Cintoon ydinteknologian kehitys alkoi heinäkuussa 2013. Tavoitteena oli löytää uusi menetelmä hallita massiivisia pistepilviä tehokkaasti pilven kautta hyödyntäen suoratoisto- ja pakkausalgoritmeja. Tämä ydinteknologia sulautettiin myöhemmin Cintoo Cloud -alustaan, joka julkaistiin ensimmäisen kerran vuoden 2018 lopulla.
Cintoo Cloud on pilvipohjainen alusta isojen pistepilvi- ja suunnittelutietojen jakamiseen. Pistepilvitiedostot sisältävät tunnetusti ison määrän dataa, jota on hankala jakaa ja esitellä muille ilman tehokasta tietokonetta. Cintoo pakkaa isot pistepilvitiedostot jopa 10-20 kertaa pienempään kokoon, jolloin niitä pystyy jakamaan helposti selaimen kautta.
Cintoo muodostaa pistepilvistä 3D Mesh-mallin, jota voi kuka tahansa tarkastella selaimen kautta. Alkuperäiset pistepilvet säilyvät Cintoossa ja ne voidaan sieltä tarvittaessa ladata.
Cintoolla on käyttäjiä 43:ssa maassa yli 50 000. Cintoo hyväksyy kaikkien laitevalmistajien tuottamaa pistepilveä ja yleisin käytetty tiedostoformaatti pistepilville on .E57.
Cintoon käyttöhyödyt
Skannaustietojen katselu ja jakaminen useasta lähteestä
Tarjoaa joustavasti pääsyn pilven kautta minkä tahansa työmaan pistepilvitietoihin millä tahansa skannausjärjestelmällä, maanpäällisillä, mobiililaitteilla tai droneilla. Koska ei ole olemassa yhtä skannauslaitetta, joka kattaisi kaikki käyttötapaukset, Cintoo Cloud välttää patentoitujen ratkaisujen monimutkaisuuden ja kustannukset, jotka lukitsevat sinut käyttämään vain yhden tyyppistä skanneria ja sovellusalustaa/ohjelmistoa.
Suora yhteys Autodesk Cloudiin
Reality data täydellä resoluutiolla helposti TurboMesh™:n avulla
Koska maailma koostuu pinnoista, ei pisteistä, Cintoo Cloud hyödyntää ainutlaatuista pistepilvestä 3D-meshmalliksi, joka ei vaaranna alkuperäisten skannausten tarkkuutta ja tiheyttä (ei desimaatiota). Cintoo Cloudin verkkokatseluohjelmassa on TurboMesh(tm) -moottori, joka helpottaa katselua ja navigointia sekä asiantuntijoiden että ei-asiantuntijoiden kannalta välttäen tulkintavirheet, joita voi tapahtua perinteisten pistepilvien kanssa.
Sivustokartat, 2D-piirustukset, 3D-mallit, skannaukset ja 360 asteen panoraamakuvat: yksi totuuden lähde suurten projektien tehokkaaseen hallintaan
Hyödynnä tehokkaita Cintoo Cloud -integraatioita, jotta voit ladata ja näyttää skannaustietosi helposti 2D-piirustusten, 3D CAD- ja digitaalisten kaksosten avulla mistä tahansa suuresta alustasta, kuten Autodeskistä. Järjestä tietosi eri kansioihin (Work Zones) hallitaksesi helposti erittäin suuria projekteja, jotka voivat sisältää useita tuhansia skannauksia ja valtavia 3D-malleja.
Skannaustietojen jakaminen ja jakelu pistepilvi- tai mesh-muodossa
Lataa skannaustietosi helposti strukturoidussa/strukturoimattomassa pistepilvi- tai mesh-muodossa, jotta kuka tahansa käyttäjä voi luoda malleja todellisuudesta ja säästää aikaa ja rahaa.
BIM-koordinointi valmiin tai suunnitellun työnkulun kanssa
Dokumentoi ja ratkaise nopeasti vaatimukset ja riidat jokaisessa projektin vaiheessa. Tunnista ongelmat nopeasti ja helposti ja välitä huomautukset työmaalta ja RFI:t asianmukaisille tiimin jäsenille. Paranna laadunvalvontaprosessiasi ja varmista yhteensopivuus skannausten integroiduilla visuaalisilla vertailuilla 2D- ja 3D-malleihin. Tunnista, dokumentoi ja kommunikoi ongelmat helposti ja ennakoivasti välttäen kalliit virheet ja saat projektit valmiiksi nopeammin.
Suunnitteletko rakennuksen korjausrakentamista? Oletko törmännyt tilanteeseen, jossa pistepilviaineiston kerääminen eri menetelmiä yhdistämällä olisi ajallisesti kannattanut? Usein työltä vaaditaan tehokkuutta ja luotettavuutta, jotta hanke olisi kannattava. Tämä pätee myös ja erityisesti rakennuksen korjausrakentamisessa. Kustannukset nousevat kellon raksuttaessa, aikaa on rajallisesti ja mahdollisen myöhästymisen uhkasakot ahdistavat.
Jotta kerätyn pistepilviaineiston laatu ei kärsisi, on tärkeää tunnistaa, mikä menetelmä sopii parhaiten mihinkin tilanteeseen. Esimerkiksi Matterportin kamera on tehokas ja vaivaton tapa kerätä rakennuksen sisätiloista pistepilviaineistoa, mutta sen toimintaperiaate rajoittaa laitteen käyttöä ulkona. Rajoittavana tekijänä on auringonvalo, joka on samalla aaltopituudella kuin Matterport. Tästä syystä ulkotilat kannattaa täydentää pistepilveen laserkeilaimen avulla.
Miten laserkeilauksella ja Matterportin kameralla kerätyt pistepilvet voidaan yhdistää?
Laserkeilaimella ja Matterportin kameralla kerätyt pistepilvet voidaan yhdistää toisiinsa joko tähysten avulla tai pistepilvipohjaisesti. Tähyksinä voidaan käyttää Matterportin omia tähyksiä, jolloin tähykset auttavat suurien tilojen mallinnusta Matterportilla sekä pistepilvien yhdistämistä (Lisätietoa asiasta englanniksi Matterportin sivuilta). Tähykset tulee sijoitella mallinnusalueelle ennen kuin aloittaa aineiston keräämisen. Yhdistämisen varmistamiseksi täytyy molemmissa aineistoissa näkyä vähintään kolme (3) yhteistä tähystä.
Käytännössä yhdistäminen tapahtuu vasta toimistolla, kun molemmat aineistot ovat esikäsitelty. Matterport-pistepilvi ladataan MyMatterport-palvelimelta MatterPak-tiedostona, joka sisältää pistepilven lisäksi kolmioverkkomallin kohteesta. Laserkeilauksen pistepilvi täytyy myös esikäsitellä eli rekisteröidä erilliset laserkeilausasemat yhdeksi pistepilveksi. Tähyksillä yhdistäessä valittu pistepilviohjelmisto vaikuttaa aineistojen yhdistämiseen. Toisissa ohjelmistoissa joudut manuaalisesti näyttämään vastaavat tähykset aineistojen välillä, kun taas toisissa se voi onnistua automaattisesti. Tähysten osoituksen jälkeen saat tiedon kuinka tarkasti pistepilvet osuivat yhteen.
Toinen menetelmä pistepilvien yhdistämiselle on pistepilvipohjainen yhteensovitus. Tällöin on parasta, että molemmilla laitteilla kerätään aineistoa samalta alueelta. Tämän yhteisen alueen tulee olla vähintään 10 % koko pistepilviaineistosta. Lisäksi tarkempi tulos saadaan, jos päällekkäisyysalue ei ole vain yhdellä puolella rakennusta. Tämä vähentää pistepilvien välisiä kiertymiä (kuva 1).
Kuva 1) Jos ei ole tarkkana, voi vähäisellä päällekkäisyydellä pistepilvet kiertyä. Kaukaa rekisteröinti voi näyttää hyvältä, mutta läheltä katsottuna löytyy virheitä. Kuten kuvan vasemmalla olevasta ikkunasta voi havaita. Matterport 3D-kameran pistepilvi (ruskean sävyinen) on kiertynyt TX8-laserkeilaimen pistepilveen nähden (punasävyinen), kun yritetään yhteensovitusta näiden pistepilvien välillä.
Pistepilvipohjaisella menetelmällä aineistot esikäsitellään samalla tavalla kuin aikaisemmin. Käyttämäsi pistepilviohjelmisto vaikuttaa yhdistämisen toteutukseen. Yhdistäminen voi onnistua joko näyttämällä pistepilvelle muutamia yhteisiä piirteitä tai manuaalisesti sovittamalla pistepilvet yhteen. Manuaalisen sovituksen jälkeen ohjelmistoissa on työkalu, joka toteuttaa automaattisesti tarkemman yhteensovituksen. Tämä antaa lopulta sovitukselle tarkkuuden.
Pistepilvipohjaisella menetelmällä aineistot esikäsitellään samalla tavalla kuin aikaisemmin. Käyttämäsi pistepilviohjelmisto vaikuttaa yhdistämisen toteutukseen. Yhdistäminen voi onnistua joko näyttämällä pistepilvelle muutamia yhteisiä piirteitä tai manuaalisesti sovittamalla pistepilvet yhteen. Manuaalisen sovituksen jälkeen ohjelmistoissa on työkalu, joka toteuttaa automaattisesti tarkemman yhteensovituksen. Tämä antaa lopulta sovitukselle tarkkuuden.
Luontokeskus Haltian pistepilviaineiston kerääminen Matterportin Pro2 3D-kameran, TrimbleTX8-laserkeilaimen sekä GeoSLAM ZEB-REVO RT-käsiskannerin avulla
Kohteenamme oli Suomen Luontokeskus Haltia Nuuksiossa. Sisätilat mallinsimme Matterportilla sekä kädessä kannettavalla GeoSLAM ZEB-REVO RT -laserkeilaimella. Sisätilan lisäksi laserkeilasimme ZEB-REVO RT:llä terassialueita. Noin puoli vuotta myöhemmin kävimme laserkeilaamassa Haltian ulkopuolen Trimble TX8 -laserkeilaimella. Tästä syystä emme voineet käyttää tähyksiä, joten yhdistäminen täytyi tehdä pistepilvipohjaisesti. Yhteensä pistepilvien tuottamiseen kului noin 14 h ja lopulliseen yhdistämiseen noin 1h.
Kuva 2) Aineisto kerättiin seuraavilla laitteilla; Matterport (vasemmalla), TX8 (keskellä) ja ZEB-REVO RT (oikealla).
Puolen vuoden tauon ja ihmispaljouden vuoksi keräsimme Matterportilla aineiston vain sisätiloista ja TX8:lla vain ulkona. Tästä syystä aineistojen välillä oli vain 3 % päällekkäisyys, joka muodostui ikkunoiden kautta tehdyistä TX8-laserkeilaimen havainnoista. Tämä ei kuitenkaan estänyt yhteensovitusta, koska olimme laserkeilanneet myös ZEB-REVO RT:llä. Sillä on päällekkäisiä havaintoja Matterportin kanssa 25 % ja 8 % TX8:n kanssa. Päätimme sovittaa ensimmäisenä Matterportin ZEB-REVO RT:n pistepilveen. Sen jälkeen sovitimme TX8:n pistepilven ZEB-REVO RT:n pistepilveen. Lopuksi yhdistimme Matterportin ja TX8 pienellä hienosäädöllä yhteen.
Pistepilviaineistojen sovittaminen yhdeksi pistepilveksi
Tällä kertaa käytimme Trimble RealWorks -ohjelmistoa ja sen pilvipohjaista yhdistämistyökalua. Ennen eri menetelmien pistepilvien yhdistämistä rekisteröimme TX8-aineistot yhdeksi pistepilveksi ja värjäsimme pistepilvet. Pistepilvet värjättiin laserkeilauksen kanssa samanaikaisesti otetuilla valokuvilla. Nämä kuvat yhdistettiin ensin panoraamakuviksi, jotka yhdistettiin keilausasemiin Trimblen RealWorks-ohjelmistossa. Värjäämisessä käytettiin RealColor-työkalua, jossa jokaiselle keilausasemalle valitaan vastaava panoraamakuva sen värjäämiseksi. Kun kaikki keilausasemat oli värjätty, rekisteröitiin ne yhdeksi pistepilveksi automaattisesti tasopintojen avulla. Rekisteröity pistepilvi tallennettiin omaksi tiedostoksi.
Laserkeilauksen rekisteröinnin jälkeen ladattiin muut aineistot RealWorks-ohjelmistoon. Kun kaikki aineistot oli ladattu samaan projektiin, aloitettiin aineistojen yhdistäminen. Trimble RealWorks:llä pistepilvipohjaisesti pistepilvien yhdistäminen on helppoa. Käyttäjän tulee valita projekti ja sen sisältä yhdistettävät pistepilvet, jonka jälkeen aktivoidaan pistepilvipohjainen rekisteröinti. Tämän jälkeen tarkistetaan, kumpi aineistoista on referenssinä eli kumpi aineistoista pysyy paikallaan. Sen jälkeen osoitetaan muutama yhteinen piste molemmista aineistoista (kuva 3). Näiden pisteiden avulla ohjelmisto yhdistää pistepilvet toisiinsa.
Kuva 3) Pistepilvipohjainen pistepilvien yhteensovitus vaatii käyttäjää osoittamaan yhteisiä pisteitä aineistoista.
Osoitettujen pisteiden jälkeen käytimme refine-työkalua, jolloin ohjelmisto automaattisesti parantaa yhteensovitusta. Kannattaa kuitenkin tarkastaa yhteensovituksen onnistuminen työkalun käytön jälkeen, koska vähäinen päällekkäisyys voi aiheuttaa virheellisiä tuloksia. Tästä syystä vaiheen voi jättää pois, jos automaatio ei osaa yhdistää pistepilviä oikein. Kun rekisteröinti on valmis, valitaan yhdistetäänkö pistepilvet yhdeksi pistepilveksi vai ei. Tässä tapauksessa, kun käytimme ZEB-REVO RT -laserkeilainta yhdistämisen apuna, emme halunneet yhdistää sen pistepilveä lopulliseen pistepilveen. Valitsimme ettei aineistoja yhdistetä ja aktivoimme pistepilvien uudet sijainnit. Tarkemmat sovituksen vaiheet voit tarkastella tästä videosta:
Matterportin ja ZEB-REVO RT:n välinen yhteensovitus onnistui 3,5 cm tarkkuudella. Tämän jälkeen yhteensovitettu TX8 ja ZEB-REVO RT onnistui 3,3 cm tarkkuudella. Näiden yhteensovitusten jälkeen avasimme vielä kerran pilvipohjaisen yhteensovituksen Matterportin ja TX8:n välille. Tällä kertaa tarkastelimme yhdistystä visuaalisesti ja aktivoimme pistepilvien yhdistämisen toisiinsa. Tarkkuudeksi pistepilvien välille saimme 3,3 cm. Tarkkuuden kohdalla tulee huomioida, kuinka pieni päällekkäisyys aineistoilla oli. Mitä pienempi pistepilvien päällekkäisyysalue on sitä vaikeampaa ja epätarkempaa niiden yhdistäminen on. Tässä tapauksessa, kun päällekkäisyys aineistojen välillä oli vain 3 %, tarkkuus on todella hyvä.
Kuva 4) Lopullinen pistepilvi Haltiasta, jossa ulkotilat on mallinnettu TX8-laserkeilaimella ja sisätilat Matterport Pro 2 -kameralla.
Menetelmien yhdistämisen jälkeen Luontokeskus Haltian pistepilvi koostuu 47 miljoonasta pisteestä (kuva 4). Nyt aineisto kattaa suurimman osan sisä- ja ulkotiloista. Tätä voitaisiin täydentää vielä lisää sisätiloissa sekä katon osalta. Katosta voitaisiin kerätä aineisto dronen avulla ja se voitaisiin yhdistää samalla menetelmällä jo yhdistettyihin pistepilviin.
Miksi eri menetelmillä kerätty pistepilviaineisto kannatti?
Menetelmien yhdistämisellä voidaan säästää aikaa ja rahaa sekä kattaa suurempia alueita. Säästöjen syynä on Matterportin nopeus verrattuna maalaserkeilaimeen sisätilojen mallintamisessa. Jos tila olisi mallinnettu pelkällä maalaserkeilaimella, olisi siihen kulunut huomattavasti enemmän aikaa. Tästä syystä aineistojen yhdistäminen GeoSLAM ZEB-REVO RT -laserkeilaimen avulla nopeutti tuotantoa. ZEB-REVOn kannettavuuden ansiosta mitattiin muutamassa minuutissa tarvittava päällekkäisaineisto, jolla Matterportin sisätilojen ja TX8:n ulkotilojen pistepilvet yhdistettiin.
Toisaalta laserkeilain mahdollistaa Matterport-pistepilvien sitomisen muuhun ympäristöön. Lisäksi eri menetelmillä ei välttämättä saa kerätyksi aineistoa kaikista kohdista, kuten katolta. Tästä syystä on kannattavaa yhdistää menetelmiä, joten pistepilvet ovat kattavampia ja täten hyödyllisempiä.
Lopulta epäoptimaalisista lähtökohdista (ei tähyksiä ja vähäinen päällekkäisyys pistepilvien välillä) huolimatta on mahdollista yhdistää eri menetelmien pistepilviä. Yhdistäminen on mahdollista jopa 3 % päällekkäisyydellä, jos apuna voidaan käyttää kattavampaa aineistoa.
Mikäli innostuit kokeilemaan aineistojen yhdistämistä, suosittelemme keräämään aineiston joko yli 10 % päällekkäisyydellä tai vähintään kolmea tähystä käyttäen. Kerää aineistolle mahdollisimman paljon yhteisiä piirteitä esimerkiksi avaamalla ikkunoita tai ovia eri puolilta rakennusta ja muista pitää yhteys muuttumattomana eri menetelmien käytön aikana.
Evästeet: Käytämme evästeitä, jotta voisimme palvella asiakkaitamme mahdollisimman hyvin. Evästeet keräävät tietoa, jota käytämme esim. kävijäliikenteen seurantaan ja kohdennettuun mainontaan.
This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience.
Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.
Advertisement cookies are used to provide visitors with relevant ads and marketing campaigns. These cookies track visitors across websites and collect information to provide customized ads.
Cookie
Kesto
Kuvaus
_fbp
3 months
This cookie is set by Facebook to display advertisements when either on Facebook or on a digital platform powered by Facebook advertising, after visiting the website.
fr
3 months
Facebook sets this cookie to show relevant advertisements to users by tracking user behaviour across the web, on sites that have Facebook pixel or Facebook social plugin.
IDE
1 year 24 days
Google DoubleClick IDE cookies are used to store information about how the user uses the website to present them with relevant ads and according to the user profile.
VISITOR_INFO1_LIVE
5 months 27 days
A cookie set by YouTube to measure bandwidth that determines whether the user gets the new or old player interface.
YSC
session
YSC cookie is set by Youtube and is used to track the views of embedded videos on Youtube pages.
yt-remote-connected-devices
never
YouTube sets this cookie to store the video preferences of the user using embedded YouTube video.
yt-remote-device-id
never
YouTube sets this cookie to store the video preferences of the user using embedded YouTube video.
yt.innertube::nextId
never
This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen.
yt.innertube::requests
never
This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen.
Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics the number of visitors, bounce rate, traffic source, etc.
Cookie
Kesto
Kuvaus
_ga
1 year 1 month 4 days
The _ga cookie, installed by Google Analytics, calculates visitor, session and campaign data and also keeps track of site usage for the site's analytics report. The cookie stores information anonymously and assigns a randomly generated number to recognize unique visitors.
_ga_*
1 year 1 month 4 days
Google Analytics sets this cookie to store and count page views.
_gcl_au
3 months
Provided by Google Tag Manager to experiment advertisement efficiency of websites using their services.
_gid
1 day
Installed by Google Analytics, _gid cookie stores information on how visitors use a website, while also creating an analytics report of the website's performance. Some of the data that are collected include the number of visitors, their source, and the pages they visit anonymously.
_hjAbsoluteSessionInProgress
30 minutes
Hotjar sets this cookie to detect the first pageview session of a user. This is a True/False flag set by the cookie.
_hjFirstSeen
30 minutes
Hotjar sets this cookie to identify a new user’s first session. It stores a true/false value, indicating whether it was the first time Hotjar saw this user.
_hjIncludedInPageviewSample
2 minutes
Hotjar sets this cookie to know whether a user is included in the data sampling defined by the site's pageview limit.
CONSENT
2 years
YouTube sets this cookie via embedded youtube-videos and registers anonymous statistical data.
ln_or
1 day
Linkedin sets this cookie to registers statistical data on users' behaviour on the website for internal analytics.
s_vi
2 years
An Adobe Analytics cookie that uses a unique visitor ID time/date stamp to identify a unique vistor to the website.
tk_ai
5 years
JetPack sets this cookie to store a randomly-generated anonymous ID which is used only within the admin area and for general analytics tracking.
tk_lr
1 year
The tk_lr is a referral cookie set by the JetPack plugin on sites using WooCommerce, which analyzes referrer behaviour for Jetpack.
tk_or
5 years
The tk_or is a referral cookie set by the JetPack plugin on sites using WooCommerce, which analyzes referrer behaviour for Jetpack.
tk_qs
30 minutes
JetPack sets this cookie to store a randomly-generated anonymous ID which is used only within the admin area and for general analytics tracking.
tk_r3d
3 days
JetPack installs this cookie to collect internal metrics for user activity and in turn improve user experience.
tk_tc
session
JetPack sets this cookie to record details on how user's use the website.
Functional cookies help to perform certain functionalities like sharing the content of the website on social media platforms, collect feedbacks, and other third-party features.
Cookie
Kesto
Kuvaus
__cf_bm
30 minutes
This cookie, set by Cloudflare, is used to support Cloudflare Bot Management.
bcookie
2 years
LinkedIn sets this cookie from LinkedIn share buttons and ad tags to recognize browser ID.
bscookie
2 years
LinkedIn sets this cookie to store performed actions on the website.
lang
session
LinkedIn sets this cookie to remember a user's language setting.
lidc
1 day
LinkedIn sets the lidc cookie to facilitate data center selection.
mailchimp_landing_site
1 month
The cookie is set by MailChimp to record which page the user first visited.
sc_anonymous_id
never
Soundcloud sets this cookie to enable visitors to embed content or files on the website.
TawkConnectionTime
session
Tawk.to, a live chat functionality, sets this cookie. For improved service, this cookie helps remember users so that previous chats can be linked together.
UserMatchHistory
1 month
LinkedIn sets this cookie for LinkedIn Ads ID syncing.