Utilização do algoritmo DBSCAN para segmentação de nuvens de pontos de ambientes internos
DOI:
https://doi.org/10.46421/entac.v20i1.5834Palavras-chave:
Nuvens de pontos, DBSCAN, BIMResumo
Levantamentos feitos por laser scanners vêm sendo requisitados em um contexto de
inovação e economia de recursos dentro do setor da Arquitetura, Engenharia, Construção e
Operação (AECO), especialmente no campo BIM (Building Information Modeling), pois são
capazes de gerar nuvens de pontos que representam com precisão o ambiente real. Apesar
de facilitar os levantamentos, trabalhar com nuvens de pontos pode ser uma tarefa complexa,
pois podem exigir poder de processamento computacional elevado, além da modelagem de
modelos BIM a partir dessas nuvens não ser intuitiva devido à sobreposição de pontos de
diversos elementos. Com o objetivo de facilitar a modelagem BIM a partir de nuvens de
pontos, o algoritmo de segmentação DBSCAN (Density-Based Spatial Clustering of
Applications with Noise) foi utilizado neste estudo. Foi elaborado um script em linguagem
Python com utilização do DBSCAN para segmentar uma nuvem de pontos de um ambiente
interno. O algoritmo mostrou ser útil para separar elementos como paredes, pisos e telhados,
permitindo a exportação das nuvens segmentadas de cada um desses elementos para
softwares como o Revit e facilitando a modelagem em BIM.
Referências
KIM, Minju; LEE, Dongmin. Automated two-dimensional geometric model reconstruction from point cloud data for construction
quality inspection and maintenance. Automation in Construction, v. 154, p. 105024, 2023. ISSN 0926-5805. Disponível em https://
doi.org/10.1016/j.autcon.2023.105024. Acesso em 23 de Janeiro de 2024.
BRASIL. Presidência da República. Decreto nº 9.377, de 17 de maio de 2018. Estratégia Nacional de Disseminação do Building
Information Modelling no Brasil - Estratégia BIM BR. Diário Oficial da União, Brasília, DF, 17 maio de 2018. Disponível em https://
www2.camara.leg.br/legin/fed/decret/2018/decreto-9377-17-maio-2018-786731-publicacaooriginal-155623-pe.html. Acesso em 09
de abril de 2024.
CHEN, Hui et al. An approach to boundary detection for 3D point clouds based on DBSCAN clustering. Pattern Recognition, v. 124,
p. 108431, 2022.
Poux, F., & Billen, R. (2019). Voxel-based 3D point cloud semantic segmentation: unsupervised geometric and relationship
featuring vs deep learning methods. ISPRS International Journal of Geo-Information. 8(5), 213; https://doi.org/10.3390/ijgi8050213
GIONGO, Marcos et al. LiDAR: princípios e aplicações florestais. Pesquisa Florestal Brasileira, v. 30, n. 63, p. 231-231, 2010.
KOTB, Ahmed; HASSAN, Safaa; HASSAN, Hesham. A comparative study among various algorithms for lossless airborne LiDAR data
compression. In: 2018 14th International Computer Engineering Conference (ICENCO). IEEE, 2018. p. 17-21.
SEPASGOZAR, Samad ME; LIM, Samsung; SHIROWZHAN, Sara. Implementation of Rapid As-built Building Information Modeling
Using Mobile LiDAR. In: Construction Research Congress 2014: Construction in a Global Network. 2014. p. 209-218.
M.A. Fischler and R.C. Bolles. Random sample consensus: A paradigm for model fitting with applications to image analysis and
automated cartography. Communications of the ACM, 24(6):381–395, 1981. DOI: https://doi.org/10.1145/358669.358692
ESTER, Martin et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In: kdd. 1996. p.
-231.
H. V. Singh, A. Girdhar and S. Dahiya, "A Literature survey based on DBSCAN algorithms," 2022 6th International Conference on
Intelligent Computing and Control Systems (ICICCS), Madurai, India, 2022, pp. 751-758, doi: https://doi.org/10.1109/
ICICCS53718.2022.9788440.
Lehtola, V., Nikoohemat, S., & Nüchter, A. (2020). Indoor 3D: Overview on scanning and reconstruction methods. Handbook of Big
Geospatial Data, 55–97. https://doi.org/10.1007/978-3-030-55462-0_3
Markus Götz, Christian Bodenstein, and Morris Riedel. 2015. HPDBSCAN: highly parallel DBSCAN. In Proceedings of the Workshop on Machine Learning in High-Performance Computing Environments (MLHPC '15). Association for Computing Machinery, New York,
NY, USA, Article 2, 1–10. https://doi.org/10.1145/2834892.2834894
Poux, F.; Mattes, C.; Kobelt, L. Unsupervised Segmentation of Indoor 3D Point Cloud: Application to Object-Based Classification.
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLIV-4/W1-2020,
