Sviluppo e analisi di dataset sintetici a partire da modelli BIM esistenti

Creating Building Information Modeling (BIM) of existing buildings is currently mostly manual, making it time consuming and error prone. One crucial step that remains to be automated is point cloud interpretation and BIM geometry modeling. Research has shown that despite advances in semantic segmentation, Deep Learning (DL) networks used in interpretation do not achieve the accuracy needed for market adoption. One of the main reasons is the lack of sufficient and representative data to train these models. In this thesis work the possibility of using already existing BIM models for the generation of semantically segmented synthetic point clouds is examined. The operation of a laser scanner and the characteristics of a cloud of points are studied to reproduce them in the design of a synthetic laser scanner. The obtainable outputs can be diversified, including or not including characteristics of a real point cloud such as: noise, transparency of the glass material and door opening. The diversification of the dataset can also be scanned in terms of architectural typology. The method can be applied to models of historic buildings, such as industrial or civil. Experiments show that the pipeline successfully creates new data up to a synthetic point cloud density of 3cm evaluated at 10m.

La creazione di modelli BIM (Building Information Modeling) di edifici esistenti è attualmente per lo più manuale, il che la rende dispendiosa in termini di tempo e soggetta a errori. Un passaggio cruciale che resta da automatizzare è l'interpretazione delle nuvole di punti e la modellazione della geometria BIM. La ricerca ha dimostrato che, nonostante i progressi nella segmentazione semantica, le reti di Deep Learning (DL) utilizzate nell'interpretazione non raggiungono l'accuratezza necessaria per l'adozione da parte del mercato. Uno dei motivi principali è la mancanza di dati sufficienti e rappresentativi per addestrare questi modelli. In questo lavoro di tesi viene esaminata la possibilità di utilizzare modelli BIM già esistenti per la generazione di nuvole di punti sintetiche segmentate semanticamente. Vengono studiati il funzionamento di un laser scanner e le caratteristiche di una nuvola di punti per riprodurli nel progetto di un laser scanner sintetico. Gli output ottenibili possono essere diversificati, includendo o meno caratteristiche di una nuvola di punti reale quali: rumore, trasparenza del materiale vetro e apertura delle porte. La diversificazione del dataset può essere anche in termini di tipologia architettonica scansionata. Il metodo può essere applicato a modelli di edifici storici, come industriali o civili. Gli esperimenti mostrano che la pipeline crea correttamente nuovi dati fino ad una densità della nuvola di punti sintetica di 3cm valutata a 10m.