Aprendizado de máquina supervisionado para classificação de nuvens de pontos de grandes áreas

Abstract

O uso de tecnologias de obtenção de nuvens de pontos para auxílio na elaboração de modelos BIM é cada vez mais presente na indústria AECO (Arquitetura, Engenharia, Construção e Operação), entretanto, a modelagem a partir de uma nuvem de pontos pode ser muito trabalhosa e pouco intuitiva. Neste trabalho, inicialmente foi realizada uma análise bibliométrica da literatura existente acerca do BIM e da classificação de nuvens de pontos, para uma melhor contextualização dos estudos que estão sendo desenvolvidos nesse âmbito. A partir disso, a pesquisa proposta visa dar um passo inicial na automatização do processo de modelagem, por meio do desenvolvimento de um algoritmo de aprendizado de máquina supervisionado baseado em Random Forest, capaz de classificar nuvens de pontos de grandes áreas a partir da inserção de um conjunto de dados de nuvens pré-classificadas. O algoritmo desenvolvido é capaz de classificar regiões das nuvens de pontos em três categorias principais: terreno, edificações e vegetação, sendo especialmente útil para apoiar a construção de modelos de cidades ou obras de infraestrutura. Os dados utilizados para treinamento do modelo foram obtidos por meio do GeoSampa, uma plataforma de dados abertos da cidade de São Paulo, onde é possível obter imagens aéreas e nuvens de pontos classificadas de todo o município. Para elaboração do algoritmo, foi utilizado o Visual Studio Code e, para visualização dos dados das nuvens de pontos, foi utilizado um software de visualização de nuvens de pontos, o CloudCompare. O estudo mostrou que o algoritmo desenvolvido foi útil para a identificação das classes, pois foram obtidas métricas de desempenho que indicaram que o aprendizado de máquina supervisionado se comportou de maneira satisfatória. A partir dos resultados obtidos foi observado que é necessário atenção com a qualidade dos dados de entrada. A principal contribuição do algoritmo é a possibilidade de reconhecer e separar as nuvens de pontos em diferentes classes, além de ser capaz de classificar nuvens de pontos obtidas por fotogrametria. Isso é especialmente útil para os casos em que se deseja modelar apenas determinados elementos de uma nuvem de pontos extensa, pois o algoritmo permite a separação de suas classes; ou quando é necessário representar determinados elementos no modelo sem sua informação semântica, como um conjunto de árvores.