L’attività di ricerca condotta presso l’Università del Salento si inquadra nell’ambito dello sviluppo di un innovativo sistema per la misura geometrica su oggetti di grandi dimensioni. In particolare, l’attività di ricerca riguarda l’integrazione di un sistema di misura basato sulla rete di sensori wireless con un secondo sistema di misura ottico a luce strutturata, caratterizzato da una risoluzione più elevata e da una capacità di campionare in tempi brevi nubi di punti di elevata densità, ma in un campo di misura di dimensioni più limitate. Nel sistema innovativo per la misura geometrica di oggetti di grandi dimensioni, l’oggetto sarà misurato simultaneamente con entrambi i sistemi. Di conseguenza, la principale problematica riguarda come poter integrare differenti nuvole di punti a differenti risoluzioni. Una volta ottenute nubi di punti a bassa ed alta risoluzione sarà necessario sviluppare approcci opportuni per l’integrazione delle informazioni consentendo un incremento complessivo delle prestazioni del sistema di misura. Alla base di questi approcci vi sono i metodi e modelli per la caratterizzazione statistica di nuvole di punti a bassa risoluzione. Questi metodi e modelli saranno investigati in dettaglio dall’unità di ricerca presso l’Università del Salento. Recentemente, sono state condotte alcune ricerche per sviluppare metodi di modellazione statistica delle nuvole di punti acquisite attraverso strumenti di misura senza contatto a differente risoluzione a accuratezza. La grande quantità di dati generati da sistemi di acquisizione necessita di essere opportunamente manipolata e modellata. Se ingrandita, la superficie di una parte lavorata presenta una topografia simile a quella di un territorio geografico. Questa analogia ha motivato l’applicazione di metodi di statistica spaziale per modellare caratteristiche geometriche attraverso tre componenti. 1) Un andamento generale della caratteristica, che segue la forma definita in ambito di progettazione della parte. 2) Una componente sistematica di errore spazialmente correlato (ovvero una componente le cui misure in contiguità nello spazio presentano una forte correlazione.) 3) Una componente di errore non correlato, ovvero casuale. L’obiettivo principale dell’unità di ricerca presso l’Università del Salento consiste nell’esplorare differenti approcci per la modellazione della componente sistematica e dell’andamento casuale che caratterizza profili e superfici lavorate, partendo dalle nuvole di punti misurate attraverso strumenti di misura senza contatto. L’attività principale di ricerca rientra nell’ambito della regressione non parametrica (smoothing, curve-fitting e surface-fitting). Questa area di ricerca riveste una notevole importanza nell’ambito di applicazioni pratiche legate alla metrologia. Infatti, un analista non conosce in anticipo che tipo di funzione o di forma può assumere l’andamento sistematico dell’effettiva caratteristica geometrica. Sia le comunità scientifiche nell’ambito della statistica, che del “machine learning” hanno esplorato intensivamente il problema generale della regressione non parametrica in diversi campi di applicazione. Metodi basati su spline sono diventati molto popolari tra gli statistici. D’altro lato, i ricercatori nell’ambito del “machine learning” hanno approcciato il problema in svariati modi che includono l’uso di modelli basati su processi Gaussiani, l’uso della regressione kernel e di reti neurali. Lo stesso problema nello specifico contesto della statistica spaziale è stato approcciato attraverso metodi di kriging, che essenzialmente sono metodi basati su processi Gaussiani. L’attività di ricerca sviluppata in questo progetto si focalizzerà in particolare sull’uso di metodi basati su processi Gaussiani per la modellazione nello spazio di profili e superfici lavorate partendo dalle nuvole di punti acquisite attraverso strumenti di misura senza contatto. La natura non parametrica dei processi Gaussiani offre potenzialmente una maggiore flessibilità nella modellazione dei tipi generali di componenti sistematiche e spazialmente correlate presenti su profili e superfici, rispetto a differenti altri metodi. L’uso di metodi basati su processi Gaussiani in applicazioni di metrologia rappresenta un nuovo campo di ricerca. In particolare, Xia et al. (2008) hanno sviluppato una metodologia basata su modelli di processi Gaussiani per misure campionate nell’industria manifatturiera allo scopo di stimare accuratamente l’errore di forma di particolari caratteristiche geometriche, così come per progettare la strategia di campionamento. Nell’ambito del presente progetto, i metodi basati su processi Gaussiani saranno indagati allo scopo di ricostruire quanto più accuratamente possibile la caratteristica geometrica di interesse della parte misurata partendo da nuvole di punti acquisite attraverso strumenti di misura senza contatto. Xia, H., Ding, Y., Wang, J., (2008), "Gaussian Process Method for Form Error Assessment Using Coordinate Measurements" IIE Transactions, 40(10), pp. 931-946.
PROGRAMMI DI RICERCA SCIENTIFICA DI RILEVANTE INTERESSE NAZIONALE - Anno 2008 - prot. 200853ZT3Z_002 Metodi basati su processi Gaussiani per la modellazione nello spazio di profili e superfici lavorate
PACELLA, Massimo
2010-01-01
Abstract
L’attività di ricerca condotta presso l’Università del Salento si inquadra nell’ambito dello sviluppo di un innovativo sistema per la misura geometrica su oggetti di grandi dimensioni. In particolare, l’attività di ricerca riguarda l’integrazione di un sistema di misura basato sulla rete di sensori wireless con un secondo sistema di misura ottico a luce strutturata, caratterizzato da una risoluzione più elevata e da una capacità di campionare in tempi brevi nubi di punti di elevata densità, ma in un campo di misura di dimensioni più limitate. Nel sistema innovativo per la misura geometrica di oggetti di grandi dimensioni, l’oggetto sarà misurato simultaneamente con entrambi i sistemi. Di conseguenza, la principale problematica riguarda come poter integrare differenti nuvole di punti a differenti risoluzioni. Una volta ottenute nubi di punti a bassa ed alta risoluzione sarà necessario sviluppare approcci opportuni per l’integrazione delle informazioni consentendo un incremento complessivo delle prestazioni del sistema di misura. Alla base di questi approcci vi sono i metodi e modelli per la caratterizzazione statistica di nuvole di punti a bassa risoluzione. Questi metodi e modelli saranno investigati in dettaglio dall’unità di ricerca presso l’Università del Salento. Recentemente, sono state condotte alcune ricerche per sviluppare metodi di modellazione statistica delle nuvole di punti acquisite attraverso strumenti di misura senza contatto a differente risoluzione a accuratezza. La grande quantità di dati generati da sistemi di acquisizione necessita di essere opportunamente manipolata e modellata. Se ingrandita, la superficie di una parte lavorata presenta una topografia simile a quella di un territorio geografico. Questa analogia ha motivato l’applicazione di metodi di statistica spaziale per modellare caratteristiche geometriche attraverso tre componenti. 1) Un andamento generale della caratteristica, che segue la forma definita in ambito di progettazione della parte. 2) Una componente sistematica di errore spazialmente correlato (ovvero una componente le cui misure in contiguità nello spazio presentano una forte correlazione.) 3) Una componente di errore non correlato, ovvero casuale. L’obiettivo principale dell’unità di ricerca presso l’Università del Salento consiste nell’esplorare differenti approcci per la modellazione della componente sistematica e dell’andamento casuale che caratterizza profili e superfici lavorate, partendo dalle nuvole di punti misurate attraverso strumenti di misura senza contatto. L’attività principale di ricerca rientra nell’ambito della regressione non parametrica (smoothing, curve-fitting e surface-fitting). Questa area di ricerca riveste una notevole importanza nell’ambito di applicazioni pratiche legate alla metrologia. Infatti, un analista non conosce in anticipo che tipo di funzione o di forma può assumere l’andamento sistematico dell’effettiva caratteristica geometrica. Sia le comunità scientifiche nell’ambito della statistica, che del “machine learning” hanno esplorato intensivamente il problema generale della regressione non parametrica in diversi campi di applicazione. Metodi basati su spline sono diventati molto popolari tra gli statistici. D’altro lato, i ricercatori nell’ambito del “machine learning” hanno approcciato il problema in svariati modi che includono l’uso di modelli basati su processi Gaussiani, l’uso della regressione kernel e di reti neurali. Lo stesso problema nello specifico contesto della statistica spaziale è stato approcciato attraverso metodi di kriging, che essenzialmente sono metodi basati su processi Gaussiani. L’attività di ricerca sviluppata in questo progetto si focalizzerà in particolare sull’uso di metodi basati su processi Gaussiani per la modellazione nello spazio di profili e superfici lavorate partendo dalle nuvole di punti acquisite attraverso strumenti di misura senza contatto. La natura non parametrica dei processi Gaussiani offre potenzialmente una maggiore flessibilità nella modellazione dei tipi generali di componenti sistematiche e spazialmente correlate presenti su profili e superfici, rispetto a differenti altri metodi. L’uso di metodi basati su processi Gaussiani in applicazioni di metrologia rappresenta un nuovo campo di ricerca. In particolare, Xia et al. (2008) hanno sviluppato una metodologia basata su modelli di processi Gaussiani per misure campionate nell’industria manifatturiera allo scopo di stimare accuratamente l’errore di forma di particolari caratteristiche geometriche, così come per progettare la strategia di campionamento. Nell’ambito del presente progetto, i metodi basati su processi Gaussiani saranno indagati allo scopo di ricostruire quanto più accuratamente possibile la caratteristica geometrica di interesse della parte misurata partendo da nuvole di punti acquisite attraverso strumenti di misura senza contatto. Xia, H., Ding, Y., Wang, J., (2008), "Gaussian Process Method for Form Error Assessment Using Coordinate Measurements" IIE Transactions, 40(10), pp. 931-946.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
