Scan to BIM y Deep Learning (I) - BIMtowin
BIM, Ingenieria, Arquitectura, Revit, Malaga, España, Implementacion, Formacion, Construccion, Proyecto, Modelado, Coordinacion, Aplicaciones, API, Plugin
15986
post-template-default,single,single-post,postid-15986,single-format-standard,vcwb,ajax_fade,page_not_loaded,,qode-theme-ver-7.8,wpb-js-composer js-comp-ver-6.10.0,vc_responsive

Scan to BIM y Deep Learning (I)

10 Feb Scan to BIM y Deep Learning (I)

La inteligencia artificial parece que ha llegado para quedarse y facilitarnos las tareas en muchos de nuestros cometidos.

El manejo de nubes de puntos sin duda es uno sectores donde se presentan más retos para la utilización de técnicas de inteligencia artificial.

El primero de los retos que presentan las nubes de puntos es a la vez un problema y una ventaja: la gran cantidad de datos que se maneja.

Cualquier escaneado de nubes de puntos puede alcanzar fácilmente unos cientos de millones de puntos. Esta cantidad de puntos hace necesario primero la necesidad de utilizar maquinas con una potencia de calculo y a la hora de manejar tal cantidad de datos es necesario tener muy presente como bajos a manejarlos (elección de base de datos o formato a utilizar…)

Otro de los inconvenientes de las nubes de puntos es que nos encontramos con datos no ordenados (y por supuesto no estructurados). Las nubes de puntos no tienen en cuenta los puntos cercanos para dar una lista “ordenada” como si lo pueden tener una imagen lo que obligan a los algoritmos que los procesen a poder manejar no ordenados. Esto ha hecho que muchos de los algoritmos que se utilicen estén basados en tratamiento previo en voxeles similares a los pixeles de una imagen. Este prepocesamiento es también muy costoso desde el punto de vista computacional.

Desde hace muchos años ya podemos encontrar implementaciones algoritmos clásicos com Ransac, o tranformadas de Hough que nos permiten encontrar planos o elementos sencillos dentro de las nubes de puntos. Todos estos algoritmos son algoritmos voraces en cuanto a la necesidad de recursos y dificultan la utilización en nubes de tamaño medio-grande.

También podemos ver implementados clasificadores basados en SVM y/o técnicas de machine learning “clásicas”.

La verdadera revolución en el tratamiento de nubes de puntos esta por venir, de hecho ya ha comenzado con la aparición de PointNet y todos sus derivados que permiten ingestar directamente puntos.

pointnet

Arquitectura de PointNet

Las tareas básicas sobre nubes: clasificación, segmentación, segmentación semántica, reconstrucción… están alcanzado métricas espectaculares.

Una conseguidas estas tareas básicas el siguiente paso el modelado BIM es un paso natural… y hasta sencillo.

No Comments

Sorry, the comment form is closed at this time.