Avaliação de algoritmo de clusterização para segmentação de nuvens de pontos 3D
Arquivos
Data
2022-10-05
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
3D technologies have been explored in many industrial fields. With those technologies
functions such as visualization, instrumentation, control, simulation, training, planning,
documentation, and more are performed. From that, new types of media were
introduced to the industrial context. For instance, the point clouds, which is a set of
points distributed on a tridimensional model of reality. They are often built through the
operation of a scanner and may contain the characteristics of an object, such as
localization, color, reflectance and more in every one of its points. Given that the point
clouds represent pieces, equipments, piping, machines, areas and structures in the
industrial context, a useful tool is to segment the point clouds and enable a better
visualization of separate parts of the same structure. Furthermore, among the presented
3D technologies, point cloud segmentation permeates directly and indirectly the fields
of visualization, instrumentation, and control. Thus, verified the importance of the point
cloud segmentation, the goal of this monography is to assess two clustering algorithms
for 3D point cloud segmentation. They are the DBSCAN and the K-means. Both are
categorized as clustering algorithms through unsupervised machine learning. After the
assessment, the differences between each algorithm were found. The K-means was
verified to have better performance when it comes to disperse data and the equivalent to
the DBSCAN when it comes to data distribution with a certain distance between the
clusters.
Descrição
As 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.
Palavras-chave
Automação, Clusterização, Segmentação, Nuvem de pontos
Referência
MELO, Davi de Almeida. Avaliação de algoritmo de clusterização para segmentação de nuvens de pontos 3D. 2022. 45 f. Trabalho de Conclusão de Curso (Tecnólogo em Automação Industrial) - Unidade Acadêmica do Cabo de Santo Agostinho, Universidade Federal Rural de Pernambuco, 2023.