Engenharia Eletrônica (UACSA)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2916
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
Item Avaliação de algoritmo de clusterização para segmentação de nuvens de pontos 3D(2022-10-05) Melo, Davi de Almeida; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/3528552393951602As tecnologias 3D têm sido exploradas nas diversas áreas da indústria. Com essas tecnologias são executadas funções como visualização, instrumentação, controle, simulação, treinamento, planejamento, documentação, entre outros. A partir disso, novos tipos de mídia foram introduzidos a esse contexto industrial. Como exemplo, existem as nuvens de pontos, que trata-se de um conjunto de pontos distribuídos num modelo tridimensional da realidade. Elas, geralmente, são construídas através da atuação de um scanner e podem conter em cada um de seus pontos as características de um objeto como localização, cor, reflectância e entre outros aspectos. Dado que as nuvens de pontos irão representar peças, equipamentos, tubulações, máquinas, áreas, e estruturas no contexto industrial, conseguir segmentar as nuvens de pontos e possibilitar uma melhor visualização das partes separadas da mesma estrutura é uma ferramenta proveitosa. Além disso, dentre as funções das tecnologias 3D apresentadas, a segmentação de nuvens de pontos perpassa de forma direta e indireta as áreas de visualização, instrumentação e controle. Portanto, verificada a importância da segmentação de nuvens de pontos, o objetivo desta monografia é avaliar dois algoritmos de clusterização para segmentação de nuvens de pontos 3D. São eles, o DBSCAN e o K-means. Ambos estão categorizados como algoritmos de clusterização por meio aprendizagem de máquina não supervisionada. Após a avaliação, foram constatadas as diferenças entre cada algoritmo. Verificou-se um melhor desempenho por parte do K- means quando se trata de dados dispersos e o equivalente para o DBSCAN quando se referem a distribuição de dados com certa distância entre os clusters.