Empresa: | Stonex |
Localização: | Málaga (Espanha) |
Website: | https://www.stonex.it/ |
Nome: | Equipe Stonex |
Posição: | Equipe Técnica de Topografia |
Atividade Principal: | Desenvolvimento de tecnologias e soluções de topografia |
O projeto consistiu em um estudo de ruas ao ar livre ao longo de uma estrada urbana de 200 metros em Málaga, Espanha. O objetivo era mapear a área de forma eficiente para aplicações de construção e manutenção. A pesquisa foi realizada com um único escaneamento de 10 minutos usando o scanner Stonex X120 GO SLAM, capturando um conjunto de dados detalhado de nuvens de pontos do ambiente da rua.
O principal desafio envolvia documentar eficientemente o ambiente urbano complexo, incluindo edifícios, árvores, veículos e iluminação pública, usando tecnologia de escaneamento avançada. Era necessária uma solução que não apenas capturasse a geometria precisa do espaço, mas também classificasse automaticamente diferentes elementos urbanos para facilitar a análise e o planejamento de manutenção.
Ferramentas de seleção de pontos para limpeza e filtragem de dados.
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.