• segmentazione semantica
• intelligenza artificiale
• machine learning
• cultural heritage
• H-BIM

Questa tesi si propone di offrire un approccio semiautomatico per la realizzazione di modelli HBIM sulla base di nuvole di punti da rilievo digitale. Lo stato di fatto del processo Scan – to – BIM ha evidenziato la mancanza di un percorso strutturato che trasformi le nuvole di punti annotate semanticamente in modelli parametrici informatizzati, tipici di un ambiente H-BIM. Oggigiorno, la documentazione digitale del patrimonio architettonico richiede necessariamente l'integrazione di diversi tipi di rappresentazione e l'organizzazione delle informazioni su diversi livelli, al fine di pianificare adeguati interventi di restauro e conservazione. Tecniche di segmentazione semantica basate sull'Intelligenza Artificiale stanno emergendo in questo campo come strumenti privilegiati per organizzare, strutturare e classificare in modo appropriato il complesso sistema di dati analitici e di rilievo relativi a un oggetto o sito architettonico. In questo contributo vengono sfruttati metodi di classificazione semiautomatici per associare le diverse informazioni semantiche e descrittive agli output grezzi del rilievo tridimensionale e infine vengono create rappresentazioni basate su H-BIM per visualizzare i risultati. Il caso studio su cui viene testato l'approccio metodologico è la Chiesa di Santa Caterina d’Alessandria a Pisa: la classificazione viene eseguita sugli elementi architettonici dell’intera chiesa. Prendendo come dati di input i modelli 3D grezzi derivati dalla scansione laser o dalla fotogrammetria, viene applicato un algoritmo di Machine Learning (ML) supervisionato al fine di leggere, classificare e restituire le diverse classi architettoniche costituenti la chiesa. Nel dettaglio, partendo dal rilievo 3D, si ottiene una nuvola di punti grezza. Su una porzione ridotta di questa, vengono individuate e annotate le classi degli elementi architettonici, e questo costituisce un insieme di classi su cui viene addestrato il modello ML. I dati di addestramento sono supportati anche dalle cosiddette features, cioè caratteristiche radiometriche o geometriche che consentono di distinguere una classe dall'altra. Su questi dati viene addestrato un modello predittivo (Random Forest) in modo da classificare automaticamente l'intero set di dati ottenuto dal rilievo. Alla fine del processo si ottiene una nuvola di punti annotata, dove sono etichettate diverse classi di elementi tipologici, i risultati vengono utilizzati per ricostruire geometrie parametriche che possono essere gestite in piattaforme H-BIM. A tal fine, in un'applicazione Scan-to-BIM, le classi con le diverse caratteristiche vengono importate nelle piattaforme BIM grazie ad algoritmi di programmazione visuale implementati in Grasshopper di Rhino. Questo passaggio garantisce la gestione e l'informatizzazione autonoma di ogni classe derivata dalla segmentazione, e i dati semantici possono essere più facilmente condivisi, recuperati, visualizzati e archiviati. I risultati ottenuti in termini di classificazione semantica del modello suggeriscono una possibile applicabilità del workflow proposto ad ulteriori e ancor più complessi dataset.