Empresa: | Stonex |
Ubicación: | Málaga (España) |
Sitio web: | https://www.stonex.it/ |
Nombre: | Equipo Stonex |
Posición: | Equipo Técnico de Topografía |
Actividad Principal: | Desarrollo de tecnologías y soluciones de topografía |
El proyecto consistió en un estudio de calles a lo largo de una carretera urbana de 200 metros en Málaga, España. El propósito era mapear el área para aplicaciones de construcción y mantenimiento de manera eficiente. La levantamiento se llevó a cabo con un solo escaneo de 10 minutos utilizando el escáner Stonex X120 GO SLAM, capturando un conjunto de datos detallados de nubes de puntos del entorno de la calle.
El principal desafío implicaba documentar eficientemente el complejo entorno urbano, incluyendo edificios, árboles, vehículos y alumbrado público, utilizando tecnología de escaneo avanzada. Se requería una solución que no solo capturara la geometría precisa del espacio, sino que también clasificara automáticamente diferentes elementos urbanos para facilitar el análisis y la planificación del mantenimiento.
Herramientas de selección de puntos para la limpieza y filtrado de datos.
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.