La ricerca si focalizza su metodologie innovative per la documentazione digitale, l'analisi e l'interpretazione del patrimonio architettonico attraverso la segmentazione e la classificazione di modelli a nuvola di punti, per ottimizzarne l’integrazione nei processi H-BIM (Heritage Building Information Modelling). La tesi affronta una delle sfide più rilevanti della transizione digitale in corso: attribuire un significato semantico alla grande quantità di dati acquisiti tramite rilievo tridimensionale, trasformandoli in informazioni interoperabili e interrogabili a supporto delle attività di conservazione, restauro e gestione dei beni culturali. L'obiettivo è definire un modello metodologico e procedurale per la gestione tematica dei dati digitali, utilizzando processi di Intelligenza Artificiale a supporto della loro interpretazione. Oggetto della ricerca sono le superfici architettoniche storiche, analizzate e classificate in base ai materiali, alle tecniche costruttive e allo stato di conservazione. La metodologia sviluppata comprende diverse fasi, dalle procedure di rilievo alla modellazione Scan-to-BIM. Il dato di riflettanza acquisito tramite laser scanner è stato analizzato approfonditamente, studiando la sua correlazione con le proprietà delle superfici architettoniche, e testato sperimentalmente in differenti condizioni di acquisizione, per valutarne il potenziale nella caratterizzazione materico-conservativa. La ricerca predilige gli approcci di apprendimento automatico supervisionato, che consentono agli esperti del settore (e alle competenze storico-architettoniche e conservative), di orientare la classificazione, garantendo che i processi automatici supportino, senza sostituirla, l’interpretazione critica. Le sperimentazioni sono state sviluppate sia sulle nuvole di punti sia su immagini, definendo un workflow integrato che sfrutta le potenzialità di entrambi i metodi, in funzione delle finalità. Sono state inoltre valutate diverse strategie Scan-to-BIM per l’integrazione delle nuvole di punti semantiche all’interno di ambienti parametrici, ipotizzando inoltre possibili sviluppi futuri. I casi di studio sono stati selezionati in base a macroindicatori che identificano le categorie e i livelli di risposta degli edifici al contesto in cui si trovano. L’appeatenenza degli edifici selezionati a diversi periodi storici garantisce l'eterogeneità dei materiali, delle tecniche costruttive e dello stato di conservazione. I risultati ottenuti dimostrano che la segmentazione tematica delle nuvole di punti attraverso workflow integrati fornisce una classificazione affidabile, adattabile a diverse categorie di indagine. In questo processo, i valori di riflettanza delle nuvole di punti, se analizzati criticamente e contestualizzati, costituiscono un parametro significativo per lo studio delle superfici. Il principale impatto della ricerca risiede nel suo contributo al supporto e alla risoluzione di alcune criticità che la transizione digitale sta portando nella documentazione del patrimonio culturale, colmando il divario tra i dati di rilevamento massivi e le informazioni utilizzabili e interoperabili per la conservazione, anche in ambiente H-BIM. Il modello metodologico proposto è replicabile ma flessibile, adattabile a differenti contesti del patrimonio culturale, e fornisce una soluzione scalabile e dalla forte valenza critico-interpretativa, per migliorare l’accessibilità, l’usabilità e la gestione a lungo termine dei beni.
The research investigates innovative methodologies for the digital documentation, analysis, and interpretation of architectural heritage through the segmentation and classification of point cloud models, with the aim of optimizing their integration into H-BIM (Heritage Building Information Modelling) processes. The thesis addresses one of the most pressing challenges in the framework of the current digital transition: to add semantic meaning to the large amount of three-dimensional survey data, converting them into interoperable and queryable information for heritage conservation, restoration, and management purposes. The aim is to provide a methodological and procedural model for the thematic management of digital data, leveraging Artificial Intelligence to support interpretation. The object of the research is the analysis of historic architectural surfaces, specifically classifying them according to materials, construction techniques and state of conservation. The methodology is developed thorough the investigation of different topics, from surveying procedures to Scan-to-BIM modelling. Laser scanner intensity value is analysed in-depth, assessing its relation to architectural surface properties, experimentally tested under different acquisition conditions to evaluate its potential in surface characterization. The research prioritises on Supervised Machine Learning approaches, allowing domain-specific expertise (Architectural, historical, and conservation knowledge) to guide classification, thus ensuring that automatic processes support rather than replace critical interpretation. The experimentations were applied both on point clouds and images, leading to the development of an integrated workflow leveraging the potentialities of the two methods, according to the required needs. Moreover, the evaluation of different Scan-to-BIM strategies for the integration of semantically enriched point clouds into BIM environments is explored, as well as the development of future scenarios. Case studies were selected according to macro indicators that identify categories and levels of response of buildings to the context in which they are located. Moreover, selected buildings belong to different historical periods, to ensure heterogeneity materials, construction techniques, and state of conservation. The results demonstrate that point cloud thematic segmentation trough integrated workflows provide reliable classification, adapted to different categories of investigation. In this process, point cloud intensity values, if critically controlled and contextualized, represent a valuable parameter for surface analysis. Main impact of this research lies in its contribution to support and solve some issues related to the acceleration of the digital transition in cultural heritage documentation, by bridging the gap between massive survey data and usable, interoperable information for conservation purposes, including H-BIM resources. It proposes a replicable yet adaptable methodological model, applicable across different heritage contexts, allowing a, scalable solution with critical-interpretative orientation, to enhance accessibility, usability, and long-term management of digital heritage assets.
Toward a thematic documentation of heritage features. Digital data segmentation for comparative, critical-interpretative analysis within the Scan-to-BIM process
GIAU, Gabriele
2026
Abstract
La ricerca si focalizza su metodologie innovative per la documentazione digitale, l'analisi e l'interpretazione del patrimonio architettonico attraverso la segmentazione e la classificazione di modelli a nuvola di punti, per ottimizzarne l’integrazione nei processi H-BIM (Heritage Building Information Modelling). La tesi affronta una delle sfide più rilevanti della transizione digitale in corso: attribuire un significato semantico alla grande quantità di dati acquisiti tramite rilievo tridimensionale, trasformandoli in informazioni interoperabili e interrogabili a supporto delle attività di conservazione, restauro e gestione dei beni culturali. L'obiettivo è definire un modello metodologico e procedurale per la gestione tematica dei dati digitali, utilizzando processi di Intelligenza Artificiale a supporto della loro interpretazione. Oggetto della ricerca sono le superfici architettoniche storiche, analizzate e classificate in base ai materiali, alle tecniche costruttive e allo stato di conservazione. La metodologia sviluppata comprende diverse fasi, dalle procedure di rilievo alla modellazione Scan-to-BIM. Il dato di riflettanza acquisito tramite laser scanner è stato analizzato approfonditamente, studiando la sua correlazione con le proprietà delle superfici architettoniche, e testato sperimentalmente in differenti condizioni di acquisizione, per valutarne il potenziale nella caratterizzazione materico-conservativa. La ricerca predilige gli approcci di apprendimento automatico supervisionato, che consentono agli esperti del settore (e alle competenze storico-architettoniche e conservative), di orientare la classificazione, garantendo che i processi automatici supportino, senza sostituirla, l’interpretazione critica. Le sperimentazioni sono state sviluppate sia sulle nuvole di punti sia su immagini, definendo un workflow integrato che sfrutta le potenzialità di entrambi i metodi, in funzione delle finalità. Sono state inoltre valutate diverse strategie Scan-to-BIM per l’integrazione delle nuvole di punti semantiche all’interno di ambienti parametrici, ipotizzando inoltre possibili sviluppi futuri. I casi di studio sono stati selezionati in base a macroindicatori che identificano le categorie e i livelli di risposta degli edifici al contesto in cui si trovano. L’appeatenenza degli edifici selezionati a diversi periodi storici garantisce l'eterogeneità dei materiali, delle tecniche costruttive e dello stato di conservazione. I risultati ottenuti dimostrano che la segmentazione tematica delle nuvole di punti attraverso workflow integrati fornisce una classificazione affidabile, adattabile a diverse categorie di indagine. In questo processo, i valori di riflettanza delle nuvole di punti, se analizzati criticamente e contestualizzati, costituiscono un parametro significativo per lo studio delle superfici. Il principale impatto della ricerca risiede nel suo contributo al supporto e alla risoluzione di alcune criticità che la transizione digitale sta portando nella documentazione del patrimonio culturale, colmando il divario tra i dati di rilevamento massivi e le informazioni utilizzabili e interoperabili per la conservazione, anche in ambiente H-BIM. Il modello metodologico proposto è replicabile ma flessibile, adattabile a differenti contesti del patrimonio culturale, e fornisce una soluzione scalabile e dalla forte valenza critico-interpretativa, per migliorare l’accessibilità, l’usabilità e la gestione a lungo termine dei beni.I documenti in SFERA sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
