Relatório de pesquisa: Tecnologia de processamento de dados
espaciais 3D e suas aplicações Instituto de Pesquisa de IA do
Condado de 2025_01Youngho Hong
Resumos:
Esta pesquisa abrange o desenvolvimento e a aplicação de tecnologias
de processamento de dados espaciais 3D, especialmente a aquisição de
dados de nuvem de pontos e tecnologias de detecção de objetos 3D
usando sensores LiDAR. Ela se concentra nas tecnologias de detecção de
objetos 3D VoxelNet, PointNet e PointRCNN e explica como essas
tecnologias estão sendo usadas em vários campos, como veículos
autônomos, saúde, automação industrial, sistemas de vigilância de
segurança e VR/AR. Os dados da nuvem de pontos coletados pelos
sensores LiDAR analisam o espaço 3D com alta precisão, e a tecnologia
de detecção de objetos 3D baseada neles um papel importante na
conscientização ambiental em tempo real, no diagnóstico de precisão,
na otimização do processo de fabricação etc. Este estudo analisa o
impacto da tecnologia de processamento de dados espaciais em 3D no
setor moderno e na inovação tecnológica, e discute o potencial de
desenvolvimento futuro.
Palavras-chave:
Dados espaciais 3D, sensores LiDAR, nuvem de pontos,
detecção de objetos 3D, VoxelNet, PointNet, PointRCNN, veículos
autônomos, saúde, automação industrial, sistemas de vigilância de
segurança, VR/AR, aprendizagem profunda2- -
1. Introdução
Envolve o processo de coleta, armazenamento, análise e visualização de
dados e usa tecnologias como LiDAR, fotogrametria e digitalização em
3D para processar informações espaciais tridimensionais. Essas
tecnologias são usadas em uma variedade de plataformas de software,
os sistemas de informações geográficas (GIS) e o design auxiliado por
computador (CAD) as principais ferramentas. Isso análises espaciais
complexas.
O LiDAR usa pulsos de laser para coletar dados de distância, enquanto a
fotogrametria usa fotografias aéreas para criar modelos 3D. Esses dados
são armazenados em um banco de dados e usados para análise e
visualização quando necessário.1)
A pesquisa mostrou que as estruturas de CNN 3D podem ser usadas para
aprender representações 3D e que isso pode ser feito de forma mais
eficiente do que os métodos tradicionais baseados em CNN totalmente
3D.2)
Os métodos de visualização 3D baseados em GPU permitem uma
demarcação espacial mais sofisticada e precisa.3)
A modelagem 3D é usada como uma ferramenta essencial no processo
de simulação e projeto arquitetônico. Ela permite que você a segurança
das estruturas e aumente a precisão de seus projetos.
Os dados espaciais em 3D são usados em pesquisas sobre mudanças no
ecossistema e gerenciamento de desastres. Por exemplo, a modelagem
geológica em 3D é usada para exploração de águas subterrâneas e
pesquisa geológica.4)
Os dados 3D estão sendo usados para desenvolver ambientes imersivos
para aprimorar a experiência do usuário. Isso sendo aplicado em uma
variedade de setores, incluindo educação, saúde e entretenimento.
As tecnologias de processamento de dados espaciais em 3D estão
avançando rapidamente em vários campos, principalmente na aquisição
de dados de nuvens de pontos e na detecção de objetos no espaço 3D 3- -
usando sensores LiDAR. Essas tecnologias revolucionando veículos
autônomos, aplicações médicas, automação industrial, sistemas de
vigilância de segurança e ambientes de VR/AR. Este relatório de
pesquisa fornece uma compreensão básica das tecnologias de
processamento de dados espaciais em 3D e explica como elas estão
sendo aplicadas em vários setores.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Computação e visualização de
dados 3D. Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Convolução triplanar com kernels 2D compartilhados para classificação 3D e
recuperação de formas. Computer Vision and Image Understanding, 193, 102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Um novo método para prospecção
regional baseado em gráficos 3D modernos. Minerals.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). New regional stratigraphic insights from a 3D geological model of the
Nasia sub-basin, Ghana, developed for hydrogeological purposes and based on
reprocessed B-field data originally collected for mineral exploration. Solid Earth,
11, 349-361.4- -
2. Coleta de dados do Point CLoud com sensores LiDAR
A aquisição de dados de nuvem de pontos usando sensores LiDAR
desempenha um papel importante em uma ampla gama de aplicações e
é particularmente adequada para a aquisição de dados 3D de alta
resolução. A tecnologia LiDAR emite pulsos de laser para receber sinais
refletidos de objetos e calcula informações de distância com base neles.
Essas informações são armazenadas em um formato de nuvem de
pontos, em que cada ponto contém coordenadas X, Y e Z e intensidade
de reflexão.
As nuvens de pontos LiDAR podem ser em diversos campos, incluindo
urbano, ambiental e gerenciamento de recursos. Por exemplo, elas
podem ser úteis para a análise estrutural de florestas ou para o
levantamento de precisão de edifícios. As nuvens de pontos são então
convertidas em 3D ou dados de GIS por meio de pós-processamento
para redução de ruído, alinhamento e reconstrução de superfície. Uma
variedade de softwares é usada nesse processo, especialmente métodos
de visualização 3D baseados em GPU, que permitem uma demarcação
espacial mais sofisticada.5)
Os dados LiDAR também desempenham uma função importante nos
sistemas de percepção para veículos autônomos. O processamento e o
treinamento da nuvem de pontos LiDAR no campo da direção autônoma
contribuíram para a percepção precisa do ambiente rodoviário e para a
detecção de objetos.6) Esses dados são essenciais para a construção de
mapas 3D de alta resolução e em tempo real, que os veículos autônomos
naveguem com segurança em condições rodoviárias complexas.
de pontos LiDAR também podem ser na Por exemplo, os dados
coletados pelo LiDAR montado em aeronaves podem ser usados para
reconstruir modelos 3D de formações geológicas, que contribuem para a
exploração de águas subterrâneas ou para a pesquisa geológica.7) Essa
modelagem geológica 3D permite novas interpretações geológicas e
ajuda a entender melhor as características geológicas de uma área.
As vantagens da tecnologia LiDAR incluem a aquisição de dados em alta
velocidade e a alta precisão, mas ela tem limitações o custo 5- -
relativamente alto e o desempenho em chuvoso ou Pesquisas e
desenvolvimentos contínuos estão sendo feitos para superar essas
limitações técnicas, o que está permitindo que o LiDAR seja usado em
uma variedade maior de setores.
Um sensor LiDAR (Light Detection and Ranging) é uma tecnologia que
usa um laser para medir a superfície de um objeto, e os dados podem
ser usados para obter informações espaciais em 3D. Os dados da nuvem
de pontos gerados por um sensor LiDAR são uma coleção de muitos
pontos distribuídos no espaço 3D, cada um dos quais pode ser descrito
por elevação, distância e posicionamento.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Computação e visualização de
dados 3D. Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023).
Compressão, processamento e aprendizado da nuvem de pontos Lidar para
direção autônoma. IEEE Transactions on Intelligent Transportation Systems, 24,
962-979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). New regional stratigraphic insights from a 3D geological model of the
Nasia sub-basin, Ghana, developed for hydrogeological purposes and based on
reprocessed B-field data originally collected for mineral exploration. Solid Earth,
11, 349-361.6- -
vigas. Esses dados são cruciais para a percepção dos veículos autônomos
de seus arredores, modelagem arquitetura e engenharia civil e
mapeamento em 3D.
3. Tecnologia de detecção de objetos 3D
A detecção de objetos em 3D é uma tecnologia importante para
reconhecer e localizar objetos no espaço 3D e essencial em vários
campos, incluindo veículos autônomos, e realidade aumentada. Ela
principalmente em dados 3D coletados por meio de LiDAR, câmeras
RGB-D e sistemas de visão estéreo.
Ele utiliza nuvens de pontos geradas pelo LiDAR para reconhecer a
localização e a forma dos objetos. Modelos de aprendizagem profunda,
como o PointNet, são amplamente usados nesse campo, e esses métodos
são essenciais para gerar mapas 3D de alta resolução e em tempo real.8)
É uma técnica para detectar objetos combinando imagens 2D obtidas
por câmeras RGB com informações 3D. Esse método melhora o
desempenho da detecção ao adicionar informações de cor e padrão do
objeto. Estudos recentes propuseram métodos como o FusionRCNN, que
combina imagens LiDAR e de câmeras para melhorar a precisão da
detecção.9)
Estruturas profunda, como as redes neurais convolucionais (CNNs) e as
redes neurais recorrentes (RNNs), são usadas para e reconhecer
recursos de 3D. Esses modelos melhoram a precisão da classificação de
objetos e da estimativa de localização com base em conjuntos de dados,
o que especialmente importante para o reconhecimento de obstáculos
em veículos autônomos.10)
Ele é usado para aumentar a segurança ao dirigir, detectando obstáculos
e pedestres na estrada. uma pesquisa ativa nessa área para fundir
nuvens de pontos LiDAR com dados de visão para uma detecção mais
precisa.11)
Ele ajuda o robô a entender e interagir com seu ambiente. Isso
especialmente importante para determinar a localização exata dos
objetos para ajudar o robô a planejar seu caminho e executar tarefas.7- -
Reconhecer e reagir a objetos em tempo real para aprimorar a
experiência do usuário. Por exemplo, na realidade aumentada o local e a
forma dos objetos devem ser determinados com precisão para
aprimorar a interação com os objetos virtuais.
8) Qian, R., Lai, X., & Li, X. (2021). 3D Object Detection for Autonomous Driving
(Detecção de objetos 3D para direção autônoma): Pattern Recognition, 130,
108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: fusão LiDAR-câmera para detecção de objetos 3D em dois estágios.
Sensoriamento Remoto, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023). Super Sparse 3D
Object Detection (Detecção de objetos 3D superesparsos). IEEE Transactions on
Pattern Analysis and Machine Intelligence, 45, 12490-12505.
11) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: fusão LiDAR-câmera para detecção de objetos 3D em dois estágios.
Sensoriamento Remoto, 15, 1839.8- -
Essas tecnologias constante evolução, oferecendo soluções de detecção
de objetos 3D mais precisas e eficientes. Os avanços em pesquisa e
tecnologia estão melhorando significativamente a precisão do
reconhecimento em ambientes do mundo real.
A detecção de objetos em 3D é identificação e a classificação precisas de
objetos específicos no espaço em 3D, que é apoiada por várias técnicas
de processamento de dados espaciais em 3D. Recentemente, técnicas
baseadas em aprendizagem profunda ativamente aplicadas à detecção
de objetos em 3D. As tecnologias representativas VoxelNet, PointNet e
PointRCNN.
3.1 VoxeLNet
A VoxelNet é uma arquitetura inovadora de aprendizagem profunda
projetada especificamente para detectar objetos 3D usando nuvens de
pontos, o que é fundamental em sistemas de direção autônoma. A
arquitetura adota uma abordagem exclusiva, convertendo dados brutos
de nuvens de pontos em uma grade de voxels 3D estruturada para
permitir o processamento eficiente e a extração de recursos. A
conversão para uma representação de voxel é fundamental porque
permite que a VoxelNet utilize efetivamente a convolução 3D para
capturar informações espaciais e, ao mesmo tempo, garantir a
eficiência computacional. Essa eficiência é essencial para os aplicativos
em tempo real necessários para a direção autônoma.
A força da VoxelNet está em sua capacidade de incorporar uma nova
camada de codificação de recursos que aumenta muito o poder de
representação de cada voxel. Isso é obtido levando-se em conta as
características exclusivas dos pontos contidos em cada voxel, o que
melhora a capacidade da rede de detectar e classificar objetos em
ambientes complexos.12) Essa etapa de codificação de recursos é para
resolver problemas causados pela natureza irregular e esparsa dos
dados da nuvem de pontos, que é difícil de lidar usando redes neurais
convolucionais 2D tradicionais.
A pesquisa que o VoxelNet fez contribuições significativas para o campo
da detecção de objetos em 3D. Por exemploa capacidade de sua 9- -
arquitetura de fornecer alta precisão e, ao mesmo tempo, manter a
eficiência computacional faz com que ela seja a escolha preferida para
aplicações de interimplementação em veículos autônomos.13) Além
disso, a integração de representação esparsa da VoxelNet permite que
ela lide de forma eficaz com as grandes quantidades de dados
normalmente encontradas em cenários de direção autônoma.
O desenvolvimento da VoxelNet representa um avanço significativo no
processamento de dados 3D e estabelece a base para futuras inovações
na tecnologia de direção autônoma. Ele aborda os principais desafios
nessa área combinando a voxelização eficiente com técnicas avançadas
de codificação de recursos.14) Isso não só melhora a precisão da
detecção, mas também permite uma fiscalização mais sofisticada
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. e Bennamoun (2019). Aprendizagem
profunda para nuvens de pontos 3D: uma pesquisa. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N., & Chang, Z. (2021). Perturbações
adversárias da nuvem de pontos contra a detecção de objetos 3D em sistemas de
direção autônoma. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: detecção de objetos 3D a partir de
nuvem monocular, estéreo e de pontos para direção autônoma.
Neurocomputing, 494, 23-32.10- -
O VoxelNet está ampliando os limites do desenvolvimento de sistemas
de percepção 3D. Com seu desempenho poderoso e abordagem
inovadora, o VoxelNet continua influenciar a pesquisa e o
desenvolvimento em andamento no processamento de nuvens de pontos
3D e sistemas autônomos.15)
O VoxelNet é um modelo inovador para detecção de objetos 3D que
processa dados de nuvem de pontos convertendo-os em grades 3D
(voxels). Cada voxel representa um ponto na nuvem de pontos, o que
permite que o modelo informações espaciais com mais eficiência. O
VoxelNet usa essas informações de voxel detectar objetos e fazer
previsões. A vantagem abordagem é que ela é eficiente e rápida para
processar grandes quantidades de dados de nuvem de pontos.
3.2 PointNet
O PointNet é uma arquitetura inovadora de aprendizagem profunda que
revoluciona o processamento de dados de nuvem de pontos 3D ao
consumir diretamente conjuntos de pontos não ordenados. Ao contrário
dos métodos tradicionais que exigem entradas estruturadas, o PointNet
usa funções de simetria para garantir a invariância de permutação, as
relações espaciais entre os pontos para que a permaneça ,
independentemente da dos pontos de entrada.
A principal inovação do PointNet é o uso de perceptrons (MLPse de
pooling máximo. Essa arquitetura agrega com eficiência os recursos de
pontos individuais em uma representação global, o que é
particularmente útil para tarefas como classificação e segmentação.
Graças à sua capacidade de grandes de pontos com eficiência e precisão,
tornou um modelo fundamental no campo e inspirou várias
arquiteturas subsequentes baseadas em seus princípios.
O impacto da PointNet vai além da pesquisa acadêmica para
implementações práticas em áreas como direção autônoma e
reconhecimento de robôs. Por exemplo, em sistemas autônomos, a
PointNet tem sido usada para processar dados LiDAR para melhorar a
detecção de objetos e a navegação, identificando e classificando objetos
de um teste para o outro.16) O design da PointNet permite que ela lide 11- -
com eficácia com as complexidades associadas aos dados 3D, como
oclusões e variações na densidade de pontos, tornando-a uma
ferramenta versátil em aplicações de visão computacional.
Os avanços trazidos pela PointNet levaram à adaptação da PointNet em
uma variedade de contextos inovadores. Por exemplo, ela foi aplicada
para classificar dados LiDAR aéreos, melhorando a precisão e a
eficiência das operações de sensoriamento remoto.17) A adaptabilidade
da PointNet também levou à sua integração com redes neurais baseadas
em física para analisar a propagação de rachaduras
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). Rede de
aprendizado semântico de múltiplas visualizações para detecção de objetos 3D
com base em nuvem de pontos. Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. e Bennamoun (2019). Aprendizagem
profunda para nuvens de pontos 3D: uma pesquisa. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 43, 4338-4364.
17) Nong, X., Bai, W., & Liu, G. (2023). Classificação de nuvem de pontos LiDAR
aerotransportada usando a rede PointNet++ com recursos de vizinhança
completa. PLOS ONE, 18.12- -
e simulações de dinâmica de fluidos, e foi comprovado que resolve
problemas industriais complexos.18)
O Pointnet continua a servir como referência no processamento de
dados 3D, aumentando significativamente a capacidade dos modelos de
aprendizagem profunda de processar dados de nuvem de pontos. Seu
impacto é evidente tanto nos avanços teóricos quanto nas aplicações
práticas, demonstrando sua contínua relevância e adaptabilidade no
cenário em evolução da inteligência artificial e da aprendizagem
automática.19)
O PointNet é um modelo que processar diretamente dados de nuvem de
pontos e reconhecer objetos no espaço 3D, independentemente da
ordem de cada ponto. O PointNet extrai os recursos dos pontos e
executa a classificação e a segmentação com base neles. Esse modelo
pode lidar com a natureza não estruturada das nuvens de pontos e pode
ser usado em vários campos, como direção autônoma, robótica e análise
de imagens médicas.
3.3 PontoRCNN
O PointRCNN é uma estrutura importante no campo da detecção de
objetos em 3D, especialmente para aplicações como a direção autônoma.
A estrutura usa um processo de detecção em duas etapas para melhorar
a precisão e a eficiência da detecção de objetos em dados de nuvem de
pontos em 3D. A primeira etapa é gerar sugestões de objetos por meio de
uma rede de sugestões locais baseada em pontos. Essa etapa é porque
trabalha diretamente nos dados brutos da nuvem de pontos,
preservando informações espaciais detalhadas que podem ser perdidas
nos métodos tradicionais que dependem de projeções de imagens ou
voxelização.
Na segunda etapa, o PointRCNN refina a proposta inicial executando da
caixa delimitadora 3D. Isso ajusta o tamanho e a orientação da para
melhor ajustar os objetos detectados nos dados da nuvem de pontos. Ao
utilizar recursos extraídos diretamente da nuvem de pontos bruta, o
PointRCNN alcança maior precisão na detecção de especialmente em
ambientes desafiadores com geometria complexa e oclusões.13- -
Uma das principais vantagens do PointRCNN é sua de aprender de
ponta a ponta. Essa arquitetura facilita a integração perfeita dos estágios
da rede, melhorando não apenas o desempenho de detecção do modelo,
mas também sua eficiência computacional, tornando-o adequado para
aplicações em tempo real, como as necessárias para sistemas de direção
autônoma.
Pesquisas demonstraram que os métodos que utilizam dados de nuvem
de pontos podem melhorar significativamente a compreensão e a
interpretação de cenas em 3D em situações de direção autônoma. Por
exemplo, o uso de algoritmos de detecção de vários alvos baseados em
PointRCNN e técnicas de fusão de nuvens de pontos de voxel pode ser
usado em cenários dinâmicos devido à sua versatilidade e
18) Kashefi, A., & Mukerji, T. (2022). Physics-informed PointNet: um solucionador
de aprendizagem profunda para fluxos incompressíveis em estado estacionário
e campos térmicos em vários conjuntos de geometrias irregulares. Journal of
Computational Physics, 468, 111510.
19) Wang, L., & Huang, Y. (2022). Uma pesquisa de nuvem de pontos 3D e
abordagens baseadas em aprendizagem profunda para compreensão de cenas
em direção autônoma. Revista IEEE Intelligent Transportation Systems, 14, 135-
154.14- -
Além disso, pesquisas no campo de nuvens de pontos 3D e abordagens
de aprendizagem profunda a importância crescente dessas estruturas
para a compreensão da cena na direção autônoma.20)
De modo geral, o PointRCNN representa um avanço significativo na
tecnologia de detecção de objetos em 3D. Sua capacidade de processar
diretamente os dados brutos pontos e o eficiente processo de detecção
em dois estágios uma ferramenta poderosa para o direção autônoma,
em que rápida e precisa de objetos é fundamental para a segurança e o
desempenho.
A PointRCNN é uma tecnologia que usa uma CNN (Rede Neural
Convolucional) baseada na PointNet para detecção de objetos em 3D e
processa com eficácia os dados da nuvem de pontos detectar objetos
com precisão. A PointRCNN é uma tecnologia que amplia o método de
detecção de objetos 2D existente para ambientes 3D e é aplicada ao
reconhecimento de objetos de veículos autônomos e ao reconhecimento
de ambientes de robôs.
4. Aplicativos
As PointRCNNs desempenham uma função essencial nos sistemas de
direção autônoma e são usadas para reconhecer e rastrear com precisão
os objetos no ambiente ao redor. objetos usando de pontos 3D pode
ajudar os veículos obstáculos na estrada com um alto grau de precisão,
mesmo em situações de tráfego complexas.22)
O robô utiliza a tecnologia de detecção de objetos 3D para interagir com
o ambiente. O PointRCNN permite que o robô compreenda seu
ambiente de uma execução para outra e execute as tarefas necessárias.24)
Para inserir perfeitamente objetos virtuais no mundo real em um
ambiente de AR, é necessária a detecção precisa de objetos no espaço 3D.
O PointRCNN um papel importante nessa tarefa.
Os drones precisam ter a capacidade de reconhecer e evitar vários
obstáculos durante o voo. O PointRCNN pode ser usado para detectar
objetos em tempo real a partir dos dados do sensor do drone e definir
uma trajetória de voo segura.25)15- -
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
21) Wang, L., & Huang, Y. (2022). Uma pesquisa de nuvem de pontos 3D e
abordagens baseadas em aprendizagem profunda para compreensão de cenas
em direção autônoma. Revista IEEE Intelligent Transportation Systems, 14, 135-
154.
22) Qian, R., Lai, X., & Li, X. (2021). 3D Object Detection for Autonomous Driving
(Detecção de objetos 3D para direção autônoma): Pattern Recognition, 130,
108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D Object Detection for
Autonomous Driving (Detecção de objetos 3D para direção autônoma): A
Comprehensive Survey, International Journal of Computer Vision, 131, 1909-
1963.
24) Wang, L., & Huang, Y. (2022). Uma pesquisa de nuvem de pontos 3D e
abordagens baseadas em aprendizagem profunda para compreensão de cenas
em direção autônoma. Revista IEEE Intelligent Transportation Systems, 14, 135-
154.
25) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis, A.
(2019).16- -
O PointRCNN é aplicado à modelagem 3D e à análise de ambientes
urbanos, fornecendo informações importantes para o planejamento e a
gestão urbanos. Isso ajudar a melhorar a eficiência do transporte e
aumentar a segurança nas cidades.
Nessas aplicações, as PointRCNNs são muito úteis em situações em que
são necessários alta precisão e processamento em tempo real. Pesquisas
mostram que técnicas como algoritmos de detecção de vários alvos
baseados em PointRCNN demonstrando seu desempenho e eficiência
nessas aplicações.26) A PointRCNN contribui para maximizar a precisão
e a eficiência da detecção de objetos em 3D, o que importante para o
avanço dos veículos autônomos e de outros sistemas avançados.
A tecnologia de processamento de dados espaciais 3D usada em muitos
setores diferentes. Alguns dos principais aplicativos incluem
4.1 Veículos autônomos
Os veículos são veículos que usam tecnologia avançada para dirigir
sozinhos sem intervenção humana. Esses veículos utilizam uma
variedade de sensores, câmeras, radares, LiDAR e outros para obter uma
percepção precisa do ambiente ao seu redor. Essas tecnologias,
combinadas com o processamento de dados em tempo real, são
essenciais para determinar rotas de direção seguras.
Em particular, a tecnologia de detecção de objetos em 3D é um
componente essencial dos veículos autônomos, desempenhando uma
função importante na detecção e no reconhecimento precisos de objetos
ao redor do veículo. O PointRCNN, por exemplo, aproveita os dados da
nuvem de pontos para permitir a análise de alta resolução dos arredores
de um veículo. Isso os veículos autônomos reconheçam pedestres,
outros veículos, sinais de trânsito e muito mais em tempo real para
garantir uma direção segura.27)
Os veículos autônomos também a capacidade de aprender padrões de
direção e se adaptar a diferentes situações de direção aplicando
tecnologias de aprendizado de máquina e inteligência artificial. Essas
tecnologias contribuindo para melhorar a segurança do veículo, a 17- -
eficiência e a experiência do usuário. Em particular, a tecnologia de
fusão de multissensores melhora a precisão da detecção de objetos em
3D, um desempenho confiável em uma variedade de ambientes.28)
Uma pesquisa sobre métodos de detecção de objetos 3D para aplicações de
direção autônoma. IEEE Transactions on Intelligent Transportation Systems, 20,
3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
27) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23,
20707-20720.
28) Wang, X., Li, K., & Chehri, A. (2024). Multi-Sensor Fusion Technology for 3D
Object Detection in Autonomous Driving (Tecnologia de fusão de vários
sensores para detecção de objetos 3D em direção autônoma): A Review, IEEE
Transactions on Intelligent Transportation Systems, 25, 1148-1165.18- -
Os veículos autônomos uma área fundamental de inovação nos futuros
sistemas de transporte por meio da convergência de algoritmos
complexos e tecnologias de sensores. Essas tecnologias têm um impacto
positivo na sociedade como um todo, reduzindo o congestionamento do
tráfego, os acidentes rodoviários e permitindo um fluxo de tráfego mais
eficiente.29)
Os veículos autônomos usam sensores LiDAR e tecnologia de detecção
de objetos 3D para perceber e analisar os arredores do veículo em tempo
real. Isso permite obstáculos, reconhecer pedestres, analisar
cruzamentos e para maximizar a segurança do veículo e a eficiência da
direção.
4.2 Assistência médica
As técnicas de detecção de objetos 3D na área médica, especialmente
aquelas como a PointRCNN, uma ampla gama de aplicações potenciais.
Essas tecnologias são usadas principalmente em imagens médicas,
robótica cirúrgica, sistemas de monitoramento de pacientes, etc.
A tecnologia de detecção de objetos em 3D ajuda detectar com precisão
lesões em imagens de TC, RM e ultrassom. Isso é especialmente
importante em áreas como a radiologia, onde pode ser combinada com
sistemas de diagnóstico auxiliados por computador usando inteligência
artificial e aprendizado de máquina para melhorar a precisão do
diagnóstico.30)
Nos sistemas robóticos cirúrgicos, a tecnologia de detecção de objetos
3D permite o reconhecimento preciso dos tecidos e órgãos circundantes
durante a cirurgia, ajudando a garantir uma cirurgia segura e precisa.
Juntamente com os avanços na inteligência artificial médica, isso pode
melhorar muito a eficiência e a segurança da cirurgia.31)
Os sensores 3D e a tecnologia de detecção de objetos podem analisar os
movimentos e os sinais vitais de um paciente em tempo real para
detectar anormalidades em um estágio inicial. Essas tecnologias ser
combinadas com sistemas de monitoramento de pacientes baseados em
inteligência artificial para rastrear e gerenciar continuamente a 19- -
condição do paciente.32)
Combinada com a realidade virtual (VR), ela poderia ser usada na
educação e no treinamento médico. Tecnologia de detecção de objetos 3D
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis,
A. (2019). Uma pesquisa sobre métodos de detecção de objetos 3D para
aplicativos de direção autônoma. IEEE Transactions on Intelligent
Transportation Systems, 20, 3782-3795.
30) Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi, J.,
Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H., Huisman, H.,
Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R. K., Summers, R.,
Suzuki, K., ... & Armato, S. (2022). Relatório do grupo de trabalho 273 da AAPM:
Recomendações sobre práticas recomendadas para IA e aprendizado de
máquina para diagnóstico auxiliado por computador em imagens médicas.
Física médica.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Artificial intelligence
in healthcare: a mastery (Inteligência artificial na área da saúde: um domínio),
Biotechnology and Genetic Engineering Reviews, None, 1-50.
32) Almagharbeh, W. (2024). The impact of AI-based decision support systems
on nursing workflows in critical care units (O impacto dos sistemas de apoio à
decisão baseados em IA nos fluxos de trabalho de enfermagem em unidades de
cuidados intensivos). International nursing review, None.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023).
Artificial intelligence in clinical decision support systems for oncology
(Inteligência artificial em sistemas de suporte a decisões clínicas para
oncologia), International Journal of Medical Sciences, 20, 79-86.20- -
desempenha um papel importante ao ajudar médicos e profissionais de
saúde a simular cirurgias e diagnósticos, possibilitando o aprendizado
em um ambiente realista.33)
Esses aplicativos contribuem para aumentar a precisão do diagnóstico e
do tratamento na área médica e melhorar a segurança geral. Em
particular, a tecnologia de detecção de objetos 3D combinada com a IA
está acelerando a inovação na área da saúde e tornando uma
ferramenta importante para melhorar a saúde e a segurança dos
pacientes. Esses estudos oferecem novas perspectivas sobre as
implicações comerciais, regulatórias e sociais da IA médica.34)
Na área médica, o processamento de dados espaciais em 3D usado para
diagnóstico preciso e planejamento cirúrgico. Os dados de nuvem de
pontos de imagens médicas em 3D, como tomografias
computadorizadas ou resultados de ressonância magnética, são usados
para visualizar o local da cirurgia e medir sua localização e tamanho
exatos para melhorar a precisão cirúrgica.
4.3 Automação industrial e robótica
As tecnologias de detecção de objetos em 3D, especialmente modelos
como o PointRCNN, estão revolucionando o campo da automação
industrial e da robótica. Essas tecnologias melhoram significativamente
a eficiência e a precisão em uma ampla gama de setores e
desempenham um papel importante nas seguintes áreas específicas
A tecnologia de detecção de objetos em 3D é essencial para que os
sistemas robóticos reconheçam e classifiquem os objetos em um
depósito. Ela permite que os robôs reconheçam com precisão objetos de
diferentes tamanhos e formas, permitindo que eles executem tarefas
eficientes de movimentação e classificação. Essas tecnologias
aumentam a eficiência dos processos industriais e facilitam a
automação dos sistemas de logística.35)
Quando os robôs industriais montam peças automaticamente, a
detecção de objetos 3D aumenta a eficiência da montagem ao
reconhecer a posição e a orientação exatas das peças. Isso contribui
significativamente para aumentar as taxas de produção e reduzir as 21- -
taxas de defeitos, além de uma função importante em ambientes de
manufatura inteligente.36)
Eles são usados para inspecionar a geometria e as dimensões dos
produtos usando a tecnologia de digitalização 3D e um papel
importante na garantia da qualidade do produto, na detecção precoce
de defeitos e na redução de custos. Essas peças automatizadas
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H. e Li, Y. (2020). Previsão
baseada em inteligência artificial do risco de câncer de pulmão usando registros
médicos eletrônicos sem imagem: abordagem de aprendizagem profunda.
Journal of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Artificial
intelligence in healthcare: a mastery (Inteligência artificial na área da saúde:
um domínio). Biotechnology and Genetic Engineering Reviews, None, 1-50.
35) Höfer, S., Bekris, K. E., Handa, A., Gamboa, J. C., Mozifian, M., Golemo, F.,
Atkeson, C.,
Fox, D., Goldberg, K., Leonard, J., Liu, C., Peters, J., Song, S., Welinder, P., &
White, M. (2021). Sim2Real in Robotics and Automation: Applications and
Challenges (Sim2Real em robótica e automação: aplicativos e desafios). IEEE
Transactions on Automation Science and Engineering, 18, 398-400.
36) Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H. (2021).
Automação baseada em aprendizado de montagem robótica para manufatura
inteligente. Anais do IEEE, 109, 423-440.22- -
Os sistemas de inspeção de qualidade aumentam a confiabilidade dos
produtos.37)
Para aumentar a segurança dos robôs e dos sistemas de automação, é
utilizada a tecnologia de detecção de objetos 3D. Isso permite que
reconheçam ou próximos com segurança. Esses mecanismos de
segurança para a redução de acidentes em ambientes industriais.38)
É essencial que os veículos autônomos ou drones detectem objetos e
planejem suas rotas. A tecnologia de detecção de objetos em 3D esses
sistemas operem com eficiência, evitem obstáculos e realizem tarefas de
entrega com segurança.39)
Nessas áreas, as tecnologias de detecção de objetos 3D impulsionando a
inovação na automação industrial, ajudando a aumentar a
produtividade, reduzir custos e melhorar a segurança. No futuro, essas
tecnologias continuarão a ser parte integrante da evolução dos sistemas
de robótica e automação. Pesquisas demonstraram que a aplicação
dessas tecnologias está contribuindo significativamente para aumentar
a eficiência dos processos industriais e gerenciar a complexidade dos
sistemas automatizados.40)
Na automação industrial e na robótica, o processamento de dados
espaciais em 3D é usado para aumentar a eficiência dos processos de
fabricação e automatizar as inspeções de qualidade. Os robôs usam
sensores LiDAR ou câmeras 3D reconhecer produtos, detectar
anomalias e ajudar a resolver problemas de qualidade.
4.4 Sistemas de vigilância de segurança
Nos sistemas de vigilância de segurança, a tecnologia de detecção de
objetos 3D um papel importante no fornecimento de soluções eficazes
de monitoramento e segurança em uma variedade de ambientes. A
tecnologia tem sido particularmente proeminente em áreas como
monitoramento em tempo real, detecção de intrusão, prevenção de
incidentes, análise de dados e relatórios e integração de inteligência
artificial.23- -
Com recursos de monitoramento em tempo real, os sistemas de
detecção de objetos 3D utilizam câmeras e sensores para analisar o
ambiente ao redor em tempo real. Essa análise em tempo real permite o
reconhecimento preciso de pessoas, veículos e objetos e fornece avisos
imediatos no caso de uma situação perigosa. Isso é essencial para
aumentar a segurança, especialmente em ambientes complexos, como
estradas e aeroportos.
Quando se trata de detecção de intrusão, a tecnologia de detecção de
objetos 3D é eficaz na detecção de movimentos ou comportamentos
incomuns em uma área de segurança específica. Isso pode levar à
detecção antecipada da aproximação de um intruso e fornecer à equipe
de segurança
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Industrial automation and
product quality: the role of robotic production transformation (Automação
industrial e qualidade do produto: a função da transformação da produção
robótica). Applied Economics.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Designing
Dynamic and Collaborative Automation and Robotics Software Systems
(Projetando sistemas de software de automação e robótica dinâmicos e
colaborativos), IEEE Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robótica: da automação aos sistemas inteligentes. Engenharia.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Industrial vision and automation (Visão e automação industrial). Measurement
Science and Technology, 33.24- -
Evite a entrada não autorizada em áreas seguras, fornecendo alertas
vermelhos.
Em termos de prevenção de acidentes, esses sistemas evitam acidentes
em uma variedade de ambientes, incluindo instalações industriais,
detectando perigos antecipadamente e fornecendo avisos. Por exemplo,
um sistema de aviso automático ser acionado quando um trabalhador
se aproxima de uma área perigosa para evitar um acidente.
Os recursos de análise de dados e geração de relatórios ajudam a avaliar
a situação da segurança e a identificar problemas por meio de análises
subsequentes usando os dados 3D coletados. Essas análises fornecem
percepções importantes para a estratégia de segurança futura e o
aprimoramento contínuo da segurança.
Com a integração da inteligência artificial, a tecnologia de detecção de
objetos 3D pode ser combinada com algoritmos de aprendizado de
máquina para criar um sistema de vigilância mais inteligente. Isso o
sistema aprenda padrões e implemente mecanismos de alerta e resposta
mais sofisticados.
Dessa forma, a tecnologia de detecção de objetos 3D está se tornando
parte integrante dos sistemas de vigilância de segurança, ajudando a
atender a uma variedade de necessidades de segurança e aumentando a
segurança das instalações. Espera-se que essas tecnologias evoluam
ainda mais no futuro, levando a soluções de vigilância de segurança
mais sofisticadas e eficientes. Esses avanços tecnológicos evoluirão para
sistemas de segurança mais poderosos, especialmente por meio da
integração com a inteligência artificial.41)
A tecnologia de detecção de objetos 3D também um papel importante
nos sistemas de vigilância de segurança. Os sensores LiDAR e a
tecnologia de detecção de objetos 3D ser usados para detectar intrusos
ou determinar se há pessoas nas proximidades. Eles também analisar
padrões de comportamento no espaço 3D para rastrear e evitar
atividades ilegais.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Um método de
detecção de alvos pequenos por infravermelho baseado em um mecanismo de
comparação visual humana ponderada para monitoramento de segurança.
Sensoriamento Remoto, 15, 2922.26- -
4.5 VR/AR
Na realidade virtual (VR) e na realidade aumentada (AR), a tecnologia de
detecção de objetos em 3D está aprimorando significativamente a
experiência do usuário em diversos setores. A detecção de objetos em
3D permite que os usuários interajam com objetos do mundo real em
ambientes virtuais, o que é essencial para que os aplicativos de AR
reconheçam o ambiente em tempo real para posicionar e manipular
elementos virtuais com precisão. Isso torna a experiência do usuário
mais imersiva.
Em ambientes de RV, a detecção de objetos 3D é usada para criar
simulações realistas. Isso proporciona cenários de treinamento em
diversos campos, inclusive médico, e de aviação, permitindo que os
participantes vivenciem e pratiquem com segurança situações da vida
real. A aplicação da RV/RA, especialmente no campo da segurança da
construção, aumenta a conscientização sobre a segurança do
trabalhador.42)
No setor de jogos, a detecção de objetos 3D proporciona uma
experiência ao rastrear com precisão o movimento e a posição do
jogador. Isso permite a interação com personagens virtuais,
aumentando o realismo do jogo.
Na arquitetura e na engenharia, a tecnologia de AR pode ser usada para
visualizar modelos de design no mundo real. Isso ajudar a detectar
erros no processo de projeto com antecedência e facilitar a
comunicação com os clientes. Esses aplicativos podem ser
particularmente sinérgicos com a segurança da construção.43)
A tecnologia de AR ajuda os consumidores a tomar decisões de compra,
permitindo que eles experimentem virtualmente os produtos. Por
exemplo, ela permite que eles coloquem móveis em suas casas ou
experimentem cores de cosméticos com antecedência. Isso aprimora a
experiência de compra e a interação do consumidor.44)
Dessa forma, a tecnologia de detecção de objetos 3D está
proporcionando experiências inovadoras em RV e RA e está sendo
utilizada em diversos setores. No futuro, essas tecnologias continuarão a 27- -
evoluir, tornando a interação entre o usuário e o ambiente virtual ainda
mais perfeita e natural. Isso expandirá ainda mais o uso da tecnologia
de RV/RA em educação, entretenimento, comércio e muito mais. Ao
mesmo tempo, os avanços nessas tecnologias criarão novas
oportunidades nos setores de turismo e hospitalidade.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Uma revisão crítica
dos aplicativos de realidade virtual e aumentada (VR/AR) na segurança da
construção. Automação na construção, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Uma revisão crítica
dos aplicativos de realidade virtual e aumentada (VR/AR) na segurança da
construção. Automação na construção, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023).
'The persuasion effects of virtual reality (VR) and augmented reality (AR) video
advertisements: A conceptual review'. Journal of Business Research.
45) Wei, W. (2019). Research progress on virtual reality (VR) and augmented
reality (AR) in tourism and hospitality (Progresso da pesquisa sobre realidade
virtual (VR) e realidade aumentada (AR) em turismo e hospitalidade) Journal of
Hospitality and Tourism Technology, 10, 539-570.28- -
Na realidade virtual (VR) e na realidade aumentada (AR), os dados
espaciais em 3D desempenham uma função importante interação com
objetos do mundo real. Os dados espaciais em 3D os objetos virtuais
sejam posicionados corretamente no mundo real e que os usuários
interajam com eles de forma natural.
5. Conclusão
A tecnologia de processamento de dados espaciais em 3D
revolucionando muitos campos, incluindo direção autônoma, saúde,
indústria, segurança e VR/AR. Em particular, os sensores LiDAR e as
tecnologias de detecção de objetos em 3D desempenhando um papel
importante em cada um desses campos, contribuindo para a análise
ambiental em tempo real, diagnóstico e tratamento precisos e sistemas
de automação eficientes. Essas tecnologias continuarão a evoluir e a
proporcionar experiências de usuário mais ricas em vários campos.29- -
Referências
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J.
(2023). Compressão, processamento e aprendizado da nuvem de pontos
Lidar para direção autônoma. IEEE Transactions on Intelligent
Transportation Systems, 24, 962-979.
2. Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). Uma pesquisa sobre métodos de detecção de
objetos 3D para aplicativos de direção autônoma. IEEE Transactions on
Intelligent Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Computação e
visualização de dados 3D. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., &
Rubin, E. J. (2023). Artificial Intelligence in Medicine (Inteligência
artificial na medicina). New England Journal of Medicine, 388(13), 1220-
1221.
5. Campilho, R., & Silva, F. J. G. (2023). Melhoria de Processos
Industriais por Automação e Robótica. Máquinas.
6. Cao, M., & Wang, J. (2020). Detecção de obstáculos para veículos de
condução autônoma com fusão de sensores multi-LiDAR. Journal of
Dynamic Systems Measurement and Control - Transactions of the ASME,
142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: detecção de objetos 3D a
partir de nuvem monocular, estéreo e de pontos para direção autônoma.
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Um
método de detecção de alvos pequenos por infravermelho baseado em
um mecanismo de comparação visual humana ponderada para
monitoramento de segurança. Sensoriamento Remoto, 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). New regional stratigraphic insights from a 3D
geological model of the Nasia sub-basin, Ghana, developed for
hydrogeological purposes and based on reprocessed B-field data
originally collected for mineral exploration. Solid Earth, 11, 349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J., & GarcíaGarcía,
J. A. (2020). Robotic Process Automation: A Scientific and
Industrial Systematic Mapping Study (Automação de processos
robóticos: um estudo de mapeamento sistemático científico e industrial) 30- -
IEEE Access, 8, 39113-39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023). Super
Sparse 3D Object Detection (Detecção de objetos 3D superesparsos).
IEEE Transactions on Pattern Analysis and Machine Intelligence, 45,
12490-12505.
12. Fernandes, D., Silva, A., Névoa, R., Simões, C., Gonzalez, D. G.,
Guevara, M., Novais, P., Monteiro, J., Melo-Pinto, P., & Melo-Pinto, P.
(2021). Métodos de detecção e classificação de objetos 3D baseados em
nuvens de pontos para aplicações de condução autônoma: uma pesquisa
e taxonomia. Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. e Bennamoun (2019). Deep31- -
Aprendizagem para nuvens de pontos 3D: uma pesquisa. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 43, 4338-
4364.
14. Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi,
J., Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H.,
Huisman, H., Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R.
K., Summers, R., Suzuki, K.,
... & Armato, S. (2022). Relatório do grupo de trabalho 273 da AAPM:
Recomendações sobre práticas recomendadas para IA e aprendizado de
máquina para diagnóstico auxiliado por computador em imagens
médicas. Física médica.
15. Huang, S. (2019). Augmented reality and virtual reality: the power of
AR and VR for business (Realidade aumentada e realidade virtual: o
poder da AR e da RV para os negócios) Information Technology and
Tourism (Tecnologia da informação e turismo), 21, 457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H.
(2021).
Automação baseada em aprendizado de montagem robótica para
manufatura inteligente. Anais do IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A.
(2023). 'The persuasion effects of virtual reality (VR) and augmented
reality (AR) video advertisements: A conceptual review'. Journal of
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Convolução triplanar com kernels 2D compartilhados para classificação
3D e recuperação de formas. Computer Vision and Image
Understanding, 193, 102901.
19. Kim, J., Kim, M., Park, M., & Yoo, J. (2022). Tecnologias interativas
imersivas e experiências de compras virtuais: Differences in consumer
perceptions between augmented reality (AR) and virtual reality (VR).
Telematics and Informatics, 77, 101936.
20. Kusiak, A. (2023). Hyper-automation in manufacturing industry
(Hiperautomação no setor de manufatura), J. Intell. Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Uma revisão
crítica dos aplicativos de realidade virtual e aumentada (VR/AR) na
segurança da construção. Automação na construção, 86, 150-162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dynamic Multitarget Detection Algorithm of Voxel Point Cloud Fusion 32- -
Based on PointRCNN. IEEE Transactions on Intelligent Transportation
Systems, 23, 20707-20720.
23. Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D Object Detection for
Autonomous Driving (Detecção de objetos 3D para direção autônoma): A
Comprehensive Survey, International Journal of Computer Vision, 131,
1909-1963.
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Industrial vision and automation (Visão e automação industrial).
Measurement Science and Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Artificial
intelligence in healthcare: a mastery (Inteligência artificial na área da
saúde: um domínio). Biotechnology and Genetic Engineering Reviews,
None, 1-50.
26. Nebot, E. (2018). Robótica: da automação aos sistemas inteligentes.
Engenharia.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B.
(2022). gráfico dinâmico33- -
para detecção de objetos 3D. Knowledge-Based Systems, 259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: detecção de
objetos 3D baseada em aprendizado profundo usando nuvem de pontos
semânticos. Visual Computer, , 1-15.
29. Wei, W. (2019). Research progress on virtual reality (VR) and
augmented reality (AR) in tourism and hospitality (Progresso da
pesquisa sobre realidade virtual (VR) e realidade aumentada (AR) em
turismo e hospitalidade) Journal of Hospitality and Tourism Technology,
10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Um novo método para
prospecção regional baseado em gráficos 3D modernos. Minerals.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H. e Li, Y. (2020).
Previsão baseada em inteligência artificial do risco de câncer de pulmão
usando registros médicos eletrônicos sem imagem: abordagem de
aprendizagem profunda. Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Detecção e diagnóstico auxiliados por
computador/radiômica/aprendizagem de máquina/aprendizagem
profunda em imagens médicas. Física Médica.
Tecnologia de processamento de dados espaciais 3D e suas aplicações
2025. 1. 16. 08:18