewijzigd. Door vervolgens de puntenwolk in Revit ®
of Rhino in te laden, blijft het coördinatenstelsel onveranderlijk. De puntenwolken worden in Rhino als
een txt, pts, xyz of als een ASCII bestand ingeladen. Een mesh wordt als een obj bestand ingeladen.
Indien een complex object gemodelleerd wordt, wordt in Recap een deel van de puntenwolk
uitgesneden. Het coördinatenstelstel blijft nog steeds ongewijzigd bij het inladen in Revit ® of Rhino.
In sommige situaties komt het gemodelleerde object meerdere keren voor in een HBIM. Het is
eenvoudiger om het oorsprongspunt op het object te plaatsen zodat het object door snaptools binnen
Revit ® als een family kan ingeladen worden.
In CloudCompare werd van een deel van een uitgesneden pilaar een mesh gemaakt. De mesh werd als
een obj bestand opgeslagen en in Rhino ingeladen (Figuur 55).
69
Figuur 55: Mesh in CloudCompare en Rhino
In Rhino werd de plug-in RhinoResurf gebruikt, die de tool Automatic surface generation from mesh ter
beschikking stelt (Figuur 56). Hierdoor werd een curve network opgesteld welke polylines op de mesh
genereerde. Door de gebruiker werden ongewenste kromme lijnen van de polylines nog verder
gecorrigeerd en handmatig verwijderd (Figuur 57). Met behulp van de mesh werden de polylines
opnieuw getekend. Het is van belang dat tijdens het tekenen van de polylines op de mesh werd “gesnapt”.
Daarom werd met het commando PolyLineOnMesh gewerkt.
Figuur 56: Automatic surface generation
Figuur 57: Wegwerken van ongewenste kromme lijnen
70
Na het tekenen van het curve network werd een oppervlak door de tool Create surface gegenereerd.
Vanaf dan was er sprake van een polysurface (open polysurface, NURB’s) (Figuur 58). Bij het creëren
van de polysurface werden het aantal controlepunten voor de oppervlakte fitting, de maximale tolerantie
en de smoothness gaande van laag naar hoog ingegeven. De polysurface kan als object in Revit ®
ingeladen worden.
Figuur 58: Van curve network naar NURB’s
Het gemodelleerde object was niet volledig. Er was een optie om de mesh te herstellen, maar doordat de
pilaar niet volledig “gemesht” was, was dit geen relevante keuze. Een andere oplossing was door terug
te werken met de tool Automatic surface generation from mesh.
Met de tool circle: 3 points werd een best passende cirkel door drie punten van de polysurface getekend,
waarbij de omtrek van de pilaar werd bepaald. Een reeks polysurfaces werd behouden, waar in
dwarsdoorsnede een best passende lijn op werd gegenereerd. (Figuur 59)
Figuur 59: Best passende cirkel door drie punten en creëren van best passende lijn
71
De laatste stap werd met de tool sweep 1 uitgevoerd om het object volledig te maken. De polyline werd
rond de volledige cirkel doorgetrokken, waarbij een gesloten polysurface werd gemaakt. Het oppervlak
werd aan de hand van 30 controlepunten per dwarssectie gecreëerd (Figuur 60). Een hoger aantal
controlepunten leverde geen beter resultaat op. Het aantal controlepunten werd visueel door de gebruiker
bepaald (Figuur 61).
Figuur 60: Gesloten polysurface d.m.v. sweep
Figuur 61: a) 10 controlepunten, b) 20 controlepunten, c) 30 controlepunten, d) 40 controlepunten, e) 50
controlepunten en f) 100 controlepunten per dwarssectie
72
Aan de gecreëerde pilaar werd de onderblok manueel door de gebruiker bevestigd door twee snedes op
basis van de puntenwolk te tekenen. De twee snedes werden geëxtrudeerd met een solid form als
eindresultaat. Vervolgens werd de gecreëerde polysurface door de functie shadeview als een realistischer
object voorgesteld. (Figuur 62)
Figuur 62: Polysurface voorgesteld als shadeview
Als laatste stap in Rhino werd het gecreëerde object naar een ACIS bestand (.sat) geëxporteerd. Op deze
manier werd het object in Revit ® ingeladen en als family gebruikt. Bij de export options staat AutoCAD
aangevinkt.
In Revit ® werd het object in een family template, de mass template, ingeladen, hierdoor bevindt het
object zich in een family bibliotheek. Het object kan overal binnen het HBIM ingeladen worden (Figuur
63). Het is van belang om de juiste family template aan te duiden. De mass template is de enige template
die het geëxporteerde .sat bestand inlaadt.
Figuur 63: Ingeladen pilaar als family object in Revit ®
73
6.5.6 Modelleren met GreenSpider
Als eerste stap werd de puntenwolk van de pilaar in verschillende lagen van punten onderverdeeld
(Figuur 64). Dit segmenteringsproces werd in CloudCompare uitgevoerd en de puntenwolken werden
naar xyz-bestanden geëxporteerd. Vervolgens startte het modelleringsproces in de Revit ® family editor
aan de hand van GreenSpider (GSP). De eerste stap binnen GSP is het converteren van de puntenwolken,
opgeslagen als een xyz-bestand, naar GSP bestanden met de tool GreenSpider Translator (Figuur 65).
Het is van belang om te werken met xyz-bestanden, want de Translator herkent geen andere bestanden.
De gebruiker kiest tussen GSP-X bestanden of GSP-Y bestanden, afhankelijk van het vlak waarin de
GSP curves gegenereerd worden.
Figuur 64: Pilaar in CloudCompare en pilaar gesegmenteerd
Figuur 65: Converteren van de puntenwolken en de GSPoints en de GSCurves
Zowel GSP-X bestanden als GSP-Y bestanden werden gegenereerd waarbij de functionaliteit werd
onderzocht. Bij het importeren van GSPoints was er geen merkbaar verschil tussen de GSP-X en GSP-
Y bestanden, terwijl bij het importeren van GSCurves wel een merkbaar verschil vast te stellen was. Bij
de GSPoints worden de punten binnen Revit ® family editor ingeladen en kunnen op deze punten
“gesnapt” worden. Dit is een vernieuwing binnen de family editor van Revit ® want normaal is het niet
mogelijk om een puntenwolk in te laden en een object van te maken. Met behulp van GSP worden
modellines op de puntenwolk getekend. Met de tool GSCurves werd de puntenwolk in Revit ® ingeladen
en werden splines gegenereerd. (Figuur 66)
74
Figuur 66: a) Dichte puntenwolk snappoints, b) dichte puntenwolk X splines, c) dichte puntenwolk Y splines,
d) uitgedunde puntenwolk snappoints, e) uitgedunde puntenwolk X splines en f) uitgedunde puntenwolk Y
splines
Op Figuur 66, bovenste deel, werd een niet-uitgedunde puntenwolk met GSP in Revit ® ingeladen. Het
is duidelijk dat de GSPoints snappoints zijn. Het GSP-X bestand verbindt de punten in het X-vlak
(horizontaal vlak), terwijl het GSP-Y bestand de punten in het Y-vlak (verticaal vlak) verbindt. Het
GSP-X bestand gaf een minder goed resultaat dan het GSP-Y bestand bij het creëren van splines. Maar
ook het resultaat uit het GSP-Y bestand was nog niet uitstekend. Doordat de puntenwolk nog niet
uitgedund was, werden de splines door elk punt van de puntenwolk gecreëerd. Een best passende spline
door de puntenwolk zou een beter resultaat geven. Daarom werd de snede van de puntenwolk nog verder
uitgedund en gefilterd zodat de punten slechts op een lijn lagen (Figuur 67). Dit gaf op zich een beter
resultaat (Figuur 66, onderste deel), maar de splines waren nog steeds foutief in het GSP-Y bestand.
GSP bevindt zich nog steeds in de testfase en is enkel als een proof of concept bedoeld.
Figuur 67: Niet uitgedunde en uitgedunde puntenwolk
75
6.5.7 Modelleren met AutoCAD
De manier waarop GSP objecten creëert is een interessant concept om verder te ontleden. De methodiek
van GSP werd in AutoCAD uitgevoerd, maar zonder automatische generatie van splines zoals in GSP.
De verschillende snedes van de puntenwolken werden eerst in Recap ingeladen, waarbij de oriëntatie
werd gewijzigd. De puntenwolken werden naar een rcs bestand geëxporteerd en het project werd als een
rcp bestand opgeslagen. De puntenwolken vanuit Recap werden via de tool PointCloud Attach in
AutoCAD ingeladen. (Figuur 68)
Figuur 68: Puntenwolk in Recap en in AutoCAD
AutoCAD herkent de puntenwolk, waarbij de punten snappoints zijn. In tegenstelling tot Revit ® kan
enkel met snappoints in een Revit ® project gewerkt worden en niet in de family editor. Vervolgens
werden de modellines (cirkels en lijnen) als best passende geometrische figuren manueel door de
gebruiker op de puntenwolk getekend (Figuur 69).
Figuur 69: Tekenen van best passende vierkanten en cirkels
Daarna werd het AutoCAD bestand in de Revit ® family editor ingeladen. Aan alle modellines werden
reference levels als workplane toegekend, waardoor de getekende modellines per reference level naar
splines werden omgezet (Figuur 70). Na het creëren van de splines werden solid forms met de tool
create solid form in Revit ® gegenereerd (Figuur 71). De tool verbindt de splines met elkaar door middel
76
van een best passend oppervlak. Als laatste stap werd de family in de Revit ® family editor opgeslagen
alvorens ze verder in het HBIM in te laden (Figuur 72).
Figuur 70: Toekennen van reference levels in Revit ®
Figuur 71: Create solid form in Revit ®
Figuur 72: Inladen van de family in het Revit ® project
De modellering in AutoCAD kan ook op een andere manier uitgevoerd worden, waarbij niet meer met
GSP horizontale snedes werd gewerkt om deze door middel van splines te modelleren tot solid forms.
Er werd geopteerd om te werken met een revolve (gelijkaardige manier als het werken met orthofoto’s
volgens PointSense, zie 6.5.9, p.84). Hiervoor is een verticale doorsnede nodig die de pilaar (enkel het
bovenste cilindervormige deel) rond zijn as draait en een solid form van creëert (Figuur 73).
77
Figuur 73: Werken met verticale doorsnede en revolve
6.5.8 Modelleren met Cyclone en CloudWorx
Cyclone spitst zich vooral toe op het modelleren van pijpen, het modelleren van muren en vloeren zijn
niet mogelijk. Als eerste stap om een pijp te modelleren werd een sectionbox, rond de puntenwolk dat
de pijp voorstelt, geplaatst. Vervolgens werd de functie Create object Region Grow Pipe run
gebruikt. Door met pick points te werken, werd het traject aangeduid waar de pijp in de puntenwolk
dient “gefit” te worden. Op basis van de puntenwolk werd een best passende pijp gegenereerd. Bij
Region Grow Pipe run manager werden de details (lengte en diameter) van de “gefitte” pijpen
weergegeven (Figuur 74).
78
Figuur 74: Modelleren van een pijp in Cyclone
Zowel aan de buitenkant als aan de binnenkant van de pijp werden ongeveer evenveel punten
waargenomen. Dit wil zeggen dat de wand van de pijp in het midden van de puntenwolk “gefit” werd
(Figuur 75).
Figuur 75: “Gefitte” pijp in de puntenwolk in Cyclone
Het bestand werd als een COE bestand opgeslagen, waardoor het via de plug-in CloudWorx, met de tool
COE import, in Revit ® werd ingeladen. De verschillende componenten van de pijp werden als family
ingeladen, waarbij de eigenschappen opgevraagd en bewerkt kunnen worden (Figuur 76).
79
Figuur 76: Gemodelleerde pijpen als Revit ® family met eigenschappen
Met CloudWorx wordt onmiddellijk in Revit ® gemodelleerd. Door CloudWorx wordt een puntenwolk
vanuit Cyclone in een Revit ® project ingeladen zonder de puntenwolk te exporteren naar een xyz, ptx
of pts bestand. Om deze daarna te moeten inladen in Recap om dan pas naar Revit ® over te schakelen.
CloudWorx heeft een tool import MS view waarbij rechtstreeks puntenwolken en de reeds
gemodelleerde objecten uit de Cyclone navigator in Revit ® ingeladen worden (Figuur 77).
Figuur 77: Cyclone projecten openen vanuit Revit ®
De ingeladen puntenwolken worden als onderlegger tijdens het modelleren binnen CloudWorx gebruikt
(Figuur 78). In CloudWorx werden, net zoals in Cyclone, pijpen gemodelleerd waarbij nu onmiddellijk
sprake was van Revit ® objecten. Deze pijpen werden gemodelleerd met de tool pipe pick point, op
dezelfde werkwijze als modelleren in Cyclone (Figuur 79). Het nadeel van modelleren met CloudWorx
is dat de ingeladen puntenwolken vanuit Recap niet gebruikt kunnen worden om pijpen op te modelleren.
Dit kan enkel als projecten vanuit Cyclone ingeladen worden.
80
Figuur 78: Puntenwolken ingeladen in Revit ® vanuit Cyclone
Figuur 79: Pijp modelleren in Revit ® met behulp van CloudWorx
81
6.5.9 Modelleren met PointSense
Als laatste plug-in bij het modelleren in Revit ® werd PointSense gebruikt, waarbij het mogelijk is om
semi automatisch te modelleren en waarbij het manueel modelleren vlotter en eenvoudiger verloopt.
Semi automatisch modelleren kan aan de hand van verschillende tools. De eerste tool Fitt Wall Selection
tekent, op een selectie gemaakt door de gebruiker, een best passende muur op basis van de puntenwolk
ingeladen in Revit ® (Figuren 80 en 81). De gebruikte muur family is een bestaande family uit de
bibliotheek, maar de dikte werd door de plug-in aangepast zodat de ware dikte van de muur werd
benaderd. De muur werd als het ware in de puntenwolk “gefit”. Door de plug-in werd een nieuwe family
aangemaakt met als basis een bestaande family.
Figuur 80: Semi automatisch plaatsen van muren via PointSense
Figuur 81: Grondplan na semi automatisch plaatsen van muren via PointSense
82
Vooraleer de tool Fitt Wall Selection gebruikt werd, werd de tool prepare point cloud toegepast. Het
beeld van de scheidingslijnen in de puntenwolk wordt duidelijker, waarbij het eenvoudiger was om
muren in de puntenwolk te “fitten”. (Figuur 82)
Figuur 82: Boven: voor prepare point cloud, onder: na prepare point cloud
Daarnaast biedt PointSense ook de mogelijkheid om workplanes, vlakken waarop gemodelleerd wordt,
te “fitten” in de puntenwolk met de tool Fit Plane (Figuur 83). Deze tool modelleert muren of vloeren
die niet perfect verticaal staan of niet horizontaal liggen op basis van de werkelijke situatie. In Revit ®
is het niet mogelijk om schuine workplanes te creëren.
83
Figuur 83: “Fitten” van een workplane in de puntenwolk
Gemodelleerde muren en vloeren werden vergeleken met de puntenwolk van waaruit ze gemodelleerd
werden. Op deze manier werd nagegaan of de echte muur scheef was of niet (als de gemodelleerde muur
loodrecht getekend was) en werd de LoD gecontroleerd, of met andere woorden de nauwkeurigheid,
waarmee de puntenwolk werd gemodelleerd. De gebruikte tool binnen PointSense is de Surface
Analysis, waarbij de verschillen tussen de gemodelleerde objecten en de puntenwolk met een
divergerend kleurenschema werden aangeduid (Figuur 84).
Figuur 84: Surface Analysis in PointSense
84
Om manueel te modelleren in PointSense werd van de puntenwolk een orthofoto, in elk aanzicht
mogelijk, gemaakt waarop gemeten kan worden (Figuur 85). Deze orthofoto werd rechtstreeks in de
family editor ingeladen, waarbij het als onderlegger werd gebruikt om onder andere een profiel, een
raam of een deur op te modelleren (zie 6.5.4, p.66-67).
Figuur 85: Orthofoto in PointSense
Om de modellering te evalueren en gemakkelijker te maken in de family editor kan de puntenwolk zelf
door middel van PointSense in de family editor ingeladen worden. Dit is mogelijk door de tool Export
Point Cloud Region uit te voeren op de puntenwolk in het Revit ® project. Deze puntenwolk werd naar
een pts bestand omgezet. Zo kan de pilaar die op verschillende manieren werd gemodelleerd (ook reeds
op de manier volgens PointSense, door een verticale doorsnede en revolve te gebruiken, zie 6.5.7, p.76-
77) rechtstreeks in de family editor gemodelleerd worden zonder tussenstappen te gebruiken, wat het
modelleringsproces vlotter en eenvoudiger maakt. De manier in AutoCAD met de verticale en
horizontale snedes kan hierdoor rechtstreeks in de family editor door middel van PointSense uitgevoerd
worden (Figuur 86).
Figuur 86: Section box van de pilaar in Revit ®, pilaar ingeladen in de family editor en pilaar gemodelleerd
in de family editor
85
Om Revit ® families op een eenvoudige manier te genereren van ramen en deuren, werd met de Export
Cloud Region gewerkt. Om van een raam een family te maken, werd van de puntenwolk een sectionbox
in Revit ® gemaakt, waarin het raam werd uitgesneden. Van dit raam werd in PointSense een Export
Cloud Region toegepast, waarbij het pts bestand in de family editor werd ingeladen. Deze puntenwolk
werd in de family editor als onderlegger gebruikt en de gebruiker hervormde de bestaande family op
basis van de puntenwolk tot de te modelleren family. Nadat de family gecreëerd was, werd deze overal
in het project ingeladen, daar waar zich hetzelfde raam bevond (Figuren 87 en 88).
Figuur 87: Ingeladen family in het Revit ® project, links: vooraanzicht, rechts: bovenaanzicht in doorsnede
Figuur 88: Van puntenwolk naar family
Om een family te genereren, werd ook een orthofoto gebruikt. In tegenstelling tot een puntenwolk is een
orthofoto soms eenvoudiger te modelleren. Als de orthofoto met het X-ray commando genomen wordt,
dan filtert PointSense de puntenwolk net zoals bij de tool Prepare Point Cloud zodat enkel de best
passende lijnen overblijven. Dit vereenvoudigt het modelleerwerk. Om van een deur een family te
maken, werd van de puntenwolk een orthofoto genomen waarbij deze als onderlegger in de family editor
werd ingeladen om de deur te modelleren. Nadat de family gecreëerd was, kon deze overal in het project
ingeladen worden, daar waar zich dezelfde deur bevond (Figuur 89).
86
Figuur 89: Links: puntenwolk spiegeldeur, midden: orthofoto X-ray spiegeldeur, rechts: gemodelleerde
spiegeldeur
Met PointSense worden ook pijpen semi automatisch gemodelleerd. De gebruiker duidt, net zoals bij
Cyclone en CloudWorx, het traject van de pijp aan. Vervolgens “fitte” PointSense de pijp in de
puntenwolk, waarbij de koppelstukken tussen de pijpen ook onmiddellijk gegenereerd werden. (Figuur
90)
Figuur 90: Modelleren van pijpen met PointSense
6.5.10 Vergelijking van de gemodelleerde pilaren
De pilaren, elk op een andere manier gemodelleerd, werden vergeleken met de originele TLS
puntenwolk. Om deze te vergelijken werden de gecreëerde Revit ® families geëxporteerd naar een DXF
bestand. Dit bestand is importeerbaar in Rhino, waarin de objecten in een mesh werden omgezet, waarbij
ze verder werden verdicht en in een polysurface werden omgezet om ze vervolgens naar een obj bestand
te exporteren. In CloudCompare werden de obj bestanden ingeladen om een dichte puntenwolk van te
maken en om ze met cloud-to-cloud distance te vergelijken. De pilaar uit Rhino werd gealigneerd met
de pilaren uit AutoCAD volgens de methodes van GSP (horizontale snedes) en PointSense (verticale
doorsnede en revolve) alsook met de pilaar rechtstreeks in Revit ® met PointSense gemodelleerd,
waarbij de RMS gemiddeld 2 mm bedroeg. Tot slot werden deze pilaren gealigneerd met de
87
oorspronkelijke pilaar, welke een RMS van 5 mm impliceerde. De pilaren werden dan met de
oorspronkelijke pilaar vergeleken, zowel visueel door de gebruiker (Figuur 91) als met de cloud-to-
cloud distance in CloudCompare.
Figuur 91: Oorspronkelijke pilaar, Rhino, AutoCAD volgens GSP en PointSense en PointSense pilaar in
Revit ®
Visueel werd vastgesteld dat de pilaar uit Rhino de minste overeenkomst vertoonde met de
oorspronkelijke pilaar, de pilaar volgens GSP vertoonde meer overeenkomsten maar bevatte nog steeds
vervormingen ten opzichte van de oorspronkelijke pilaar. De pilaar volgens GSP volgde meer de
karakteristieke vorm van de oorspronkelijke pilaar, terwijl de pilaar uit Rhino vlakker was. In Rhino
werd pas een polysurface gemaakt als de mesh eerst voldoende “gesmooth” werd. In AutoCAD werden
niet voldoende snedes gecreëerd, waardoor de karakteristieke vorm licht vervormd werd, visueel vast te
stellen als een “uitrekking”. De pilaar gemodelleerd met PointSense in Revit ®, uitgevoerd met een
revolve, vertoonde de beste gelijkenis met de oorspronkelijke pilaar. Van de volledige contour werd een
profiel vervaardigd dat de karakteristieke punten het best volgde. De pilaar gemodelleerd in AutoCAD
volgens PointSense is sterk vergelijkbaar. De pilaren werden in CloudCompare vergeleken door de
cloud-to-cloud distance uit te voeren (Figuur 92).
88
Figuur 92: Cloud-to-cloud distance vergelijking [m] van Rhino, GSP en PointSense in AutoCAD en
PointSense in Revit ® ten opzichte van oorspronkelijke pilaar
In eerste instantie gaf de vergelijking met cloud-to-cloud een ander beeld dan de visuele vaststelling
louter op vlak van de vorm. Waar de visuele vergelijking de voorkeur gaf aan de PointSense pilaar, werd
bij cloud-to-cloud distance de voorkeur aan de Rhino pilaar gegeven aangezien de beste indicatie tot
overeenkomst met de oorspronkelijke puntenwolk werd vastgesteld. Dit is te verklaren doordat Rhino
de puntenwolk gebruikt om een object van te creëren, zonder tussenkomst van de gebruiker. Bij de twee
andere manieren (GSP en PointSense uitgevoerd in AutoCAD) werden de puntenwolken ook gebruikt
om te modelleren aan de hand van snappoints in een doorsnede. De pilaar volgens PointSense vertoonde
een betere overeenkomst dan de pilaar volgens GSP. Dit is op dezelfde manier te verklaren als bij de
visuele vergelijking.
Algemeen werd geconcludeerd dat beide pilaren volgens PointSense gemodelleerd, de ene pilaar binnen
PointSense zelf en de andere in AutoCAD, de beste overeenkomsten vertoonden met de oorspronkelijke
puntenwolk. De pilaar rechtstreeks in Revit ® gemodelleerd vertoonde echter wel nog betere
overeenkomsten, doordat geen tussenstappen werden gebruikt en rechtstreeks met de puntenwolk werd
gemodelleerd. Terwijl volgens de manier van AutoCAD eerst modellines in AutoCAD getekend werden
om ze vervolgens in Revit ® zelf in splines om te zetten. De pilaar volgens Rhino sloot het beste aan op
de oorspronkelijke pilaar, maar door de afvlakking bij de mesh creatie gingen de karakteristieke details
verloren. De pilaar volgens GSP volgde wel de karakteristieke details van de oorspronkelijke pilaar,
maar sloot niet genoeg aan op de oorspronkelijke puntenwolk. Dit kwam doordat te weinig snedes
werden gebruikt.
89
6.5.11 Belang van de keuze van de resolutie bij het modelleren van profielen
Om profielen te modelleren, wordt op basis van een doorsnede een profiel overtrokken in de Revit ®
family editor. De dikte van deze doorsnede is afhankelijk van de gebruikte resolutie van het te scannen
object. Hoe hoger de resolutie, hoe minder dik de doorsnede dient te zijn om dit profiel te modelleren.
Er werd onderzocht hoe dik een doorsnede dient te zijn, bij een bepaalde resolutie, om een bepaald
profiel nog te kunnen modelleren in de family editor. Om deze doorsnede te modelleren werden
orthofoto’s met PointSense gemaakt. De instelling X-ray werd gekozen in plaats van de color instelling,
omdat PointSense de puntenwolk zelf eerst gaat filteren. Net zoals bij het commando prepare point
cloud gaat PointSense lijnen dunner voorstellen, of als het ware meer best passende lijnen genereren,
welke het modelleringsproces bevorderen. (Figuur 93)
Figuur 93: Links: orthofoto X-ray, rechts: orthofoto color met PointSense
Er werd gestart met de hoogste resolutie van 3,5 mm (resolutie ingesteld bij de TLS data-acquisitie) en
deze werd stelselmatig verlaagd door deze puntenwolk te “subsamplen”. Het onderzocht profiel (Figuur
94) werd “gesubsampled” op 5 mm, 7 mm, 10 mm, 15 mm, 20 mm, 25 mm en 30 mm.
Figuur 94: Links: vooraanzicht profiel, rechts: doorsnede profiel
90
Tabel 22: Verband resolutie en nodige dikte bij het modelleren
Resolutie
Puntenwolk
Dikte snede [mm] Orthofoto X-ray
TLS
oorspronkelijk
3,5 mm
12
TLS subsample
5 mm
18
TLS subsample
7 mm
24
TLS subsample
10 mm
36
TLS subsample
15 mm
95
TLS subsample
20 mm
185
TLS subsample
25 mm
300
TLS subsample
30 mm
350 (maximum,
lengte profiel in
vooraanzicht)
91
Uit Tabel 22 werd geconcludeerd dat de resolutie afhankelijk was van de graad van detail en van de te
modelleren objecten. Bij een resolutie van 25 mm was het mogelijk om het profiel nog te modelleren.
De benodigde dikte in doorsnede om de contour van het profiel nog steeds te modelleren, was 5 cm
kleiner dan de lengte van het profiel in vooraanzicht. Als dit profiel meer dan 5 cm korter was geweest,
was dit in deze resolutie niet meer te modelleren. De benodigde dikte die nodig was om het profiel te
modelleren bij een resolutie van 30 mm, bedroeg de volledige lengte van het profiel (35 cm). Hierdoor
was het profiel niet meer te modelleren. Het is van belang om eerst een grondige terreinverkenning uit
te voeren vooraleer de resolutie bij de data-acquisitie wordt gekozen.
6.6 Vergelijking bestaand plan stad Gent en BIM
Het plan van het kasteel, bemachtigd door de stad Gent, werd met de gemodelleerde ruimte in Revit ®
vergeleken naar muurdiktes, binnen afmetingen, deuropeningen en raamopeningen toe (Tabel 23).
Tabel 23: Vergelijking bestaand plan stad Gent en BIM
Vergelijking Dikte
buitenmuur
[m]
Dikte
binnenmuur
[m]
Binnen
afmetingen
overstaande
muren [m]
Deuropening
[m]
Raamopening
[m]
Plan stad
Gent
0,368 0,380
0,250
6,190
4,690
2,905
2,466
1,210
1,210
1,183
BIM 0,365 0,380
0,250
6,189
4,690
2,904
2,450
1,206
1,211
1,186
Verschil 0,003 - 0,001
-
0,001
0,011
0,004
0,001
0,003
Algemeen werd geconcludeerd dat beide plannen een goede overeenkomst qua afmetingen vertoonden.
Bij de buitenmuren was slechts sprake van een onderling verschil in dikte van 3 mm, bij de binnenmuren
was zelfs geen verschil. De overstaande muren langs de binnenzijde verschilden in de lengte 1 mm, in
de breedte was er geen verschil. In de gemodelleerde binnenruimte zijn twee deuren aanwezig waarvan
de ene deuropening in de lengte slechts 1 mm varieerde, de andere opening verschilde 11 mm. De drie
aanwezige raamopeningen varieerden slechts 4, 3 en 1 mm. (Plannen 1 en 2)
92
Plan 1: Plan stad Gent [cm]
Plan 2: Plan uit het BIM [m]
93
6.7 Voorstelling gemodelleerde binnenruimte
Om de verschillende plug-ins te testen, werd een binnenruimte van het kasteel Borluut gemodelleerd in
de hoogste graad van geometrisch detail. Figuren 95, 96, 97 en 98 geven de originele TLS puntenwolk
weer die gebruikt werd om te modelleren en het uiteindelijke HBIM.
Figuur 95: Openhaard en binnenramen TLS puntenwolk en HBIM
Figuur 96: Binnenraam TLS puntenwolk en HBIM
94
Figuur 97: Spiegeldeur TLS puntenwolk en HBIM
Figuur 98: Rechthoekige deur TLS puntenwolk en HBIM
95
7 Discussie en conclusie
De as-is toestand van een historisch gebouw in de erfgoedsector is van belang naar restauratie en
renovatie toe, waarbij een model een goede vorm van documentatie is. Om tot een as-is BIM te komen
zijn close range digitale fotogrammetrie (SfM) en terrestrische laserscanning (TLS) de twee meest
gebruikte methodes.
De data-acquisitie via TLS had een langere effectieve meettijd dan via SfM, afhankelijk van het type
scanner. Bij TLS werd het toestel per scanpositie geïnitialiseerd en werden de targets, om de
koppelingen tussen de verschillende scanposities te realiseren, oordeelkundig geplaatst. Na de
initialisatie en opname van de natuurlijke en kunstmatige targets scande de laserscanner autonoom het
object, zonder tussenkomst van de gebruiker. De data-acquisitie bij SfM was korter, maar de gebruiker
was steeds actief bezig met de data inzameling, rekening houdend met de vereisten voor het nemen van
de foto’s. De opname posities werden oordeelkundig gekozen en de minimale overlap bedroeg 60 %,
waarbij de foto’s zo loodrecht mogelijk werden genomen.
Bij beide methodes was terreinverkenning een vereiste. De ingestelde resolutie van de laserscanner en
de brandpuntsafstand van het fototoestel, werden afhankelijk van het vereiste LoD, gekozen. Beide
methodes zijn gebonden aan de line of sight, waarbij deze van fotogrammetrie eenvoudiger te
manipuleren was.
Bij de dataverwerking van beide methodes, was er een groot verschil tussen beide. De puntenwolk van
TLS was onmiddellijk metrisch, waarbij enkel targets werden aangeduid om de registratie uit te voeren.
Om een metrische SfM puntenwolk te verkrijgen, waren extra ingrepen nodig. De foto’s werden eerst
“gemaskt”, om ze vervolgens te voorzien van markers en scalebars. Door de foto’s op te delen in chunks
verliep de alignering bij grote modellen vlotter.
De SfM puntenwolk bevatte meer ruis dan een gelijkaardige TLS puntenwolk. Doordat de diepte de
zwakke dimensie is bij fotogrammetrie, werd bij slechte belichting een verkeerde inschatting van de
diepte van de cameraposities gemaakt en werd meer ruis gecreëerd. Bij vlakken werd meer voor- en
achtergrondruis gecreëerd. Deze ruis werd door de gebruiker weggesneden, waardoor gaten in de
puntenwolk ontstonden. De resolutie bij SfM was op het eerste zicht bij details aanvaardbaar, maar in
doorsnede was er een afzwakking in de diepterichting te bemerken. De karakteristieken van de details
werden onvoldoende weergegeven. De puntenwolk van SfM bevatte meer punten dan deze van TLS,
maar dit was hoofdzakelijk door meer voor- en achtergrondruis. Hierdoor gaf de resolutie een vertekend
beeld naar modelleerbaarheid toe. Bij SfM werd de verschaling in rekening gebracht door met scalebars
te werken, die in alle vrijheidsgraden van het model werden geplaatst. Een scalebar van 1 m voor een
gebouw van 10 m hoog waarbij de RMS 1 mm bedroeg, impliceerde een fout van 10 mm op de afstand
van 10 m. Om deze reden werd met voldoende grote scalebars gewerkt. De kleurinformatie bij SfM was
een groot voordeel naar het modelleren toe.
96
Door een kleinere hoeveelheid aan ruis bij de TLS puntenwolk ontstonden geen of weinig gaten tijdens
het kuiswerk. De karakteristieken van de details werden goed weergegeven en de puntenwolk was te
modelleren, maar de kleureninformatie door fotogrammetrie was een nuttige toevoeging. Sommige
laserscanners nemen foto’s wat een voordeel biedt bij de verwerking van de puntenwolk data. De
kwaliteit van de foto’s zijn doorgaans minder, afhankelijk van het gebruikte toestel. Omwille van de
kleureninformatie werd de SfM puntenwolk naast de TLS puntenwolk gebruikt. Indien er toch gaten
waren in de TLS puntenwolk door de mindere manipuleerbaarheid van de line of sight werd de SfM
puntenwolk als aanvulling gebruikt. Een volledige puntenwolk van fotogrammetrie gebruiken om te
modelleren wordt niet aangeraden.
Na het verkrijgen van een zuivere puntenwolk werd deze gemodelleerd. In Revit ® verliep het
modelleringsproces volledig manueel, waarbij de puntenwolk als onderlegger gebruikt werd. De punten
van de puntenwolk werden als snappoints in het project zelf ingeladen. In een historisch gebouw zijn
veel repetitieve elementen aanwezig, deze werden in een family aan de hand van plug-ins gemodelleerd
om ze verder in het HBIM in te laden. Met GreenSpider (GSP) werden de punten van de puntenwolk
als snappoints ingeladen in de family editor. De input binnen GSP zijn hoofdzakelijk snedes uit de
puntenwolk, waarbij GSP op een automatische manier splines in de family editor genereerde, waarna
een object gecreëerd werd. GSP was bedoeld als een proof of concept, waarna Revit ® zelf inspanningen
leverde om snappoints in een project te gebruiken. Nu is het echter nog steeds niet mogelijk om
snappoints te verkrijgen in de family editor zonder gebruik te maken van GSP.
PointSense is een andere manier om de puntenwolk in de family editor te gebruiken. In PointSense werd
een puntenwolk naar een pts bestand geëxporteerd, waarna dit door middel van PointSense in de family
editor ingeladen werd. Deze punten in de puntenwolk werden echter niet herkend als snappoints, maar
als onderlegger gebruikt. In PointSense werden ook orthofoto’s gebruikt, waarop gemeten kan worden.
Het grote verschil met de puntenwolk in de family editor is dat het beeld van de puntenwolk door middel
van het X-ray commando gefilterd wordt. Om in de family editor modellines te genereren, werd ook
AutoCAD gebruikt, waarin punten van de puntenwolk wel als snappoints ingeladen werden. Het nadeel
hieraan zijn de meerdere omzettingen om naar de family editor over te gaan. Rhino is de laatste methode
om families te creëren, de meshen van puntenwolken werden naar objecten omgezet door een NURB’s
conversie om ze vervolgens in de family editor in te laden.
Het manuele modelleringsproces in Revit ® werd door middel van plug-ins ook semi automatisch
gemaakt. Met PointSense werden muren, vloeren en pijpen semi automatisch in de puntenwolk
gemodelleerd. In tegenstelling tot CloudWorx werden enkel pijpen in puntenwolken afkomstig uit
Cyclone gemodelleerd. In Cyclone zelf kan ook gemodelleerd worden, maar dit beperkt zich ook vooral
tot pijpen.
97
Deze masterproef toont aan dat het voor de erfgoedsector mogelijk is om een HBIM te bekomen op een
efficiënte en semi automatische manier waarbij PointSense de meest complete plug-in is voor Revit ®.
Verder moet de gebruikte data-acquisitie methode in rekening gebracht worden. TLS vormt de
basispuntenwolk, die best met SfM wordt aangevuld om te modelleren.
98
8 Bibliografie
8.1 Artikels
Antón, D., Medjdoub, B., Shrahily, R., & Moyano, J. (2018). Accuracy evaluation of the semi-automatic
3D modeling for historical buidling information models. International Journal of Architectural
Heritage, 1-17.
Baik, A., & Boehm, J. (2017). 11 Jeddah Heritage Building Information Modelling (JHBIM), 133.
Beraldin, J.-A. (2004). Integration of Laser Scanning and Close-Range Photogrammetry - The Last
Decade and Beyond . Paper presented at the Proceedings of the XXth ISPRS Congress.
Biagini, C., Capone, P., Donato, V., & Facchini, N. (2016). Towards the BIM implementation for
historical building restoration sites. Automation in Construction, 74-86.
Carvalho Lima, A. (2015). Upgrade of an industrial building: BIM model of the as-built situation and
evaluation of modifications. Doctoral dissertation, 1-142.
Cheng, H.-M., Yang, W.-B., & Yen, Y.-N. (2015). BIM applied in historical building documentation
and refurbishing. The Internation Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, 85-90.
Chiabrando, F., Sammartano, G., & Spanò, A. (2016). Historical buildings models and their handling
via 3D survey: from point clouds to user-oriented HBIM. International Society for
Photogrammetry and Remote Sensing (ISPRS), 633-640.
Cosarca, C., Jocea, A., & Savu, A. (2009). Analysis of error sources in Terrestrial Laser Scanning.
Journal of Geodesy and Cadastre, 115-124.
Dai, F., & Lu, M. (2010). Assessing the Accuracy of Applying Photogrammetry to Take Geometric
Measurements on Building Products. Journal of construction Engineering and Management,
242-250.
Del Giudice, M., & Osello, A. (2013). BIM for cultural heritage. International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS), 225-229.
Dore, C., & Murphy , M. (2012). Integration of Historic Building Information Modeling (HBIM) and
3D GIS for Recording and Managing Cultural Heritage sites. Virtual Systems in the Information
Society, 369-376.
Garagnani , S., & Manferdini, A. (2013). Parametric accuracy: building information modeling process
applied to the cultural heritage preservation. International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, 87-92.
99
Heipke, C. (1997). Automation of interior, relative, and absolute orientation. Journal of
Photogrammetry & Remote Sensing, 1-19.
Huber, D., Akinci, B., Adan, A., Anil, E., Okorn, B., & Xiong, X. (2011). Methods for Automatically
Modeling and Representing As-built Building Information Models. NSF CMMI Research
Innovation Conference, 1-8.
Jacobs, G. (2006). Understandig spot size for laser scanning. Professional Surveyor Magazine, 1-3.
Kadobayashi, R., Kochi, N., Otani, H., & Furukawa, R. (2004). Comparison and evaluation of laser
scanning and photogrammetry and their combined use for digital recording of cultural heritage.
International Archives of the Photogrammetry, Remote Sensing and Spatial Information
Sciences (ISPRS), 401-406.
Lemes, S., & Zaimovic-Uzunovic, N. (2009). Study of ambient light influence on laser 3D scanning.
ICT & MPT, 327-330.
Liu, X., Eybpoosh, M., & Akinci, B. (2012). Developing as-built building information model using
construction process history captured by a laser scanner and camera. In Construction Research
Congress 2012: Construction Challenges in a Flat World, 1232-1241.
Logothetis , S., Delinasiou, A., & Stylianidis, E. (2015). Building Information Modelling for cultural
heritage: a review. ISPRS, International Society for Photogrammetry and Remote Sensing, 177-
183.
Macher, H., Landes, T., & Grussenmeyer, P. (2017). From point clouds to building information models:
3d semi-automatic reconstruction of indoors of existing buildings. Applied Sciences, 1-30.
Monteiro, A., & Martins, J. (2013). A survey on modeling guidelines for quantity takoff-oriented BIM-
based design. Automation in Construction, 1-29.
Oreni, D., Brumana, R., Della Torre, S., Banfi, F., Barazzetti, L., & Previtali, M. (2014). Survey turned
into HBIM: The restoration and the work involved concerning the Basilica Di Collemaggio after
the earthquake. ISPRS Internatial Society for Photogrammetry and Remote Sensing, 267-273.
Prieto, G., & Ramos, A. (2015). Modeling and accuracy assessment for 3D-virtual reconstruction in
cultural heritage using low-cost photogrammetry: surveying of the 'Santa Maria Azogue'
church's front. The International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, 263-270.
Remondino, F. (2011). Heritage Recording and 3D Modeling with Photogrammetry and 3D Scanning.
Remote Sensing, 1104-1138.
Remondino, F., & El-Hakim, S. (2006). Image-based 3D modelling: a review. The Photogrammetric
Record, 269-291.
100
Remondino, F., & Fraser, C. (2006). Digital camera calibration methods: Considerations and
comparisons. International Archives of Photogrammetry, Remote Sensing and Spatial
Information Sciences (ISPRS), 266-272.
Santosi, Z., Sokac, M., Puskar, T., & Budak, I. (2017). Comparative Analysis of full frame and APS-C
camera sensors on 3D digitization results. East-West Design & Test Symposium (EWDTS), 1-5.
Schulz, T. (2007). Calibration of a Terrestrial Laser Scanner for Engineering Geodesy. Institute of
Geodesy and Photogrammetry, 1-172.
Soudarissanane, S., Lindenbergh, R., Menenti, M., & Teunissen, P. (2011). Scanning geometry:
Influencing factor on the quality of terrestrial laser scanning points. ISPRS Journal of
Photogrammetry and Remote Sensing, 389-399.
Stal, C. (2014). Modelling in the world in 3D: aspects of the acquisition, processing, management and
analysis of spatial 3D data. Dissertation submitted in accordance with the requirements for the
degree of Doctor of Sciences: Geomatics. Ghent University .
Sturzenegger, M., & Stead, D. (2009). Close-range terrestrial digital photogrammetry and terrestrial
laser scanning for discontinuity characterization on rock cuts. Engineering Geology, 106 (3-4),
163-182.
Tack, F., Debie, J., Goossens, R., De Meulemeester, J., & Devriendt, D. (2005). A feasible methodology
for the use of close range photogrammetry for the recording of archaeological excavations.
International Scientific committee for Documentationf of Cultural Heritage (CIPA), 561-565.
Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built
building information models from laser-scanned point clouds: A review of related techniques.
Automation in Construction, 829-843.
Thomson, C., & Boehm, J. (2015). Automatic geometry generation from point clouds for BIM. Remote
Sensing, 11753-11775.
Turco, M., Caputo, F., & Fusaro, G. (2016). From integrated survey to the parametric modeling of
degradations. Euro-Mediterranean Conference, 579-589.
Van Breedam, V. (2016-2017). Onderzoek naar automatisering van de evaluatie van brandnormering in
een BIM model [masterproef]. Universiteit Gent, Ingenieurswetenschappen: Architectuur.
Van Genechten, B., Demeyere, T., Herinckx, S., Goos, J., Schueremans, L., Roose, D., & Santana, M.
(2009). Terrestrial laser scanning in architectural heritage deformation analysis and the
automatic generation of 2D cross-section. CIPA Symposium, 1-6.
van Ree, J.M. (2006). Determination of the precision and reliability parameters of terrestrial laser
scanners [Master thesis].University Breda, Faculty of Aerospace engineering.
101
Vanblaere, S. (2018). Beschermde monumenten in Vlaanderen. Vlaanderen is erfgoed, 1-16.
Volk, R., Stengel, J., & Schultmann, F. (2014). Building Information Modeling (BIM) for existing
buildings. Automation in Construction, 109-127.
Wang, C., Cho, Y., & Kim, C. (2015). Automatic BIM component extraction from point clouds of
existing buildings for sustainability applications. Automation in construction, 1-13.
Yastikli, N. (2007). Documentation of cultural heritage using digital photogrammetry and laser
scanning. Journal of Cultural Heritage, 423-427.
8.2 Boeken
Atkinson, K. (1980). Developments in Close Range Photogrammetry. Londen.
Atkinson, K. (2001). Close Range Photogrammetry and Machine Vision. Scotland, UK: Whittles
Publishing.
Arayici, Y., Counsell, J., Mahdjoubi, L., Nagy, G., Hawas, S., & Dewidar, K. (2017). Heritage Building
Information Modelling. Taylor & Francis Ltd.
Kraus, K. (2007). Photogrammetry: Geometry from Images and Laser Scans. Berlin - New York: Walter
de Gruyter.
Luhmann, T., Robson, S., Kyle, S., & Boehm, J. (2013). Close-range photogrammetry and 3D imaging.
Walter de Gruyter.
Mikhail, E., Bethel, J., & McGlone, J. (2001). Introduction to modern photogrammetry. New York.
8.3 Websites
8.3.1 Zonder auteur
Agisoft Photoscan. (2016). Agisoft Photoscan User Manual. (2016). Geraadpleegd op 3 april 2018 via
http://www.agisoft.com/pdf/photoscan-pro_1_2_en.pdf
Alverpark. (z.j.). Geraadpleegd op 23 maart 2018 via https://www.bimportal.be/nl/case/alverpark/
Building information modelling BIM. (2018). Geraadpleegd op 28 april 2018 via
https://www.designingbuildings.co.uk/wiki/Building_information_modelling_BIM
Canon EOS 1100D. (2018). Geraadpleegd op 15 april 2018 via
https://www.kieskeurig.nl/spiegelreflexcamera/product/954709-canon-eos-1100d-ef-s-18-
55mm/specificaties
102
Dense Image Matching (z.j.) Geraadpleegd op 20 april 2018 via https://www.gim-
international.com/content/article/dense-image-matching-2?output=pdf
De Werelderfgoedconventie. (z.j.). Geraadpleegd op 23 maart 2018 via
https://www.unesco.nl/artikel/de-werelderfgoedconventie
Erfgoed. (z.j.). Erfgoed in België. (z.j.). Geraadpleegd op 23 maart 2018 via
https://www.unesco.be/nl/erfgoed#documentair-erfgoed-memory-of-the-world
Image based scanning. (z.j.). Image based scanning for building recording…experiments in three scales
(z.j.) Geraadpleegd op 3 april 2018 via https://rbg4.wordpress.com/2012/12/08/some-multi-scale-
scanning-and-buildings-recording/
Internationaal kader. (z.j.). Geraadpleegd op 13 april 2018 via
https://www.onroerenderfgoed.be/nl/beleid-en-regelgeving/verdragen
Kasteel Borluut. (2017). Geraadpleegd op 29 april 2018 via
https://nl.wikipedia.org/wiki/Kasteel_Borluut
Noise filter. (2015). Geraadpleegd op 6 april 2018 via
http://www.cloudcompare.org/doc/wiki/index.php?title=Noise_filter
Products. (z.j.). Geraadpleegd op 28 april 2018 via https://www.archiedu.com/products/
Productspecificaties. (z.j.). Productspecificaties Leica Scanstation C10. (z.j.). Geraadpleegd op 15 april
2018 via http://www.meetapparatuur.be/files/cms/Leica_ScanStation_C10_DS_nl.pdf
Revit. 2018. Geraadpleegd op 28 april 2018 via https://www.cadac.store/nl/software/autodesk-revit-
2018/?utm_source=cadac.com&utm_medium=buybutton&utm_campaign=productpage
SOR filter. (2015). Geraadpleegd op 6 april 2018 via
http://www.cloudcompare.org/doc/wiki/index.php?title=SOR_filter
Wat is BIM. (z.j.). Geraadpleegd op 25 maart 2018 via https://www.bimportal.be/nl/bim/algemeen/bim/
World Heritage List. (1992). Geraadpleegd op 23 maart 2018 via https://whc.unesco.org/en/list/
Werelderfgoedkaart. (z.j.). Doorzoek de Werelderfgoedlijst van UNESCO. (z.j.). Geraadpleegd op 21
april 2018 via
https://www.unesco.nl/werelderfgoedkaart/zoek?field_tax_country=Belgi%C3%AB#field_tax_countr
y=Belgi%C3%AB&zoom=5&lat=49.40913&lon=9.36859&layers=BTT
103
8.3.2 Met auteur
Agentschap Onroerend Erfgoed (2016). Kasteeldomein Borluut. Geraadpleegd op 29 maart 2018 via
https://inventaris.onroerenderfgoed.be/erfgoedobjecten/26871
McNeel, R. (2018). Rhinoceros design, model, present, analyze, realize,… . Geraadpleegd op 29 maart
2018 https://www.rhino3d.com/
104
9 Bijlagen
9.1 Opstelposities scanner en aanduiding van de gebruikte targets tussen
scanpositie 1 en 2
105
9.2 Registratierapporten
9.2.1 Meetdag 1 binnenkant
106
9.2.2 Meetdag 2 binnenkant
9.2.3 Geregistreerde binnenkant meetdagen 1 en 2
107
9.3 Processing report 1.638 foto’s
9.4 Processing report 990 foto’s