Dottorato in STORIA, DISEGNO E RESTAURO DELL'ARCHITETTURA

Titolo della tesi: Dall’acquisizione dei dati alla segmentazione semantica di nuvole di punti per la classificazione del patrimonio culturale: I casi delle abbazie di Casamari e Fossanova

I sistemi informativi sui beni culturali sono oggi sempre più diffusi, grazie alle loro potenzialità di riunire, attorno a una rappresentazione 3D, il patrimonio di conoscenze relative a un determinato oggetto di studio. Gli ultimi anni, infatti, hanno visto un ampio utilizzo dei dati della nuvola di punti 3D per la documentazione, la valorizzazione e la visualizzazione del patrimonio. Sebbene ricchi di qualità metrica, questi dati 3D mancano di informazioni strutturate come semantica e gerarchia tra le parti. Per questo il processo di ricostruzione del modello a partire dal rilievo architettonico 3D è ancora largamente considerato lungo e dispendioso in termini di tempo, con intrinseche complessità legate alla gestione e all'interpretazione di dati non strutturati e non organizzati, derivati, ad esempio, dalla scansione laser o fotogrammetrica. In questo contesto, l'introduzione di metodi di classificazione delle nuvole di punti può svolgere un ruolo essenziale per un migliore utilizzo dei dati, definizione del modello, analisi e conservazione/documentazione. Affrontando questo problema e partendo dal rilievo delle abbazie di Fossanova e Casamari, lo scopo di questa ricerca è quello di ricostruire in maniera tradizionale, automatica e semi-automatica rappresentazioni dello stato di fatto per tentare di operare confronti su più livelli, tanto mediante tecniche classiche e consolidate - come piante, prospetti e sezioni, o orto-immagini ad alta risoluzione – quanto mediante le più recenti tecniche di classificazione dei dati 3D che sfruttano l'intelligenza Artificiale (IA) e algoritmi di Machine Learning (ML). La segmentazione semantica delle nuvole di punti è un compito rilevante nell’ambito del patrimonio culturale digitale in quanto consente di riconoscere automaticamente diversi tipi di elementi architettonici e storici, risparmiando tempo e velocizzando il processo di analisi delle nuvole di punti acquisite e di restituzione attraverso la modellazione 3D. Nel contesto degli edifici storici, la segmentazione semantica della nuvola di punti è resa particolarmente impegnativa dalla complessità e dall'elevata variabilità degli oggetti da rilevare. La ricerca mira a fornire una prima valutazione delle tecniche di segmentazione delle nuvole di punti basate su metodi di classificazione dell'apprendimento automatico (ML) con un approccio multilivello e multirisoluzione (MLMR) per verificare la replicabilità del metodo sviluppato, consentendo l'identificazione delle classi architettoniche necessarie ad ogni risoluzione geometrica, a partire dallo stato dell’arte nel contesto degli edifici storici.