Aplitop: levantamento-rua-exterior-construcao-manutencao-malaga-espanha

Após a aquisição, a nuvem de pontos bruta foi importada para o Tcp PointCloud Editor, onde o primeiro passo foi a limpeza e filtragem. Usando seleção de polilinha, pontos fora da área de interesse foram ocultados e pontos ruidosos abaixo do nível do solo foram removidos através de um filtro baseado em elevação.

Filtragem baseada em elevação para remover pontos indesejados abaixo do nível do solo.

Para garantir densidade e qualidade consistentes, um filtro de densidade foi aplicado, equilibrando a distribuição de pontos em todo o conjunto de dados. Pontos isolados adicionais que não representavam superfícies significativas também foram removidos.

Filtragem de densidade e isolamento de pontos dispersos para melhorar a qualidade dos dados.

Em seguida, uma versão limpa da nuvem de pontos foi duplicada para processamento adicional. O destaque do projeto foi o uso de uma ferramenta de classificação avançada alimentada por IA integrada na próxima versão do Tcp PointCloud Editor. Esta ferramenta classificou automaticamente os pontos em várias categorias, como solo, edifícios, árvores, veículos e iluminação pública.

Classificação automática alimentada por IA de elementos urbanos.

Embora a classificação automática tenha funcionado bem à distância, uma inspeção minuciosa revelou algumas classificações incorretas e pontos não classificados. Para resolver este problema, ferramentas de edição manual foram utilizadas. A função de seleção de proximidade permitiu selecionar pontos conectados baseados na proximidade espacial, permitindo a correção de erros de classificação, como vegetação mal classificada. Para casos mais complexos, como objetos próximos uns dos outros (por exemplo, um poste de luz perto de uma árvore), uma ferramenta de seleção de agrupamento foi aplicada para isolar elementos específicos com precisão antes de reatribuir sua classe.

Nuvem de pontos classificada final mostrando diferentes categorias de elementos urbanos.

• Este projeto mostrou como as próximas capacidades de classificação de IA do Tcp PointCloud Editor, combinadas com ferramentas de refinamento manual, podem transformar dados brutos de escaneamento de rua em modelos estruturados e significativos.
• O fluxo de trabalho de limpeza, filtragem e classificação facilita a extração eficiente de informações úteis e suporta documentação precisa e análise para projetos de infraestrutura urbana.
• A capacidade de separar e classificar múltiplos elementos urbanos melhora a tomada de decisões e o planejamento de manutenção baseado em dados 3D detalhados.
• A classificação automática alimentada por IA reduz significativamente o tempo de processamento mantendo alta precisão para identificação de elementos urbanos.
• A combinação de ferramentas automáticas e manuais fornece flexibilidade para lidar com ambientes urbanos complexos com tipos de objetos mistos e desafios de proximidade.