lidando com entulho em levantamentos fotogramétricos e topográficos
Achei que isso já estava resolvido há anos, mas vejo gente perguntando de novo todo mês. O problema é simples na teoria e irritante na prática: você está escaneando uma área com detritos, seja num canteiro de obras, num local de demolição ou até numa mina a céu aberto, e os dados não fecham direito. Chamo isso de rubble trouble porque é exatamente isso — entulho destruindo a qualidade do seu modelo. Eu passei três dias num canteiro no interior de São Paulo tentando fazer photogrametria de uma área que tinha sido parcialmente demolida. O resultado foi um nuvem de pontos com buracos estranhos e texturas duplicadas em quase 40% do modelo. A causa não era o equipamento. Era a natureza do material que estávamos escaneando.
rubble trouble: o que acontece de verdade
Entulho é o pesadelo de qualquer sistema de fotogrametria ou LiDAR. Materiais fragmentados têm múltiplas características que quebram os algoritmos de matching. Superfícies irregulares criam sombras altas e baixas dentro de uma única exposição. Texturas repetitivas — tijolos quebrados, pedras similares, pedaços de concreto — confundem os detectores de features. E a profundidade variable entre pedaços grandes e pequenos faz com que o foco do drone ou da câmera tenha que lidar com coisas a 2 metros e 15 metros ao mesmo tempo. O que acontece nos dados é previsível se você já viu isso antes: holes (buracos) onde o software não encontrou pares suficientes de features para triangular, double geometry (geometria duplicada) onde fragments menores criam vértices fantasma acima da superfície real, e noisy terrain (ruído excessivo) que transforma um chão plano em algo que parece uma lua furada.
De forma específica, o pior inimigo é o que eu chamo de efeito de lâmina. Quando pedaços de entulho estão dispostos em camadas sobrepostas, o software de reconstrução tende a capturar a camada superior e ignorar o que está abaixo. O resultado é um modelo que parece correto na superfície mas que não representa a realidade volumétrica. Se você precisa de medições de volume a partir do modelo, os números vão estar errados — geralmente subestimando entre 8% e 15% dependendo da densidade do material.
o que funciona na prática
Comece pelo planejamento de voo. Se estiver usando drone, a sobreposição deve ser maior do que o normal. Recomendo 80% forward overlap e 75% side overlap. O padrão de 70/70 funciona para terreno uniforme e vegetação baixa. Entulho exige mais. Cada fragmento é uma textura diferente e o software precisa de mais imagens do mesmo objeto em ângulos variados para fazer matching correto. A altitude também importa mais do que parece. Voar mais baixo aumenta a GSD (ground sample distance) mas reduz a depth of field effective. Com entulho, sugiro voar entre 40 e 60 metros de altitude com uma câmera que tenha sensor full frame ou pelo menos APS-C. O resultado é uma GSD entre 1,2 e 2 cm por pixel, que é o ponto onde a maioria dos softwares consegue extrair geometria útil sem gerar noise excessivo.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A hora do voo é crítica e as pessoas ignoram isso sistematicamente. Evite voar entre 11h e 14h quando o sol está no topo. Sombras de entulho ficam curtas e duras, criando contrastes extremos que quebram o matching. Janelas de golden hour — cerca de uma hora após o nascer e uma hora antes do pôr do sol — produzem sombras alongadas que ajudam o software a entender a topografia do material fragmentado. Sim, isso significa que você tem menos tempo de voo disponível. Compensa. Se estiver usando LiDAR, a coisa muda um pouco. O LiDAR é mais tolerante a texturas repetitivas porque não depende de features visuais para matching. Mas entulho apresenta um problema diferente: múltiplas devoluções (multiple returns). Um pulso laser pode bater num pedaço de concreto grande, refletir, bater num tijolo menor atrás, e voltar duas vezes para o sensor. O software precisa ser configurado para capturar todos os returns, não apenas o first return. Se você deixar nas configurações padrão, vai perder toda a informação do que está entre os fragmentos maiores.
post-processamento: onde a maioria erra
A fase de processamento é onde os problemas de rubble trouble ficam evidentes. No contexto de fotogrametria, o primeiro passo é o dense point cloud generation. Ajuste os parâmetros de densidade para o máximo que seu hardware aguenta. Não economize aqui. Um processing mais lento gera um cloud mais denso e reduz significativamente os holes típicos de áreas com entulho. O filter de noise no ponto denso também precisa ser agressivo mas controlado. Ferramentas como o PS_MVP (point cloud semantic modeling and visualization pipeline) ou os filtros nativos do Agisoft Metashape permitem remover pontos isolados que não têm vizinhos suficientemente próximos. Use thresholds moderados — remover pontos com menos de 3 vizinhos num raio de 5 centímetros já elimina a maior parte do ruído sem afetar a geometria real do entulho.
Para a geração de mesh, o segredo é usar densidade alta de seeds e múltiplas iterações. No Metashape, configure o source data como dense point cloud, a quality como ultra, e o geometry como arbitrary. Isso diz ao software para não assumir superfícies planas ou suaves, o que é exatamente o que você não quer com entulho. A configuração default muitas vezes suaviza demais e alisa fragmentos que deveriam ser nítidos. Aqui vai algo que pouca gente considera: o uso de GCPs (ground control points) precisa ser mais denso em áreas de entulho. Coloque GCPs a cada 20 metros no mínimo, e adicione pontos de controle adicionales espalhados entre os fragmentos maiores. Sem isso, o scale e a positional accuracy do modelo podem derivar significativamente, especialmente em áreas onde o matching foi mais difícil.
quando nada disso funciona
Tem situações em que fotogrametria simplesmente não resolve. Se o entulho estiver constantemente se movendo — esteiras transportadoras, descarga ativa de caminhões, materiais sendo remanejados — nenhum modelo vai ser confiável. A solução é LiDAR terrestre com varredura estática em janelas curtas, ou simplesmente medir manualmente com trena e nível. Outro cenário problemático: entulho muito fino e uniforme, como areia ou brita pequena. Nesse caso não há features suficientes para o matching funcionar. A textura é homogênea demais. Aqui o LiDAR ganha vantagem clara porque funciona por distância, não por textura. Se você não tem acesso a LiDAR, considere pulverizar a superfície com um pó de contraste (spray de marcação topográfica) antes de fotografar. Cria marcas artificiais que o software consegue rastrear. Eu fiz isso numa obra no Rio Grande do Sul e resolveu um problema que estava travando o projeto há duas semanas.
O custo real de lidar com rubble trouble adequadamente, considerando tempo de voo adicional, processamento mais pesado e possivelmente equipamentos diferentes, geralmente representa entre 20% e 35% a mais do que um levantamento em terreno limpo. Prepare o orçamento pensando nisso desde o início.
