Autor: Igor Pardo Maurell (Currículo Lattes)
Resumo
O presente trabalho se contextualiza na temática da realização de As Built automático de grandes estruturas industriais, principalmente as de óleo e gás, como plataformas de petróleo off-shore, FPSO e refinarias. Nesse contexto, apesar da captura de nuvens de pontos 3D já gerar uma representação digital dessas estruturas, a reconstrução de um modelo paramétrico a partir desses dados permite uma comparação mais precisa entre a estrutura como está construída e como foi projetada inicialmente. Entre os modelos paramétricos possíveis de serem usados, a Representação por Contornos (B-Rep) é um formato CAD que permite descrever a estrutura a partir de múltiplas geometrias interconectadas. Nesse contexto, o presente trabalho propõe um método para identificar as geometrias presentes em nuvens de pontos dessas estruturas industriais de larga escala. Ao se explorar a literatura, é possível compreender que, apesar desse problema não ser amplamente explorado em contextos de larga escala, os principais métodos de pequena escala, progridem na direção do uso de técnicas baseadas em aprendizado profundo supervisionado. Apesar do problema ser consideravelmente mais complexo em estruturas de larga escala, um fator determinante para desenvolver métodos baseados em aprendizado é a existência de um dataset que permita o treinamento e validação dos mesmos. Esse requisito já foi superado no contextos de pequena escala a partir da publicação do Dataset ABC, entretanto, esse dataset não conta com estruturas como as que motivam o trabalho, não sendo adequado para utilização no mesmo. Logo, a produção de um dataset que possa ser usado no contexto de aplicação desejado também se torna um requisito importante do trabalho. A abordagem adotada para geração dos dados a serem utilizados foi a geração sintética dos mesmos utilizando modelos CAD como dado de entrada. Dessa forma, as geometrias presentes nesses modelos paramétricos são extraídas e utilizadas para gerar o ground truth geométrico, ou seja, uma anotação de todas as geometrias presentes no modelo com seus parâmetros e tipos associados. Conjuntamente, a geração de nuvens de pontos desses modelos CAD é feita a partir da simulação de um sensor LiDAR coletando uma quantidade numerosa de pontos a partir de múltiplas vistas ao redor do modelo de entrada, a qual é uma abordagem autoral e uma das contribuições do trabalho. Por consequência, o Dataset LS3DS foi produzido pelo trabalho, o qual conta com 86 modelos CAD de larga escala de contexto industrial e também suas respectivas nuvens de pontos e ground truth de geometrias. Com um dataset de larga escala disponível, o presente trabalho discute sobre as características principais que diferenciam os contextos de larga escala, como as plantas industriais, nesse caso, e os contextos de pequena escala, como peças mecânicas e objetos individuais. Neste escopo, entre outras diferenças importantes, a quantidade de pontos da nuvem para que se possa representar as principais geometrias com resolução adequada surge como a mais impactante. Logo, somada à limitação severa de número de pontos máximo associada a esses métodos baseados em aprendizado, o trabalho propõe o uso estratégias de divisão da nuvem original em pequenas partes para serem processadas separadamente. Assim, a metodologia nomeada Ajuste de Geometrias por Divisão e Agregação (SMGF) é apresentada, a qual busca adaptar os principais métodos da literatura de ajuste de primitivas geométricas a nuvens de pontos de pequena escala, para os contextos de larga escala. Com base nisso, diversas versões e configurações dessa metodologia são comparadas de maneira qualitativa e quantitativa, construindo um benchmark de ajuste de geometrias de larga escala. Nesse escopo, é demonstrado que todas as abordagens que utilizam a metodologia SMGF superam o estado-da-arte no contexto de larga escala em até 36% pontos nas métricas utilizadas, que é o ERANSAC. Junto a isso, se demonstra de maneira clara a importância da resolução da nuvem de pontos na qualidade dos resultados dos métodos baseados em aprendizado e as limitações associadas ao aumento do número de pontos de cada versão. Ao fim, é feita uma discussão sobre os experimentos e os possíveis trabalhos futuros são apresentados, os quais podem se beneficiar do Dataset LS3DS e da metodologia SMGF para desenvolver soluções ainda melhores para o problema central do trabalho.