Au o : Ja ie Albe o León Nie o
Tu o es: D . Juan José Moyano Campos
D . Juan En ique Nie o Julián
Depa amen o: Exp esión G á ica e Ingenie ía en la Edi icación
T abajo Fin de Más e
Un ace camien o a los p ocesos de au oma ización
en el pa imonio cons uc i o:
El caso de la achada de la Casa de Pila os; Se illa
Pág. 1
Índice
Ag adecimien os ................................................................................................. 2
Glosa io de é minos .......................................................................................... 3
RESUMEN ......................................................................................................... 4
ABSTRACT ........................................................................................................ 4
1. In oducción.................................................................................................... 5
2. An eceden es ................................................................................................. 6
3. Es ado de la cues ión ..................................................................................... 6
3.1 Casa de Pila os ........................................................................................................ 6
3.2 P ocesos me odológicos ......................................................................................... 7
3.2.1 Cu as y supe icies NURBS .............................................................................. 7
3.2.2 Disc e ización de la nube de pun os ................................................................ 8
3.2.3 Ni eles de desa ollo (LOD) .............................................................................. 8
3.2.4 Segmen ación semán ica ............................................................................... 11
3.2.5 Voxelización .................................................................................................... 14
4. Obje i os ...................................................................................................... 16
5. Hipó esis de pa ida ..................................................................................... 16
6. Me odología ................................................................................................. 16
6.1 Búsqueda de in o mación ..................................................................................... 16
6.2 Realización de los abajos en campo ................................................................... 17
6.3 Realización de los abajos en gabine e ................................................................ 18
7. Desa ollo del abajo ................................................................................... 19
7.1 P oceso de au oma ización................................................................................... 19
7.2 P uebas ealizadas ................................................................................................ 26
7.3 Compa a i as ........................................................................................................ 34
7.4 Realización del modelo pa amé ico con so wa e BIM. ...................................... 36
8. Discusión de los esul ados ......................................................................... 38
9. Conclusiones. ............................................................................................... 39
10. Fu u as líneas de in es igación .................................................................. 40
11. Bibliog a ía ................................................................................................. 41
11.1 Re e encias bibliog á icas ................................................................................... 41
11.2 Bibliog a ía consul ada ....................................................................................... 44
Pág. 2
Ag adecimien os
En p ime luga , quisie a da las g acias a mi u o y a mi co- u o , el D . Juan
José Moyano campos y D . Juan En ique Nie o Julián, espec i amen e. G acias
a ambos po descub i me el mundo de la ecupe ación del pa imonio his ó ico.
A la p o eso a del Depa amen o de Ingenie ía G á ica, la D a. Elena Cab e a
Re uel a po su ayuda en el le an amien o de la po ada.
A los de la ca e a. Víc o , Ab a, Lola y Mon se.
A los de siemp e. Ca los, Diego y Juanjo.
A mi amilia. Mamá, papá y a la au o a de la po ada de es e p oyec o, Ma ina,
cuyo a e es in ini o.
A los que se ue on.
Y, po úl imo, a la que ha sido más que mi compañe a es e úl imo año, Ma iem.
Lo mejo del más e ha sido ú. G acias po los abajos en iados a las 5 de la
mañana, po la p esen ación de CBB, po hace me e lo bueno que hay en mí,
po en ende me, po que e gus e lo que me gus a, po u ca iño, u apoyo, u
o ma de se , u empa ía, u solida idad, po que e es incapaz de deci que no a
ayuda , po es a ahí... Po odo eso y mucho más, g acias.
ميرم اي كبحأ
Pág. 3
Glosa io de é minos
Siglas
RMS: Roo Mean Squa e
CNN: Redes Neu onales Con olucionales
HBIM: He i age Building In o ma ion Modelling
S M: S uc u e om mo ion
TLS: Te es ial Lase Scanne
IA: In eligencia A i icial
ML: Machine Lea ning
DL: Deep Lea ning
NURBS: Non-Uni o m Ra ional B-Splines
Te minología empleada
Algo i mo in o má ico: Conjun o de ins ucciones que se suceden pa a a a de
esol e de e minados p oblemas
Ruido: Zonas egis adas po el láse y mos adas en la nube de pun os que
ca ecen de alo o pe judican la labo de los écnicos. Es as suelen se a bus os,
coches, pe sonas, en e o os, y no malmen e se eliminan.
Hipe pa áme os: Son aquellos pa áme os que se usan a la ho a de en ena en
p ocesos de ap endizaje (Deep Lea ning, machine Lea ning …)
Pág. 4
RESUMEN
La ecupe ación i ual del pa imonio his ó ico y cul u al es al amen e compleja
debido a que la geome ía que p esen an no suele ene elemen os
es anda izados. Muchas son las écnicas que in en an simila es as o mas
complejas a a és de p og amas in o má icos.
Sin emba go, en la úl ima década han apa ecido impo an es a ances en el
campo de la in eligencia a i icial que p oponen ideas inno ado as como el
econocimien o au omá ico de o mas. Es as écnicas suelen se a adas po
p og amado es in o má icos, no obs an e, exis en aplicaciones y p og amas que
a o ecen la u ilidad al usua io medio de mane a simple.
En el siguien e documen o se ecoge el caso de es udio de la achada p incipal
de la Casa de Pila os en Se illa. En el cual se ha elabo ado un le an amien o a
a és de écnicas de cap ación láse y o og amé ico. Pos e io men e se han
ex aído los da os de es as écnicas y se han a ado po so wa es de modelado
y ges ión de nubes de pun os pa a consegui elemen os iden i icables de mane a
au omá ica.
Palab as cla e: HBIM, Casa de Pila os, ap endizaje p o undo, segmen ación
au omá ica, in eligencia a i icial, Canupo.
ABSTRACT
The i ual eco e y o his o ical and cul u al he i age is highly complex because
he geome y hey p esen does no usually ha e s anda dized elemen s. Many
a e he echniques ha y o simila hese complex ways h ough compu e
p og ams.
Howe e , in he las decade he e ha e been impo an ad ances in he ield o
a i icial in elligence ha p opose inno a i e ideas such as au oma ic shape
ecogni ion. These echniques a e usually ea ed by compu e p og amme s,
howe e , he e a e applica ions and p og ams ha a o he u ili y o he a e age
use in a simple way.
The ollowing documen con ains he case s udy o he main acade o he Casa
de Pila os in Se ille. In which a su ey has been de eloped h ough lase and
pho og amme ic cap u e echniques. Subsequen ly, he da a o hese echniques
ha e been ex ac ed and hey ha e been ea ed by modeling so wa e and poin
cloud managemen o achie e au oma ically iden i iable elemen s.
Keywo ds: HBIM, Casa de Pila os, Deep lea ning, au oma ic segmen a ion
a i icial in elligence, Canupo.

Pág. 5
1. In oducción
La búsqueda, po los dis in os g upos cien í icos, en desa olla una biblio eca
común de in o mación pa a sal agua da el pa imonio cons uc i o se ha lle ado
a cabo, undamen almen e, a a és de dos écnicas de adquisición de da os:
S uc u e om Mo ion (S M) y Te es ial Lase Scanning (TLS).
El desa ollo ecnológico de es os dos mé odos hace que los equipos de
cap ación de da os engan cada ez más idelidad y p ecisión. Es o pe mi e
ob ene con mayo idelidad elemen os singula es con una complejidad
geomé ica que no co esponde con las o mas es anda izadas.
Sin emba go, debido a que los equipos de cap ación son cada ez más po en es
y pueden ecopila más in o mación, exis e una g an p oblemá ica a sol en a .
El amaño de los a chi os, a eces es desp opo cionado, an o en la cap u a de
da os como en el p ocesado.
No obs an e, exis en soluciones que pueden palia es e incon enien e en un
mayo o meno g ado. Se puede ecu i a la gene ación de elemen os complejos
median e cu as y supe icies NURBS, manipula alo es que minimicen la
calidad a cambio de una educción del amaño del a chi o inal. Incluso pueden
elimina se zonas de las nubes de pun os median e p ocesos de disc e ización.
(Ba azze i e al., 2015)(Ba azze i e al., 2016)
En es e úl imo caso exis e un g an deba e sob e la p o undidad geomé ica a la
que se sebe llega con al de ep esen a idedignamen e un elemen o
cons uc i o. ¿Cómo de necesa io es es ablece unos es ánda es de de alle pa a
el pa imonio cons uc i o?, ¿Po qué es necesa io?, ¿Pa a qué es necesa io?
En e o as cues iones.
Po o a pa e, exis en in es igaciones cuyos obje i os se cen an en desa olla
nue os algo i mos capaces de gene a es as geome ías sin pe de calidad
educiendo el amaño de los a chi os pa a que puedan se a ados en equipos
de meno endimien o (Tang e al., 2010)(Bagnolo e al., 2019).
En es e esc i o y, de mane a gene al, se p e ende analiza soluciones en un
en o no pa imonial, como es la achada p incipal de La Casa de Pila os en
Se illa. Además, deben o ece una mejo a en la p ecisión de los elemen os
c eados sin comp ome e demasiado el manejo y uso pos e io que se le pueda
da a los a chi os.
Pág. 6
2. An eceden es
Se p e ende segui la línea de in es igación comenzada con el holos de La
Pas o a, en Valencina de la Concepción, Se illa, sob e ecupe ación i ual del
pa imonio median e écnicas de escáne láse y o og amé icas y pos e io
modelado a a és de p og amas con me odología BIM y que inalizó con la
con ección de un a ículo (Moyano, Od iozola, e al., 2020). No obs an e es a
emá ica de ecupe ación pa imonial a a és de es as écnicas ha sido
es udiada po nume osos g upos cien í icos (Bosco e al., 2019)(Gua nie i e al.,
2006)(D O eni e al., 2013)(Ba azze i e al., 2016)(B umana e al., 2020)
En es e caso, el obje o de es udio se á la achada donde se ubica la en ada
p incipal de la Casa de Pila os en Se illa.
3. Es ado de la cues ión
3.1 Casa de Pila os
En el cen o de Se illa se encuen a el Palacio de San Es eban, comúnmen e
conocido como La Casa de Pila os. El cuál es un edi icio de ca ác e esidencial
cuyo o igen se encuen a en e los años 1483 y 1505 y que ac ualmen e se
encuen a den o de la o e a u ís ica de la ciudad.
Es e edi icio es á ubicado en el casco an iguo y p esen a una he e ogeneidad de
es ilos cons uc i os co espondien es al almohade, al gó ico, al mudéja , al
naza í y al enacen is a.
El obje o de es udio de es e abajo es la achada cuyo o igen se es ima a pa i
del pe íodo co espondien e en e ma zo de 1490 y agos o de 1491. Es á
o mada po una g an pa ed de lad illo, de es ilo mudéja . Rema ada con una
c es e ía gó ica y un g an
ano cen al que daba
acceso a la i ienda. En
1528 se inco po ó la po ada
de má mol geno és que
ac ualmen e sigue en pie.
(A anda Be nal, 2011)
En cuan o a dimensiones se
e ie e, la achada p esen a
unas ca ac e ís icas aco des
a la ca ego ía del inmueble.
El la go de es a se encuen a
en o no a los 20 me os
mien as que su al u a apu a
los 9 me os.
Figu a 1. Fachada Casa de Pila os. “En ada p incipal, de es ilo
enacen is a, ealizada po el a is a i aliano An onio Ap ile, en
1529” Wikipedia. Recupe ado de
h ps://es.wikipedia.o g/wiki/Casa_de_Pila os_(Se illa)#/media/A
chi o:Casa_pila os_2018002.jpg
Pág. 7
3.2 P ocesos me odológicos
Las écnicas de adquisición de da os ipo TLS o S M son ealmen e ú iles en
cuan o al modelado BIM de nue a cons ucción se e ie e. Sin emba go, cuando
se abaja en emplazamien os pa imoniales pueden apa ece , de mane a
p e isi a, aspec os que pueden me ma la expe iencia del usua io que ecibe el
modelo inal as uno o a ios p ocesos de digi alización.
Po supues o, se habla del amaño de los a chi os. Si bien es cie o que quien
no malmen e elabo a es os modelos son écnicos que poseen equipos
in o má icos de al as p es aciones. No obs an e, se debe se consecuen e con el
p oduc o inal y su público po lo que hay que p egun a se a quién a di igido el
modelo.
Es a p egun a puede esol e se de dis in os mé odos. Uno de ellos es median e
la p o undidad de de alle, an o isual como semán ica de un modelo. Es as se
es ablecen según los ni eles de desa ollo (LOD). A medida que se aumen a el
LOD, más calidad geomé ica suele apa ece y, po consiguien e, más
in o mación documen ada debe ía exis i del elemen o modelado.
Se pod ía conside a lo an e io men e is o como una mane a de educi el peso
de los a chi os. No obs an e, es o solo se ía aplicable pa a p oyec os que no
equie an de una ex emada p ecisión.
Pa a es os casos exis en o os mé odos que se aplican en escena ios
pa imoniales como puen es, o alezas, mu allas, an i ea os, edi icios de cul o
eligioso, e c. Es os inmuebles p esen an o mas he e ogéneas y no
es anda izadas que equie en de un p oceso de modelado complejo.
En e es os mé odos se encuen a la con o mación de cu as y supe icies con
NURBS (Ba azze i e al., 2016) (Ba azze i e al., 2015) o la segmen ación de
nubes de pun os (Moyano e al., 2020) (Pie dicca e al., 2020), en e o os. Es os
mé odos pueden ayuda a ealiza un modelado idedigno sin comp ome e el
u u o uso que se les dé a los a chi os.
3.2.1 Cu as y supe icies NURBS
En lo que se e ie e a elabo a o mas complejas de obje os en pla a o mas BIM
se ha es ado u ilizando como una de las p ime as opciones las ope aciones
booleanas. Es e conjun o de ope aciones esul a ú il cuando se a a de o mas
es anda izadas o incluso en algunos elemen os pa imoniales (Moyano e al.
2020). Sin emba go, cuando se exige un poco más de p ecisión puede gene a
esul ados a bi a ios. Cuando ocu e es o y el modelo pesa bas an e, se suele
ecu i a las NURBS.
Pág. 8
Las NURBS son unciones ma emá icas de inidas de mane a pa amé ica que
pueden se manipuladas median e modi icaciones de sus pun os de con ol
(Ba azze i e al., 2015).
Es as se o igina on a inales de los 60 y p incipios de los 70 po Pie e Bézie y
son imp escindibles a la ho a de c ea cascos de ba cos y delimi a las o mas
lib es de los au omó iles median e el diseño asis ido po o denado (Roge s,
2001).
Sin emba go, hoy en día es bas an e u ilizado po au o es en HBIM. Así se puede
encon a obje os elabo ados con NURBS como bó edas (Ba azze i e al., 2015)
o basílicas (Daniela O eni e al., 2014) en en o nos pa imoniales.
3.2.2 Disc e ización de la nube de pun os
La disc e ización, o decimación, de la nube de pun os consis e en la consecución
de una nube de pun os a pa i de o a.
Lo que ealmen e se hace es un ag upamien o de los pun os más ce canos en e
sí. Es o pe mi e educi a unos pocos pun os un g an conjun o de aquellos que
p esen en simila es ca ac e ís icas (Shi e al., 2011).
Es e mé odo se ha enido u ilizando en SIG (Sis emas de In o mación
Geog á ica) debido a que se encuen an muchos pun os en escalas de amaño
muy educidas. Sin emba go, ambién se ha enido u ilizando en el ámbi o
pa imonial ecien emen e (And iasyan e al., 2020), (Mu iyoso & G ussenmeye ,
2020).
Hay aplicaciones que han sido desa olladas pa a que la p oducción pa amé ica
de los obje os sea más ácil y más p ecisa. (Ga agnani & Man e dini, 2013).
3.2.3 Ni eles de desa ollo (LOD)
Como se mencionó an e io men e, exis e o a mane a de pode es ablece
calidades isuales aco de a lo que se p e ende demos a sin pe de de alles
impo an es. En es e sen ido la escala LOD es imp escindible pa a aco a la
en e gadu a de un p oyec o y así ealiza un modelado de una u o a mane a.
Es cie o que no se a a de una me odología como al. No obs an e, es un aliado
an e p oyec os de g andes dimensiones, pe o en el que se quie en des aca
cie os de alles. Po ejemplo, exis en a ículos que modelan una ciudad median e
dis in os LOD, dependiendo de sí se es á hablando de un ba io en e o o de un
edi icio, en conc e o, de ese ba io (Colucci e al., 2020). Incluso den o de un
edi icio, cuando es posible descompone lo en dis in as isualizaciones a cada
cual más de allada que la an e io (G öge & Plüme , 2012).
Pág. 15
O os es udios p oponen que, dada
una nube de pun os, es a se
segmen e en de e minados g upos
de óxeles que o men obje os
dependien es de clases (Poux &
Billen, 2019).
Figu a 8
. Voxelización.
“(a) Es uc u a de ejilla de
óxeles uni o me 3D; (b) un óxel y los pun os
ubicados en él; y (c) un pun o es imado es an e
después de la educción de da os” Wang e al.
(2015). Au oma ic BIM componen ex ac ion om
poin clouds o exis ing buildings o sus ainabili y
applica ions. Recupe ado de
h ps://doi.o g/10.1016/j.au con.2015.04.001

Pág. 16
4. Obje i os
1. Analiza dis in os mé odos de segmen ación semán ica.
2. Encon a una me odología capaz de iden i ica elemen os
cons uc i os en en o nos pa imoniales sin necesidad de aden a se
de lleno en la p og amación compu acional.
3. Expo a esos elemen os y ca ego iza los en un en o no BIM.
4. Elabo a compa a i as pa a pode e alua el mé odo usado.
5. Hipó esis de pa ida
El pun o de pa ida de es e abajo iene su o igen en 2018, cuando se empezó
a abaja sob e la ecupe ación i ual en el holos de La Pas o a, en Valencina
de La Concepción, en Se illa
Debido a ese abajo, ya exis e un ap endizaje p e io en las écnicas de
ecupe ación i ual, como es el escáne láse y un conocimien o del so wa e
CloudCompa e.
6. Me odología
La me odología de abajo empleada queda mani ies a en las siguien es 4
e apas.
6.1 Búsqueda de in o mación
La búsqueda de la bibliog a ía usada se ha cen ado p incipalmen e a a és de
in e ne p io izando en los a ículos empí icos. Las páginas de búsqueda
u ilizadas han sido las siguien es:
- Google académico. El mo o de búsqueda de Google median e el cual
se ha accedido a casi la o alidad de las e is as cien í icas:
o Resea chGa e. Es la ed de abajo p o esional pa a cien í icos e
in es igado es. En ella se puede descub i , compa i y deba i . Es
una ed de acceso lib e pa a conec a el mundo cien í ico.
o Else ie . La mayo edi o ial cien í ica del mundo cen ada en
ciencia a anzada, ecnología y salud.
o MDPI. Es a edi o ial p omue e la lib e ci culación de ex os
cien í icos en cualquie o ma o de odas las disciplinas cien í icas
median e el apoyo a las ins i uciones académicas. El con enido se
dis ibuye median e la licencia C ea i e Commons.
- Depósi o de In es igación (Uni e sidad de Se illa). Pa a la
ecopilación de los abajos de in de g ado y mas e s.
- Fama. La biblio eca de la Uni e sidad de Se illa.
Pág. 17
6.2 Realización de los abajos en campo
En mayo de 2019, una expedición
con o mada po los p o eso es del
depa amen o de Exp esión G á ica D . Juan
José Moyano Campos y D . Juan En ique
Nie o Julián y un se ido se mo ilizó pa a
ecoge la oma de da os en la achada
p incipal de la Casa de Pila os, en Se illa.
Más a de se inco po a ía la p o eso a del
depa amen o de Ingenie ía G á ica, D a.
Elena cab e a Re uel a.
En un p incipio es e abajo de campo ue
ealizado pa a un es udio cen ado en la
p ecisión de la o og ame ía pa a la
ecupe ación i ual en en o nos
pa imoniales. (Moyano, Nie o-Julián, e al.,
2020)
No obs an e, ambién se usa on los da os
ecogidos pa a la con ección de es e abajo.
En él se ealiza on es sesiones pa a cap a la nube de pun os. Uno con el
escáne láse e es e Leica BLK360, o o median e una combinación dual de
las cáma as o og á icas Canon EOS E600D y Canon EOS E650D pa a ealiza
la sesión es e eoscópica y inalmen e una sesión con una cáma a Nikon D50.
Las especi icaciones del equipo de escaneado láse u ilizado se mues an a
con inuación.
LEICA BLK 360
Wa eleng h
830 nm
Field o iew
360º (ho izon al) / 300º ( e ical)
Range
Min. 0.6 – up o 60 m
Poin
measu emen a e
Up o 360000 p s / sec
Ranging accu acy
4mm @ 10m / 7mm @ 20m
3D poin accu acy
6mm @10m / 8mm @ 20m
Figu a 9. “Ins umen al u ilizado pa a la
ealización de la sesión es e eoscópica”.
Imagen del au o
Pág. 18
Pa a el pos e io abajo ealizado en gabine e se u ilizó solo dos de las es
sesiones. La ealizada con el Leica BLK 360 y aquella hecha con la cáma a Nikon
50D. Es a úl ima llegó a ealiza se g acias a las 79 imágenes con las que se
o og a ia on la achada.
A pa e del equipo de cap ación de da os, ambíen se u iliza on pega inas a modo
de dianas pa a ag upa las nubes de pun os en los p ocesos pos e io es en
gabine e.
6.3 Realización de los abajos en gabine e
T as ealiza la ag upación de las nubes cap u adas a a és del láse escáne y
después del il ado de los elemen os innecesa ios, denominados uido,
median e el so wa e Leica Cyclone 9.2.1. (Leica Geosys ems, 2018), se ob iene
la nube de pun os pa a el pos e io a ado en el so wa e CloudCompa e 2.10.2
(Zephy us) (Gi a deau-Mon au , 2003). Es e il ado co ió a ca go del p o eso
D . Juan En ique Nie o Julián. De mane a simila , la gene ación de la nube de
pun os ob enida a a és de la o og ame ía ue ealizada median e el p og ama
Agiso Me ashape 1.5.2 (Agiso LLC, 2019), an e io men e conocido como
Pho oScan. Es a labo ue ealizada po el p o eso D . Juan José Moyano
Campos.
Además de es os so wa es. Se han empleado ambién, especialmen e, el plug-
in Canupo
1
, que se encuen a den o de CloudCompa e. Así como el so wa e
de modelado BIM A chiCAD 22.
1
Plug-in Canupo pa a clasi icación de elemen os en nubes de pun os en CloudCompa e.
Recupe ado de h ps://www.cloudcompa e.o g/doc/wiki/index.php? i le=CANUPO_(plugin)
Figu a 10. “Pega inas colocadas a modo de dianas pa a la pos e io ag upación de las
nubes de pun os”. Imagen de la p o eso a D a. Elena Cab e a Re uel a
Pág. 19
7. Desa ollo del abajo
7.1 P oceso de au oma ización
Figu a 11. “Flujo de abajo”. Imagen del au o .
Pág. 20
El paso siguien e ue aslada lo ealizado en campo a gabine e. Así pues, se
ca ga on las nubes, an o de la achada en S M como en TLS, en una misma
en ana de CloudCompa e. T as es o se p ocede a la ealización del p oceso de
alineación median e el comando FINE REGISTRATION. El p oceso du a 8
segundos y o ece un RMS de 0.104308, calculado pa a 50000 pun os.
El RMS es la media de las dis ancias de los pa es de pun os en e las dos nubes
de pun os. A modo de ejemplo, si omamos un pun o de la nube ealizada po
o og ame ía, es e end á su homólogo, que es el más ce cano, en la o a nube
ealizada po el láse escáne . En e es os pun os exis e una dis ancia y el RMS
es la media de es as dis ancias. En es e caso exis e una dis ancia media de 10
cm en e los pun os que componen las dos achadas.
A con inuación, se elimina el “ uido” oda ía ap eciable, como señales de á ico,
cáma as de segu idad, cables y alumb ado que no se eliminó en el so wa e
Leica Cyclone. En es o caso se p ocede á a ocul a lo en una capa dis in a.
Finalmen e quedan unas nubes de 38.180.217 pun os pa a el láse escáne y de
23.125.599 pa a la o og ame ía.
Después de ealiza es o se ol ió a hace el egis o ino. En es e caso dio un
RMS de 0.0668544 pa a 50000 pun os y un iempo de p ocesado de 7,6
segundos. En es e caso, y as el bo ado de los elemen os que no in e esaban,
el so wa e egis ó una media de 6’7 cm en e los pun os de las dos achadas.
El obje i o de es as alineaciones es me amen e o ganiza i o e incluso pa a deja
p epa ado el e eno pa a posibles p uebas u u as que equie an que las nubes
es én alineadas.
Pasando a la pa e más expe imen al y como se mencionó en apa ados
an e io es, según la na u aleza es a égica y las ayudas que pueda ecibi el
sis ema de ap endizaje, es e se puede clasi ica en a ios ipos de ap endizaje.
En el caso de Canupo, el sis ema co esponde al sis ema supe isado, ci ado
an e io men e. Es o es debido a que es necesa io p opo ciona al sis ema de
ejemplos como da os de en adas pa a que ap enda (Mo eno e al., 1994).
Figu a 12. “Alineación de las dos achadas en S M y TLS”. Imagen del au o .

Pág. 21
En un p ime momen o se ealiza on p uebas pa a conoce el plug-in Canupo.
Es as no enían un ca ác e e aluado po lo an o no se inco po a on en la
ecogida de da os que apa ece al inal de es e apa ado y con azón, pues o que
end ían e o es.
A pa i de aquí, y aunque hubiese un conocimien o p e io del so wa e, se
come ie on a ios e o es de comp ensión sob e como abajaba el plug-in. Es e
necesi a un en endimien o p e io de los elemen os que a a a a , po lo que se
equie e una especie de p epa ación o en enamien o, el cuál se consigue
median e una segmen ación manual de los elemen os que se p e enden
clasi ica . Es e ue el p ime e o come ido.
El so wa e solo es capaz de dis ingui un ma e ial po cada clasi icación
ealizada y la p ime a
p ueba que se quiso
hace ue iden i ica
a ios elemen os que no
pe enecían a la achada
de lad illo como al. Es o
se puede obse a en la
igu a 17, en la que
apa ecen dos colo es.
Es a p ueba pod ía se
álida, más o menos, si el
c i e io pa a disce ni los
elemen os hubie a sido
el des aca un único
ma e ial sob e odos los
demás.
Más abajo se de alla el p ocedimien o pa a elabo a un en enamien o y una
clasi icación en Canupo e e ido a la p ime a p ueba. El p ocedimien o omado
ue co ec o pe o el c i e io a la ho a de elegi los ma e iales ue e óneo,
haciendo que la p ueba ca eciese de alo es adís ico. No obs an e, es o si ió
pa a ap ende a u iliza el p og ama. Así pues:
Se escogió la nube del láse escáne e es e pa a es a sesión y se o ma on
dos g upos de nubes de pun os. Aquella que comp enden odos los elemen os
segmen ados manualmen e y o a con el es o de la achada. (Es e es el e o
p incipal. Debe ía habe se segmen ado el único ipo de ma e ial que se quisie a
y la o a segmen ación debe ía se el es o de ma e iales que componen la
achada)
Figu a 13. “Elemen os que o man pa e de la achada de la Casa de
Pila os pa a su pos e io clasi icación”. Imagen del au o .
Pág. 22
Una ez ob enidas ambas nubes de
pun os, el siguien e paso ue
“en ena ” al p og ama. En la
en ana, en la cual se mues an los
da os necesa ios pa a en ena al
p og ama, apa ecen las nubes
elabo adas en los pasos an e io es.
Como esul ado del en enamien o, el
so wa e p opo ciona un a chi o, el
cuál debe se seleccionado con
pos e io idad pa a consegui la
clasi icación au omá ica. Es e a chi o
iene la ex ensión “.p m”.
El hace es o, además, pe mi e e el g ado de ce eza que se ha conseguido.
En es e caso se ob u o pa a la achada comple a con iden i icación de los
elemen os gene ales más isibles una p ecisión del 78’27% (Es e da o no hay
que ene lo en cuen a en es a p ueba po lo ci ado an e io men e)
Figu a 14. “En enamien o del Plug-in Canupo en
CloudCompa e”. Imagen del au o .
Figu a 15. “Es adís icas del en enamien o de la
segmen ación au omá ica en la achada”. Imagen del au o
Pág. 23
T as la ob ención de es e se p ocedió a
la ealización de la segmen ación a
a és del módulo “Classi y”. El cuál pide
que ca guemos el a chi o “.p m” del
en enamien o.
Una ez ob enido, el so wa e mues a
un campo escala de colo es
ep esen ando aquellos elemen os
segmen ados.
O a de las is as que p opo ciona el
so wa e es la de la p ecisión ob enida.
En es e caso se e e lejada con una
amplia a iedad c omá ica siendo las
zonas de onos más cálidos las más
p ecisas.
Figu a 16. "Módulo de clasi icación de
Canupo". Imagen del au o
Figu a 17. "Clasi icación au omá ica median e Canupo". Imagen del
au o
Pág. 24
La siguien e p ueba allida, en la cual se descub ió el e o come ido, ue en la
ob ención de las pa es que con o man el e ablo si uado en la pa e izquie da de
la achada.
En un p ime momen o se pensó, eniendo como e e encia la an e io p ueba,
que no pa ecía bas an e po en e el p og ama. Así pues, se di idió manualmen e
el e ablo en an as pa es como cambios es a ig á icos se podían obse a pa a
que econocie a mejo los elemen os.
En es e caso y a pa i de aho a la nube de pun os que se u iliza á es la
co espondien e a la sesión o og amé ica. Es o se debe p incipalmen e al
amaño del obje o es udiado, que es signi ica i amen e meno que la achada
en e a. Además de que la o og ame ía o ecía un con as e más cla o y con
colo es más ealis as que el láse escáne .
Figu a 18. “Po cen aje de con ianza isual de la segmen ación
au omá ica ealizada median e el plug-in Canupo”. Imagen del au o
Figu a 19. "Elemen os indi iduales ealizados median e segmen ación manual".
Imagen del au o .
Pág. 31
Del mismo modo que en el banco de p uebas an e io , en es e ambién se
expond án po cen ajes pa a e los pun os clasi icados en cada p ueba. En es e
caso, los po cen ajes son:
El e ce banco de p uebas ue adjudicado al e ablo que se encuen a en el lado
izquie do de la achada. En es e se p e endía dis ingui la c uz sob e odos los
demás elemen os.
Los esul ados son los siguien es:
Su ey
Classi ied (%)
E
45,86
F
61,91
2.556.604
3.667.746
1.070.726
1.228.976
4.281.762
3.012.370
E F
NUMBER OF POINTS
SURVEY
CLASSIFICATION OF POINTS
Ma ble wood No classi ied
Figu a 28. “P uebas E y F. Clasi icación de pun os en la po ada de má mol y made a”. Imagen del au o .
Figu a 29. “P uebas G y H. Clasi icación median e Canupo. Los pun os ojos ep esen an
la c uz mien as que los azules ep esen an los demás elemen os”. Imagen del au o
G
H

Pág. 32
En el cuad o de abajo se exponen las medidas elegidas pa a es e banco de
p uebas.
Además de las g á icas que complemen an la e aluación de es e banco de
p uebas.
Min. Dis ance (m)
S ep (m)
Max. Dis ance (m)
Su ey G
0,01
0,025
0,5
Su ey H
0,01
0,01
1,5
0,9095
0,9732
0,86
0,88
0,9
0,92
0,94
0,96
0,98
G H
Su ey
Balanced accu acy
Figu a 30. “P uebas G y H. P ecisión ob enida en
cada p ueba del e ablo. Mues eo sob e 10.000
pun os del elemen o de es udio”. Imagen del au o .
10
295
3
21
G H
TIME IN SECONDS
SURVEY
PROCESS TIME
T aining Classi ie
Figu a 31. “P uebas G y H. Tiempo de p ocesado pa a cada p ueba del
en enamien o y de la clasi icación con Canupo en el e ablo”. Imagen del au o .
Pág. 33
De nue o se exponen los po cen ajes pa a e los pun os clasi icados en cada
p ueba. En es e caso, los po cen ajes son:
Su ey
Classi ied (%)
G
85,22
H
95,75
1.138.143
1.299.594
20.407
2.098
200.937
57.795
G H
NUMBER OF POINTS
SURVEY
CLASSIFICATION OF POINTS
o he s al
Figu a 32. “P uebas G y H. Clasi icación de pun os del e ablo”. Imagen del au o .
Pág. 34
7.3 Compa a i as
Pa a e i ica los esul ados ob enidos se ha ealizado una segmen ación manual
en la cual se encuen an odos los pun os pe enecien es a la pue a de made a.
Pa a ello se ha ecu ido a la c eación de un campo escala pa a clasi ica odos
los pun os de la achada median e los alo es en el eje de las “y”, según el
sis ema de coo denadas de CloudCompa e. Pos e io men e se ha ealizado la
sección manual de la pue a a pa i del campo escala .
T as es o se ealizó la compa a i a en e las p uebas E y F ya que son aquellas
en las que mejo se puede compa a elemen os des acables, como son las dos
hojas de made a que o man la pue a p incipal.
Figu a 33. “Campo escala de oda la achada”. Imagen del au o .
Figu a 34. “Campo escala de
la pue a”.
Imagen del au o .
Figu a 35. “Nube de pun os de
la pue a”.
Imagen del au o .
Pág. 35
Hay que deci que únicamen e se han cogido aquellos pun os de la clasi icación
que pe enecían a la pue a; p escindiendo de aquellos que, aunque el so wa e
dije a que pe enecían a la pue a, se encon aban en o os elemen os.
Si se oma como e e encia la segmen ación manual (que nunca se á p ecisa al
100 %) ex aemos que en la p ueba E se consigue clasi ica un 37,27 % de los
pun os. Po o a pa e, en la p ueba F se consigue acapa a un 46,71 %.
Figu a 36. “Compa ación
segmen ación manual y
su ey E”. Imagen del au o .
Figu a 37. “Compa ación
segmen ación manual y
su ey F”. Imagen del au o .
945.010
1.184.308
2.535.474
E F MANUAL
NUMBER OF POINTS
SURVEY
DOOR SEGMENTATION
Figu a 38. “Compa ación en e la segmen ación manual y las su eys E y F”. Imagen del au o .
Pág. 36
7.4 Realización del modelo pa amé ico con so wa e BIM.
Pa a inaliza , se quiso ealiza un modelo 3D usando las secciones au omá icas
de Canupo y las manuales. Po desg acia, las de Canupo se deses ima on
debido a la insu icien e can idad de pun os ecogidos po el plug-in. No obs an e,
el modelo segmen ado de mane a manual si pudo se elabo ado.
El p ocedimien o seguido ue el siguien e. En p ime luga , se ealizó una
ans o mación en malla del conjun o de pun os seccionado manualmen e de la
pue a (Figu a 34). Es a malla pos e io men e se ía impo ada en el en o no BIM,
además del conjun o de pun os que o ma la achada comple a. T as es o, se
ab ie on dos posibilidades. Una de ellas ue ob ene la ex u a de la malla en un
obje o sólido (Au oma ización del modelo sólido de la pue a) y la o a posibilidad
ue ealiza la pue a de mane a manual.
La explicación del p oceso de la p ime a ía se explica en el a ículo (Moyano,
Od iozola, e al., 2020) que salió de uno de los abajos de la línea de
in es igación que se a a en es e abajo inal de más e . A modo de esumen,
lo que se p e endía ealiza es un ipo de sus acción que la malla, po su p opia
o ma, eje ce sob e el sólido.
Sin emba go, en es e caso el esul ado de la p ime a ía no ue posi i o ya que
se eque ía que el modelo sólido (la pue a) es u ie a en posición ho izon al, es
deci umbado. An e es a incohe encia, se desechó la idea y se p ocedió a la
segunda y úl ima ía.
Es a ue la de elabo a has a 3 pe iles de hojas de pue as dis in os. T as es o
se es ablecie on como elemen os BEAM ( igas), ya que pe mi en da le
p o undidad. Además, se le inco po a on semies e as ealizadas con polilíneas
y el comando que las e olucionaba, es o si ió pa a con o ma los emaches de
la pue a. Pos e io men e se ans o ma on en elemen os o ma an o las hojas
de las pue as como los emaches pa a pode uni es os con sus espec i as
pue as y así ene un único elemen o en e o, en es e caso es elemen os, 2
po ones y la pue a de acceso pequeña.
Figu a 39. “Relie e en el obje o sólido en la pue a de
la p ime a posibilidad desechada”. Imagen del au o

Pág. 37
Pa a inaliza se ajus ó la isualización pa a ocul a los con o nos de los obje os
en A chiCAD. Es o dio como esul ado la imagen siguien e en el que se puede
ap ecia la nube de pun os de la achada sin la pa e de la pue a y es a ec eada
de mane a manual como se ha explicado más a iba.
Figu a 40. “Cap u as 1,2,3 y 4. P oceso de c eación del pe il de la pue a”. Imagen del au o
1
2
3
4
Figu a 41. “Fachada p incipal de la Casa de Pila os. Nube de pun os
pa a la achada y obje os sólidos pa a las pue as”. Imagen del au o
Pág. 38
8. Discusión de los esul ados
La sensación que die on los esul ados de las p ime as p uebas (las allidas)
ue on mejo es que la de las p uebas eales. A ni el subje i o pod ía
conside a se que se ha asis ido a una especie de expe iencia poco g a i ican e.
Es e condicionamien o hizo que se espe ase mucho más de es e plug-in. Aunque
los da os mues an g andes esoluciones de p ecisión, isualmen e se ap ecia
que hay una g an al a de acie o que se ag a a en cuan o el modelo es cada
ez más pequeño.
Si obse amos la igu a de la clasi icación de la achada comple a, la núme o 21,
se pueden in ui a ios elemen os en colo azul como la po ada de má mol, el
e ablo o la co nisa. Dependiendo de los pa áme os pa a cada p ueba hab á
más o menos con enido de pun os en los co espondien es g upos clasi icados.
Si con inuamos con el siguien e banco de p uebas que e a la po ada se e como
el g upo co espondien e al má mol, con o me se busca más p ecisión, acaba
abso biendo los pun os que debe ían co esponde al g upo de las pue as de
made a (Figu a 25). Sin emba go, hay que econoce que en es e ensayo el plug-
in ha conseguido clasi ica más pun os de es as (que e a el elemen o deseado a
clasi ica ) que el lad illo en la achada comple a en una escala p opo cional.
Desa o unadamen e, no hay ningún mo i o pa a deci que el e ce banco de
p uebas, co espondien e al e ablo, haya enido cie o éxi o. En ningún momen o
ue capaz de clasi ica ningún pun o pe enecien e a la c uz e incluso e ique ó
algunos pun os de o as zonas como si ue an de la c uz.
Po an o, apa en emen e y con los da os ecabados, pa ece se que es a
he amien a unciona mejo cuan o más g ande es el obje o de es udio. De
hecho, el ejemplo que oman en el a ículo del plug-in iene una longi ud mayo
de 10 me os.
Po o a pa e, una de las piezas más impo an es a la ho a de a a es as
can idades de in o mación es el iempo de p ocesado, que in luye di ec amen e
en el endimien o del ope ado . Ya sea un écnico especializado en es e ipo de
so wa e o alguien que lo u ilice pa a casos pun uales, ninguno de ellos quie e
pe de iempo espe ando cálculos en los que a eces puede deja el o denado
bloqueado.
Así pues, hay que deci que la can idad de iempo de p ocesado que necesi a el
p og ama pa a los esul ados ob enidos es inacep able. Además, po cada
p ueba se equie en dos iempos de p ocesado. Es os iempos, dependiendo del
obje o de es udio, ondan los 11 o 12 minu os de en enamien o y 6 y 2 minu os
de clasi icación pa a la achada comple a y la po ada, espec i amen e. El de la
achada pod ía en ende se. Pe o pa a un po cen aje de pun os clasi icados del
64,95 % es simplemen e, escaso.
Pág. 39
La si uación de la po ada es mejo able ya que o ece unos esul ados muy
pob es. 14 minu os en o al pa a un 61,91 % de pun os clasi icados.
El caso del e ablo pod ía se el mejo , según las es adís icas. Casi 5 minu os
pa a un 95,75 % de pun os clasi icados. No obs an e, como se ha is o
an e io men e no clasi ica co ec amen e ninguno de los pun os que se
p e endían de la c uz.
No odo a a se malo espec o a es a he amien a. A a o hay que deci que
o ece de mane a g a ui a un ace camien o al mundo de la p og amación más
compleja sin necesidad de conocimien os a anzados. Es o hace que sea un
plug-in es upendo pa a di ulgación y pa a comenza en el mundo de la
au oma ización.
Es una he amien a con una idea muy buena de ás, que o iginalmen e es aba
pensada pa a iden i icación de elemen os geológicos y opog á icos. Sin
emba go y dadas las p uebas ecopiladas necesi a un poco más de po encia
pa a que se pueda usa cómodamen e en pa imonio.
9. Conclusiones.
1. Se ha ecopilado la in o mación necesa ia y su icien e pa a
escla ece cuáles e an los mé odos de au oma ización más
usados y con mejo es esul ados.
2. Median e el so wa e CloudCompa e y el plug-in Canupo se ha
encon ado una me odología de abajo que, aunque no es del
odo compa ible ni adecuada a las necesidades del p oyec o, ha
sa is echo las necesidades más básicas de consegui p ocesos
de au oma ización sin aden a se de lleno en el mundo de la
p og amación in o má ica.
3. Las compa a i as median e g á icas y da os apo ados ha
conseguido que se e alúe el p og ama de o ma empí ica.
4. Aún sin habe conseguido elemen os iden i icables comple os,
se ha conseguido lle a aquellas nubes de pun os segmen adas
au omá icamen e al en o no BIM a a és de A chiCAD.
Pág. 40
10. Fu u as líneas de in es igación
- El empleo de la segmen ación semán ica ha abie o una nue a ía pa a
la con ección de elemen os pa imoniales. P o undiza en es e mé odo se
e como indispensable ya que acili a a ope ado es, écnicos y usua ios
he amien as que aco an plazos en la ealización de subconjun os de
nubes de pun os de mane a p ecisa de los elemen os que se p e enden
modela .
- Un pun o muy impo an e es la in eligencia a i icial y con ella la
p og amación in o má ica. G acias a ella se ha podido desa olla es a
in es igación con Canupo. No obs an e, se quedan el in e o o os Plug-in
como Dynamo o G asshoppe que pueden con ibui a mejo a
sus ancialmen e es e ace camien o a la segmen ación au omá ica ya que
equie en un poco más de conocimien os in o má icos.
Pág. 47
In o ma ion Sciences, 36(Pa 3), W52. h ps://halshs.a chi es-
ou e es. /halshs-00264839
• B odu, N., & Lague, D. (2012). 3D e es ial lida da a classi ica ion o
complex na u al scenes using a mul i-scale dimensionali y c i e ion:
Applica ions in geomo phology. ISPRS Jou nal o Pho og amme y and
Remo e Sensing, 68(1), 121–134.
h ps://doi.o g/10.1016/j.isp sjp s.2012.01.006
• B umana, R., O eni, D., Ba azze i, L., Cuca, B., P e i ali, M., & Ban i, F.
(2020). Su ey and scan o BIM model o he knowledge o buil he i age
and he managemen o conse a ion ac i i ies. In Resea ch o
De elopmen (pp. 391–400). Sp inge . h ps://doi.o g/10.1007/978-3-030-
33570-0_35
• B uno, N., & Roncella, R. (2019). HBIM o conse a ion: A new p oposal
o in o ma ion modeling. Remo e Sensing, 11(15), 1751.
h ps://doi.o g/10.3390/ s11151751
• B usapo ci, S., Maiezza, P., & Ta a, A. (2018). A amewo k o
a chi ec u al he i age hbim seman iza ion and de elopmen . In e na ional
A chi es o he Pho og amme y, Remo e Sensing and Spa ial In o ma ion
Sciences - ISPRS A chi es, 42(2), 179–184. h ps://doi.o g/10.5194/isp s-
a chi es-XLII-2-179-2018
• Can zle , H. (2003). Imp o ing a chi ec u al 3D econs uc ion by
cons ained modelling. 1–165. h ps://e a.ed.ac.uk/handle/1842/319
• Colucci, E., de Ru o, V., Lingua, A., Ma one, F., & Rizzo, G. (2020).
HBIM-GIS in eg a ion: F om IFC o ci yGML s anda d o damaged cul u al
he i age in a mul iscale 3D GIS. Applied Sciences (Swi ze land), 10(4),
1356. h ps://doi.o g/10.3390/app10041356
• Coo s, V., & Flick, S. (1998). In eg a ing Le els o De ail in a Web-based
3D-GIS. GIS: P oceedings o he ACM In e na ional Symposium on
Ad ances in Geog aphic In o ma ion Sys ems, Pa F1292, 40–45.
h ps://doi.o g/10.1145/288692.288701
• Di Giuda, G. M., Pa ini, G., Seghezzi, E., Schie ano, M., & Palea i, F.
(2020). The cons uc ion con ac execu ion h ough he in eg a ion o
blockchain echnology. In Resea ch o De elopmen (pp. 27–36).
h ps://doi.o g/10.1007/978-3-030-33570-0_3
• Ding, H., Jiang, X., Shuai, B., Liu, A. Q., & Wang, G. (2020). Seman ic
Segmen a ion wi h Con ex Encoding and Mul i-Pa h Decoding. IEEE

Pág. 48
T ansac ions on Image P ocessing, 29, 3520–3533.
h ps://doi.o g/10.1109/TIP.2019.2962685
• Fio illo, F., Jiménez Fe nández-Palacios, B., Remondino, F., & Ba ba, S.
(2015). 3d Su eying and modelling o he A chaeological A ea o
Paes um, I aly. Vi ual A chaeology Re iew, 4(8), 55.
h ps://doi.o g/10.4995/ a .2013.4306
• F yskowska, A., & S achelek, J. (2018). A no- e e ence me hod o
geome ic con en quali y analysis o 3D models gene a ed om lase
scanning poin clouds o hBIM. Jou nal o Cul u al He i age, 34, 95–108.
h ps://doi.o g/10.1016/j.culhe .2018.04.003
• Ga agnani, S., & Man e dini, A. M. (2013). PARAMETRIC ACCURACY:
BUILDING INFORMATION MODELING PROCESS APPLIED TO THE
CULTURAL HERITAGE PRESERVATION. ISPRS - In e na ional A chi es
o he Pho og amme y, Remo e Sensing and Spa ial In o ma ion
Sciences, XL-5/W1, 87–92. h ps://doi.o g/10.5194/isp sa chi es-xl-5-w1-
87-2013
• Gines, J. L. C., & Ce e a, C. B. (2020). Towa d Hyb id Modeling and
Au oma ic Planime y o G aphic Documen a ion o he A chaeological
He i age: The Co ina Family Pan heon in he Ceme e y o Valencia.
In e na ional Jou nal o A chi ec u al He i age, 14(8), 1210–1220.
h ps://doi.o g/10.1080/15583058.2019.1597214
• G illi, E., Menna, F., & Remondino, F. (2017). A e iew o poin clouds
segmen a ion and classi ica ion algo i hms. In e na ional A chi es o he
Pho og amme y, Remo e Sensing and Spa ial In o ma ion Sciences -
ISPRS A chi es, 42(2W3), 339–344. h ps://doi.o g/10.5194/isp s-
a chi es-XLII-2-W3-339-2017
• G illi, E., & Remondino, F. (2019). Classi ica ion o 3D digi al he i age.
Remo e Sensing, 11(7), 847. h ps://doi.o g/10.3390/RS11070847
• G öge , G., & Plüme , L. (2012). Ci yGML - In e ope able seman ic 3D ci y
models. In ISPRS Jou nal o Pho og amme y and Remo e Sensing (Vol.
71, pp. 12–33). Else ie . h ps://doi.o g/10.1016/j.isp sjp s.2012.04.004
• Hinks, T., Ca , H., T uong-Hong, L., & Lae e , D. F. (2013). Poin Cloud
Da a Con e sion in o Solid Models ia Poin -Based Voxeliza ion. Jou nal
o Su eying Enginee ing, 139(2), 72–83.
h ps://doi.o g/10.1061/(asce)su.1943-5428.0000097
• Iman Zolan a i, S. M., & Lae e , D. F. (2016). Slicing Me hod o cu ed
açade and window ex ac ion om poin clouds. ISPRS Jou nal o
Pág. 49
Pho og amme y and Remo e Sensing, 119, 334–346.
h ps://doi.o g/10.1016/j.isp sjp s.2016.06.011
• Jung, J., Hong, S., Jeong, S., Kim, S., Cho, H., Hong, S., & Heo, J. (2014).
P oduc i e modeling o de elopmen o as-buil BIM o exis ing indoo
s uc u es. Au oma ion in Cons uc ion, 42, 68–77.
h ps://doi.o g/10.1016/j.au con.2014.02.021
• Llamas, J., Le ones, P. M., Medina, R., Zalama, E., & Gómez-Ga cía-
Be mejo, J. (2017). Classi ica ion o a chi ec u al he i age images using
deep lea ning echniques. Applied Sciences (Swi ze land), 7(10), 992.
h ps://doi.o g/10.3390/app7100992
• López, F. J., Le ones, P. M., Llamas, J., Gómez-Ga cia-Be mejo, J., &
Zalama, E. (2018). Linking HBIM g aphical and seman ic in o ma ion
h ough he Ge y AAT: P ac ical applica ion o he Cas le o To eloba ón.
IOP Con e ence Se ies: Ma e ials Science and Enginee ing, 364(1).
h ps://doi.o g/10.1088/1757-899X/364/1/012100
• Mache , H., Landes, T., & G ussenmeye , P. (2017). F om poin clouds o
building in o ma ion models: 3D semi-au oma ic econs uc ion o indoo s
o exis ing buildings. Applied Sciences (Swi ze land), 7(10).
h ps://doi.o g/10.3390/app7101030
• Moyano, J. J., Ba e a, J. A., Nie o, J. E., Ma ín, D., & An ón, D. (2017). A
GEOMETRICAL simila i y pa e n as an expe imen al model o shapes in
a chi ec u al he i age: A case s udy o he base o he pilla s in he
ca hed al o se ille and he chu ch o san iago in Je ez, Spain.
In e na ional A chi es o he Pho og amme y, Remo e Sensing and
Spa ial In o ma ion Sciences - ISPRS A chi es, 42(2W3), 511–517.
h ps://doi.o g/10.5194/isp s-a chi es-XLII-2-W3-511-2017
• Moyano, J., Nie o-Julián, J. E., Bien enido-Hue as, D., & Ma ín-Ga cía,
D. (2020). Valida ion o Close-Range Pho og amme y o A chi ec u al
and A chaeological He i age: Analysis o Poin Densi y and 3D Mesh
Geome y. Remo e Sensing, 12(21), 3571.
h ps://doi.o g/10.3390/ s12213571
• Moyano, J., Od iozola, C. P., Nie o-Julián, J. E., Va gas, J. M., Ba e a, J.
A., & León, J. (2020). B inging BIM o a chaeological he i age:
In e disciplina y me hod/s a egy and accu acy applied o a megali hic
monumen o he Coppe Age. Jou nal o Cul u al He i age.
h ps://doi.o g/10.1016/j.culhe .2020.03.010
• Mu iyoso, A., & G ussenmeye , P. (2020). Vi ual disassembling o
his o ical edi ices: Expe imen s and assessmen s o an au oma ic
Pág. 50
app oach o classi ying mul i-scala poin clouds in o a chi ec u al
elemen s. Senso s (Swi ze land), 20(8), 2161.
h ps://doi.o g/10.3390/s20082161
• Na han, A. J., & Scobell, A. (2012). How China sees Ame ica. In Fo eign
A ai s (Vol. 91, Issue 5, pp. 1689–1699).
h ps://doi.o g/10.1017/CBO9781107415324.004
• O eni, D., B umana, R., Ban i, F., Be ola, L., Ba azze i, L., Cuca, B.,
P e i ali, M., & Ronco oni, F. (2014). Beyond C ude 3D Models: F om
Poin Clouds o His o ical Building In o ma ion Modeling ia NURBS (pp.
166–175). h ps://doi.o g/10.1007/978-3-319-13695-0_16
• Oses, N., Do naika, F., & Moujahid, A. (2014). Image-based delinea ion
and classi ica ion o buil he i age mason y. Remo e Sensing, 6(3), 1863–
1889. h ps://doi.o g/10.3390/ s6031863
• Pa inello, S., Be cigli, M., & Bu sich, D. (2017). F om su ey o 3d model
and om 3d model o “ ideogame”. The i ual econs uc ion o a Roman
Camp in Masada, Is ael. DISEGNARECON, 10(19).
h p://disegna econ.uni aq.i
• Peña-Villasenín, S., Gil-Docampo, M., & O iz-Sanz, J. (2020). Desk op s
cloud compu ing so wa e o 3D measu emen o building açades: The
monas e y o San Ma ín Pina io. Measu emen : Jou nal o he
In e na ional Measu emen Con ede a ion, 149, 106984.
h ps://doi.o g/10.1016/j.measu emen .2019.106984
• Peña-Villasenín, S., Gil-Docampo, M., & O iz-Sanz, J. (2019).
P o essional S M and TLS s a simple S M pho og amme y o 3D
modelling o ock a and adiance scaling shading in eng a ing de ec ion.
Jou nal o Cul u al He i age, 37, 238–246.
h ps://doi.o g/10.1016/j.culhe .2018.10.009
• Pie dicca, R., Paolan i, M., Ma one, F., Ma ini, M., Mo bidoni, C.,
Malin e ni, E. S., F on oni, E., & Lingua, A. M. (2020). Poin cloud
seman ic segmen a ion using a deep lea ning amewo k o cul u al
he i age. Remo e Sensing, 12(6), 1005.
h ps://doi.o g/10.3390/ s12061005
• Pocobelli, D. P., Boehm, J., B yan, P., S ill, J., & G au-Bo é, J. (2018).
Building in o ma ion models o moni o ing and simula ion da a in he i age
buildings. In e na ional A chi es o he Pho og amme y, Remo e Sensing
and Spa ial In o ma ion Sciences - ISPRS A chi es, 42(2), 909–916.
h ps://doi.o g/10.5194/isp s-a chi es-XLII-2-909-2018
Pág. 51
• Po as Díaz, H., Cáce es Jiménez, J. J., & Gallo Lanche os, E. O. (2014).
Modelos u banos idimensionales gene ados a pa i de nubes de pun os
de un escáne láse e es e. Re is a Tecnu a, 18(41), 134.
h ps://doi.o g/10.14483/udis i al.jou . ecnu a.2014.3.a10
• Poux, F., & Billen, R. (2019). Voxel-based 3D Poin Cloud Seman ic
Segmen a ion: Unsupe ised geome ic and ela ionship ea u ing s deep
lea ning me hods. ISPRS In e na ional Jou nal o Geo-In o ma ion, 8(5),
213. h ps://doi.o g/10.3390/ijgi8050213
• Pu, S., & Vosselman, G. (2009). Knowledge based econs uc ion o
building models om e es ial lase scanning da a. ISPRS Jou nal o
Pho og amme y and Remo e Sensing, 64(6), 575–584.
h ps://doi.o g/10.1016/j.isp sjp s.2009.04.001
• Qi, C. R., Su, H., Mo, K., & Guibas, L. J. (2017). Poin Ne : Deep lea ning
on poin se s o 3D classi ica ion and segmen a ion. P oceedings - 30 h
IEEE Con e ence on Compu e Vision and Pa e n Recogni ion, CVPR
2017, 2017-Janua, 77–85. h ps://doi.o g/10.1109/CVPR.2017.16
• Rippe da, N., & B enne , C. (2009). Applica ion o a Fo mal G amma o
Facade Recons uc ion in Semiau oma ic and Au oma ic En i onmen s.
12 h AGILE In e na ional Con e ence on Geog aphic In o ma ion Science,
1, 1–12. h p://www.ikg.uni-
hanno e .de/agile/ ileadmin/agile/pape /44.pd
• Sánchez, J., Ma odán, S., & Qui ós, E. (2014). Reconocimien o y
clasi icación au omá ica de ma e iales en achadas. I Cong eso
In e nacional Sob e In es igación En Cons ucción y Tecnología
A qui ec ónicas.
h ps://www. esea chga e.ne /publica ion/265020155_Reconocimien o_y
_clasi icacion_au oma ica_de_ma e iales_en_ achadas?channel=doi&lin
kId=545282e70c 26d5090a37569&showFull ex = ue
• Sanjuán, L. G., Jiménez, J. M. V., Pu o, L. M. C., Ca amé, M. E. C., Díaz-
Gua damino U ibe, M., Díaz-Zo i a Bonilla, M., Flo es, Á. F., Pé ez, V. H.,
Aldana, P. M. L., Izquie do, E. M., Pando, A. P., Vidal, J. R., Whea ley, D.,
Ramsey, C. B., Delgado-Hue as, A., Dunba , E., González, A. M., Bayliss,
A., Bea an, N., … Whi le, A. (2018). Assembling he dead, ga he ing he
li ing: Radioca bon da ing and bayesian modelling o coppe age
alencina de la concepcioón (Se ille, Spain). Jou nal o Wo ld P ehis o y,
31(2), 179–313. h ps://doi.o g/10.1007/s10963-018-9114-2
• Shi, B. Q., Liang, J., & Liu, Q. (2011). Adap i e simpli ica ion o poin cloud
using k-means clus e ing. CAD Compu e Aided Design, 43(8), 910–922.
h ps://doi.o g/10.1016/j.cad.2011.04.001
Pág. 52
• Song, H., & Feng, H. Y. (2008). A global clus e ing app oach o poin cloud
simpli ica ion wi h a speci ied da a educ ion a io. CAD Compu e Aided
Design, 40(3), 281–292. h ps://doi.o g/10.1016/j.cad.2007.10.013
• S a hopoulou, E. K., & Remondino, F. (2019). SEMANTIC
PHOTOGRAMMETRY – BOOSTING IMAGE-BASED 3D
RECONSTRUCTION WITH SEMANTIC LABELING. ISPRS - In e na ional
A chi es o he Pho og amme y, Remo e Sensing and Spa ial In o ma ion
Sciences, XLII-2/W9, 685–690. h ps://doi.o g/10.5194/isp s-a chi es-
XLII-2-W9-685-2019
• Tang, P., Hube , D., Akinci, B., Lipman, R., & Ly le, A. (2010). Au oma ic
econs uc ion o as-buil building in o ma ion models om lase -scanned
poin clouds: A e iew o ela ed echniques. In Au oma ion in Cons uc ion
(Vol. 19, Issue 7, pp. 829–843). Else ie B.V.
h ps://doi.o g/10.1016/j.au con.2010.06.007
• To osa, J. A. H., Fuen es, D. T., Ce eceda, M. L., & Be io, Y. S. (2017).
The açade o he chu ch o nues a seño a de la asunción in bia (Spain):
F om poin cloud o HBIM. In WIT T ansac ions on he Buil En i onmen
(Vol. 169, pp. 69–77). WITP ess. h ps://doi.o g/10.2495/BIM170071
• Wang, C., Cho, Y. K., & Kim, C. (2015). Au oma ic BIM componen
ex ac ion om poin clouds o exis ing buildings o sus ainabili y
applica ions. Au oma ion in Cons uc ion, 56, 1–13.
h ps://doi.o g/10.1016/j.au con.2015.04.001
• Wu, Z., Song, S., Khosla, A., Yu, F., Zhang, L., Tang, X., & Xiao, J. (2015).
3D ShapeNe s: A deep ep esen a ion o olume ic shapes. P oceedings
o he IEEE Compu e Socie y Con e ence on Compu e Vision and
Pa e n Recogni ion, 07-12-June, 1912–1920.
h ps://doi.o g/10.1109/CVPR.2015.7298801
• Ye, M., Xu, S., & Cao, T. (2020). HVNe : Hyb id Voxel Ne wo k o LiDAR
Based 3D Objec De ec ion. 1628–1637.
h ps://doi.o g/10.1109/c p 42600.2020.00170
• Yilmaz, H. M., Yaka , M., Gulec, S. A., & Dulge le , O. N. (2007).
Impo ance o digi al close- ange pho og amme y in documen a ion o
cul u al he i age. Jou nal o Cul u al He i age, 8(4), 428–433.
h ps://doi.o g/10.1016/j.culhe .2007.07.004
• Zolan a i, S. M. I., Lae e , D. F., & Na anzi, A. S. (2018). Th ee-
dimensional building açade segmen a ion and opening a ea de ec ion

Pág. 53
om poin clouds. ISPRS Jou nal o Pho og amme y and Remo e
Sensing, 143, 134–149. h ps://doi.o g/10.1016/j.isp sjp s.2018.04.004
Guías
• Guía pa a la edacción del p oyec o in de g ado (2014). Recupe ado de
h p://e sie.us.es/si es/de aul / iles/ iche os/ ile/PFC/no ma i a/GU%C3%
8DA_PFG_ETSIE_ACTUALIZADA_SEP_2015.pd
• Zaldúa, M. D. (2019). Guías de la BUS: Bibliog a ía y ci as: APA.
Recupe ado de h p://guiasbus.us.es/bibliog a iayci as/apa
• An onopoulou, S., & B yan, P. (2017). BIM o He i age: De eloping a
His o ic Building In o ma ion. In His o ic England.
h ps://his o icengland.o g.uk/images-books/publica ions/bim- o -he i age/
• Building Sma . (2018). GUÍA DE USUARIOS BIM. BIM Aplicado al
Pa imonio Cul u al. Documen o 14. Building Sma .
h ps://www.buildingsma .es/ac i idades/g upos-de- abajo/pa imonio-
cul u al/
Lib os
• Mo eno, A., A mengol, E., Béja , J., Belanche, L., Co és, U., Ga aldà, R.,
Gimeno, J. M., López, B., Ma ín, M., & Sànchez, M. (1994). Ap endizaje
au omá ico. Edicions UPC.
h ps://upcommons.upc.edu/handle/2099.3/36157
• Roge s, D. F. (2001). An In oduc ion o NURBS. In An In oduc ion o
NURBS. Else ie . h ps://doi.o g/10.1016/b978-1-55860-669-2.x5000-3
Páginas web
• Leica Geosys ems. So wa e Leyca Cyclone 9.2.1. (2018). h ps://leica-
geosys ems.com/es-es/p oduc s/lase -scanne s/so wa e/leica-cyclone
• Ca og a ía Digi al: Poin Clus e en QGIS: ag upación de pun os. (n.d.).
Re ie ed July 2, 2020, om
h ps://www.ca og a iadigi al.es/2019/09/poin -clus e -en-qgis-
ag upacion-de.h ml?m=1
Pág. 54
• “Poin Clus e ” y el con ol a anzado de los pa áme os de simbología en
QGIS. (n.d.). Re ie ed July 2, 2020, om
h ps://www.cu sosgis.com/poin -clus e -y-el-con ol-a anzado-de-los-
pa ame os-de-simbologia-en-qgis/
• ¿Cuál es la di e encia en e el machine lea ning y el deep lea ning? (n.d.).
Re ie ed Sep embe 30, 2020, om
h ps://blog.bisma .com/es/di e encia-machine-lea ning-deep-lea ning
• NeRF: Neu al Radiance Fields. (n.d.). Re ie ed June 8, 2020, om
h p://www.ma hew ancik.com/ne
• Agiso LLC. (2019). Agiso Me ashape P o essional. July.
h ps://www.agiso .com/
• Gi a deau-Mon au , D. (2003). CloudCompa e.
h ps://www.danielgm.ne /cc/
• Leica. (2017). Leica blk360 imaging scanne . h ps://leica-
geosys ems.com/es-es/p oduc s/lase -scanne s/scanne s/blk360
• Leica Geosys ems. (2018). So wa e Leica Cyclone 9.2.1. h ps://leica-
geosys ems.com/es-es/p oduc s/lase - scanne s/so wa e/leica-cyclone
• Rouse, M. (2007). Wha is oxel? - De ini ion om Wha Is.com.
h ps://wha is. ech a ge .com/de ini ion/ oxel
Tesis, más e es, p oyec os inales de g ados…
• Cio i, A. (2019). P opues a de HBIM aplicando un p o ocolo no edoso con
usión de écnicas angua dis as: el caso de la mezqui a de Almonas e la
Real. Uni e sidad de Se illa. h ps://idus.us.es/handle/11441/88091
• Fe ando Maza o, A. (2019). 3D mesh oxeliza ion Final’s Wo k Memo y
Deg ee in Video Game Design and De elopmen . Uni e si a Jaume I.
h p:// eposi o i.uji.es/xmlui/handle/10234/183709