PCMAT-30: Classificação automática de materiais construtivos em nuvens de pontos

• Luís Sanhudo ^[2] ; Vasco Pinto ^[3] ; João Poças Martins ^[1] ; Nuno M.M. Ramos ^[1]
  1. [1] Universidade Do Porto

     Universidade Do Porto

     Santo Ildefonso, Portugal

     
  2. [2] BUILT CoLAB – Collaborative Laboratory for the Future Built Environment, Portugal
  3. [3] ASL – Engineering for People, Porto

  Mostrar afiliaciones +
• Localización: 4º congresso português de ‘Building Information Modelling’ vol. 2 - ptBIM / coord. por Bruno de Figueiredo, João Poças Martins, José Granja, José Carlos Lino, Miguel Azenha, 2022, págs. 407-418
• Idioma: portugués
• Enlaces
  • Texto completo
• Resumen

  • Nos últimos anos, a investigação em torno da classificação automática de materiais construtivos tem vindo a crescer em importância, graças aos seus comprovados benefícios no apoio à gestão de obra. Na sua maioria, trabalhos anteriores focados neste âmbito têm requerido a realização sistemática de levantamentos fotográficos em obra, por forma a suplementar modelos de visão computacional que interpretam e analisam as fotografias obtidas, classificando e quantificando os materiais existentes em estaleiro. Contudo, apesar destes modelos facultarem resultados com alta precisão, os requisitos computacionais a eles associados, bem como o esforço do levantamento fotográfico in‑situ, restringem a utilização desta metodologia. Para colmatar esta desvantagem, a tecnologia laser scanning tem sido proposta em substituição ao levantamento fotográfico, tornando o processo de levantamento de informação mais expedito e permitindo a utilização de modelos mais eficientes – tipicamente baseados em algoritmos de aprendizagem computacional tradicional. Neste sentido, o presente artigo desenvolve uma base de dados de materiais obtidos por laser scanning, com o objetivo de possibilitar o contínuo desenvolvimento desta nova metodologia. O artigo apresenta ainda testes preliminares para a classificação dos materiais da base de dados, sendo obtidas precisão de 98,42% – valor na ordem de grandeza da abordagem por levantamento fotográfico.