Desarrollo del flujo de trabajo Mesh-to-BIM a través de VPL para apoyar el proceso de documentación del patrimonio histórico
DOI:
https://doi.org/10.56205/mim.4-1.13Palabras clave:
levantamiento digital, HBIM, segmentación basada en modelos, modelo 3D, patrimonio cultural arquitectónicoResumen
En los últimos años, el enfoque HBIM (Heritage Building Information Modelling) se utiliza ampliamente en la documentación de activos y se basa principalmente en el proceso de modelado de Scan-to-BIM para crear manualmente el modelo geométrico a partir de la nube de puntos. Este artículo muestra un fl ujo de trabajo que introduce operaciones semiautomáticas para la detección semántica de elementos arquitectónicos a través del algoritmo basado en modelos RANSAC (RANdom SAmple Consensus) en nubes de puntos y el Visual Programming Language (VPL) para reducir el proceso manual de construcción de un modelo BIM de los aparatos decorativos, manteniendo las ventajas del modelado paramétrico e informativo. El workfl ow ha sido probado en la Iglesia románica de Todos los Santos de Trani (siglo XII ), en Italia.
Citas
Bastem, S. S., & Cekmis, A. (2022). Development of historic building information modelling: a systematic literature review. Building Research & Information, 50(5), 527–558. https://doi.org/10.1080/09613218.2021.1983754
Buldo, M., Agustín-Hernández, L., Verdoscia, C., & Tavolare, R. (2023). A Scanto-BIM workfl ow proposal for Cultural Heritage. Automatic point cloud segmentation and parametric-adaptive modelling of vaulted systems. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 48(M–2), 333–340. https://doi.org/https://doi.org/10.5194/isprs-archives-XLVIII-M-2-2023-333-2023
Ente Italiano di Normazione. (2017). UNI 11337-4. Edilizia e opere di ingegneria civile - Gestione digitale dei processi informativi delle costruzioni - Parte 4: Evoluzione e sviluppo informativo di modelli, elaborati e oggetti (pp. 1–24). https://store.uni.com/uni-11337-4-2017
Musicco, A., Galantucci, R. A., Bruno, S., Verdoscia, C., & Fatiguso, F. (2021). Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach. ISPRS Annals Photogramm. Remote Sens. Spatial Inf. Sci., 5(2), 129–136. https://doi.org/10.5194/isprs-annals-V-2-2021-129-2021
Niccolucci, F., Felicetti, A., & Hermon, S. (2022). Populating the Data Space for Cultural Heritage with Heritage Digital Twins. Data, 7(8), 1–28. https://doi.org/10.3390/data7080105
Schnabel, R., Wahl, R., & Klein, R. (2007). Effi cient RANSAC for point-cloud shape detection. Computer Graphics Forum, 26(2), 214–226. https://doi.org/10.1111/j.1467-8659.2007.01016.x
Yang, S., Hou, M., & Li, S. (2023). Three-Dimensional Point Cloud Semantic Segmentation for Cultural Heritage: A Comprehensive Review. Remote Sensing, 15(3), 1–25. https://doi.org/10.3390/rs15030548
