• 3D photogrammetry
• algoritmi di intelligenza artificiale
• apprendimento profondo
• artificial intelligence
• artificial intelligence algorithms
• classificazione semantica
• complex grid structures
• Deep Learing
• DeepLab v3+
• digital survey
• drone
• drone
• edificio reticolare
• fotografia
• fotogrammetria 3D
• intelligenza artificiale
• MatLab
• photogrammetric survey
• Resnet
• rilievo di edifici reticolari complessi
• rilievo digitale
• rilievo fotogrammetrico
• rilievo RPAS
• RPAS survey
• semantic classification
• travi reticolari
• truss beams
• truss building
• Vela torre Unipol di Bologna

L’evoluzione tecnologica ha portato numerosi cambiamenti all’interno del settore dei beni culturali il quale è stato, negli ultimi decenni, uno dei campi di sperimentazione più interessanti delle nuove tecnologie e metodologie di rilievo tridimensionale. Non solo, ma ultimamente è sempre più presente la problematica del rilievo di strutture relativamente recenti, costituite da materiali moderni come acciaio e calcestruzzo armato, che presentano geometrie più particolari e difficilmente ricostruibili e che necessitano di interventi finalizzati al mantenimento nel tempo.
La fase di modellazione del manufatto risulta ad oggi la più complessa e problematica in termini di tempistiche; nell’ottica dell’automazione di tale processo, la presente tesi verte sull’utilizzo di metodi automatici e semi-automatici di classificazione, basati sull’associazione di diverse informazioni ai prodotti del rilievo tridimensionale come nuvole di punti ottenute da rilievo fotogrammetrico da drone (RPAS). Tali procedure automatiche di classificazione per l’analisi e la comprensione dei modelli 3D sono state rese possibili grazie all’avvento dell’Intelligenza Artificiale (IA). Machine Learning e Deep Learning (ML / DL), campi di applicazione dell’IA, sono basati sullo sviluppo di algoritmi che permettono ai calcolatori/computer di prendere decisioni basate su dati iniziali di training.
Fino ad oggi questo approccio, ancora in fase di sperimentazione, è stato applicato principalmente al patrimonio edilizio storico; questa tesi, invece, vuole portare all’applicazione di tale metodologia anche al rilievo di strutture più recenti e complesse, come possono essere ad esempio le "Complex Grid Structure", strutture reticolari in acciaio che negli ultimi anni iniziano a necessitare sempre maggiormente di interventi di manutenzione e recupero. In particolare, la presente tesi tratta il caso studio significativo della copertura "Vela", struttura in acciaio che ricopre la piazza adiacente alla Torre Unipol, a Bologna.
Il progetto nasce da una collaborazione tra il Dipartimento di Ingegneria dell'Energia, dei Sistemi, del Territorio e delle Costruzioni dell'Università di Pisa (DESTeC, referente Prof. Marco Giorgio Bevilacqua) e il Dipartimento di Ingegneria Civile e Industriale (DICI, referente Prof.ssa Gabriella Caroti) e) dell’Università di Pisa, il Dipartimento di Storia, Disegno e Restauro dell'Architettura di Roma Sapienza (referente Prof. Michele Russo) e lo studio di Ingegneria e Architettura Errealcubo Studio.
L’applicazione dell’Intelligenza Artificiale per l’interpretazione dei dati di rilievo relativi a questo rilevante caso studio è il tema congiunto di due tesi di laurea. La presente tesi verte maggiormente sull’utilizzo di applicazioni di Deep Learning per l’elaborazione di immagini e relativi modelli fotogrammetrici ‘Gestione dei dati di rilievo (nuvole dense) e modellazione della copertura reticolare spaziale ‘Vela’ sotto la Torre Unipol a Bologna; mentre la seconda con autore Agnese Pasqualetti riguarda gli Algoritmi di Intelligenza Artificiale applicati nei processi from scan to BIM
Caso studio della struttura reticolare "La Vela" a Bologna'.
I risultati ottenuti suggeriscono l’applicazione della metodologia adottata a strutture architettoniche complesse analoghe a quella studiata, in vista della definizione di metodologie e linee guida più generali per la classificazione dei dati di rilievo 3D e la ricostruzione BIM, a supporto delle attività di documentazione, monitoraggio e recupero.