Aplitop: levantamiento-calle-exteriores-construccion-mantenimiento-malaga-espana

Después de la adquisición, la nube de puntos sin procesar se importó a Tcp PointCloud Editor, donde el primer paso fue la limpieza y el filtrado. Con la selección de polilínea, se ocultaron los puntos fuera del área de interés y los puntos de ruido bajo el nivel del suelo se eliminaron a través de un filtro basado en la elevación.

Filtrado basado en elevación para eliminar puntos no deseados bajo el nivel del suelo.

Para garantizar una densidad y una calidad coherentes, se aplicó un filtro de densidad, equilibrando la distribución de puntos en todo el conjunto de datos. También se eliminaron puntos aislados adicionales que no representaban superficies significativas.

Filtrado de densidad y aislamiento de puntos dispersos para mejorar la calidad de los datos.

A continuación, se duplicó una versión limpia de la nube de puntos para su posterior procesamiento. Lo más destacado del proyecto fue el uso de una herramienta de clasificación avanzada impulsada por IA integrada en la próxima versión de Tcp PointCloud Editor. Esta herramienta clasificó automáticamente los puntos en varias categorías, como suelo, edificios, árboles, vehículos y alumbrado público.

Clasificación automática impulsada por IA de elementos urbanos.

Aunque la clasificación automática funcionó bien a distancia, una inspección minuciosa reveló algunas clasificaciones erróneas y puntos no clasificados. Para solucionar este problema, se utilizaron herramientas de edición manual. La función de selección de proximidad permitió seleccionar puntos conectados en función de la proximidad espacial, lo que permitió la corrección de errores de clasificación, como la vegetación mal clasificada. Para casos más complejos, como objetos cercanos entre sí (por ejemplo, una farola cerca de un árbol), se aplicó una herramienta de selección de agrupamiento para aislar elementos específicos con precisión antes de reasignar su clase.

Nube de puntos clasificada final mostrando diferentes categorías de elementos urbanos.

• Este proyecto mostró cómo las capacidades de clasificación de IA de Tcp PointCloud Editor, combinadas con herramientas de refinamiento manual, pueden transformar los datos brutos de escaneo de calles en modelos estructurados y significativos.
• El flujo de trabajo de limpieza, filtrado y clasificación facilita la extracción eficiente de información útil y admite documentación y análisis precisos para proyectos de infraestructura urbana.
• La capacidad de separar y clasificar múltiples elementos urbanos mejora la toma de decisiones y la planificación del mantenimiento basada en datos 3D detallados.
• La clasificación automática impulsada por IA reduce significativamente el tiempo de procesamiento manteniendo alta precisión para la identificación de elementos urbanos.
• La combinación de herramientas automáticas y manuales proporciona flexibilidad para manejar entornos urbanos complejos con tipos de objetos mixtos y desafíos de proximidad.