Aplitop: releve-rue-exterieur-construction-entretien-malaga-espagne

Après l'acquisition, le nuage de points brut a été importé dans Tcp PointCloud Editor, où la première étape était le nettoyage et le filtrage. En utilisant la sélection de polyligne, les points en dehors de la zone d'intérêt ont été cachés et les points bruyants sous le niveau du sol ont été supprimés grâce à un filtre basé sur l'élévation.

Filtrage basé sur l'élévation pour supprimer les points indésirables sous le niveau du sol.

Pour assurer une densité et une qualité cohérentes, un filtre de densité a été appliqué, équilibrant la distribution des points dans tout l'ensemble de données. Des points isolés supplémentaires qui ne représentaient pas de surfaces significatives ont également été supprimés.

Filtrage de densité et isolation de points dispersés pour améliorer la qualité des données.

Ensuite, une version propre du nuage de points a été dupliquée pour un traitement ultérieur. Le point fort du projet était l'utilisation d'un outil de classification avancé alimenté par IA intégré dans la prochaine version de Tcp PointCloud Editor. Cet outil a automatiquement classé les points en diverses catégories telles que sol, bâtiments, arbres, véhicules et éclairage public.

Classification automatique alimentée par IA d'éléments urbains.

Bien que la classification automatique ait bien fonctionné à distance, une inspection minutieuse a révélé quelques erreurs de classification et points non classés. Pour résoudre ce problème, des outils d'édition manuelle ont été utilisés. La fonction de sélection de proximité a permis de sélectionner des points connectés basés sur la proximité spatiale, permettant la correction d'erreurs de classification, comme la végétation mal classée. Pour des cas plus complexes, comme des objets proches les uns des autres (par exemple, un lampadaire près d'un arbre), un outil de sélection de regroupement a été appliqué pour isoler précisément des éléments spécifiques avant de réassigner leur classe.

Nuage de points classé final montrant différentes catégories d'éléments urbains.

• Ce projet a montré comment les prochaines capacités de classification IA de Tcp PointCloud Editor, combinées avec des outils de raffinement manuel, peuvent transformer les données brutes de scanning de rue en modèles structurés et significatifs.
• Le flux de travail de nettoyage, filtrage et classification facilite l'extraction efficace d'informations utiles et soutient la documentation précise et l'analyse pour les projets d'infrastructure urbaine.
• La capacité de séparer et classifier multiples éléments urbains améliore la prise de décision et la planification de maintenance basée sur des données 3D détaillées.
• La classification automatique alimentée par IA réduit significativement le temps de traitement tout en maintenant une haute précision pour l'identification d'éléments urbains.
• La combinaison d'outils automatiques et manuels fournit la flexibilité pour gérer des environnements urbains complexes avec des types d'objets mixtes et des défis de proximité.