Un acercamiento a los procesos de automatización en el patrimonio constructivo: el caso de la fachada de la Casa de Pilatos; Sevilla

Autor: Javier Alberto León Nieto Tutores: Dr. Juan José Moyano Campos Dr. Juan Enrique Nieto Julián Departamento: Expresión Gráfica e Ingeniería en la Edificación Trabajo Fin de Máster Un acercamiento a los procesos de automatización en el patrimonio constructivo: El caso de la fachada de la Casa de Pilatos; Sevilla Pág. 1 Índice Agradecimientos ................................................................................................. 2 Glosario de términos .......................................................................................... 3 RESUMEN ......................................................................................................... 4 ABSTRACT ........................................................................................................ 4 1. Introducción.................................................................................................... 5 2. Antecedentes ................................................................................................. 6 3. Estado de la cuestión ..................................................................................... 6 3.1 Casa de Pilatos ........................................................................................................ 6 3.2 Procesos metodológicos ......................................................................................... 7 3.2.1 Curvas y superficies NURBS .............................................................................. 7 3.2.2 Discretización de la nube de puntos ................................................................ 8 3.2.3 Niveles de desarrollo (LOD) .............................................................................. 8 3.2.4 Segmentación semántica ............................................................................... 11 3.2.5 Voxelización .................................................................................................... 14 4. Objetivos ...................................................................................................... 16 5. Hipótesis de partida ..................................................................................... 16 6. Metodología ................................................................................................. 16 6.1 Búsqueda de información ..................................................................................... 16 6.2 Realización de los trabajos en campo ................................................................... 17 6.3 Realización de los trabajos en gabinete ................................................................ 18 7. Desarrollo del trabajo ................................................................................... 19 7.1 Proceso de automatización................................................................................... 19 7.2 Pruebas realizadas ................................................................................................ 26 7.3 Comparativas ........................................................................................................ 34 7.4 Realización del modelo paramétrico con software BIM. ...................................... 36 8. Discusión de los resultados ......................................................................... 38 9. Conclusiones. ............................................................................................... 39 10. Futuras líneas de investigación .................................................................. 40 11. Bibliografía ................................................................................................. 41 11.1 Referencias bibliográficas ................................................................................... 41 11.2 Bibliografía consultada ....................................................................................... 44 Pág. 2 Agradecimientos En primer lugar, quisiera dar las gracias a mi tutor y a mi co-tutor, el Dr. Juan José Moyano campos y Dr. Juan Enrique Nieto Julián, respectivamente. Gracias a ambos por descubrirme el mundo de la recuperación del patrimonio histórico. A la profesora del Departamento de Ingeniería Gráfica, la Dra. Elena Cabrera Revuelta por su ayuda en el levantamiento de la portada. A los de la carrera. Víctor, Abra, Lola y Montse. A los de siempre. Carlos, Diego y Juanjo. A mi familia. Mamá, papá y a la autora de la portada de este proyecto, Marina, cuyo arte es infinito. A los que se fueron. Y, por último, a la que ha sido más que mi compañera este último año, Mariem. Lo mejor del máster ha sido tú. Gracias por los trabajos enviados a las 5 de la mañana, por la presentación de CBB, por hacerme ver lo bueno que hay en mí, por entenderme, porque te guste lo que me gusta, por tu cariño, tu apoyo, tu forma de ser, tu empatía, tu solidaridad, porque eres incapaz de decir que no a ayudar, por estar ahí... Por todo eso y mucho más, gracias. ميرم اي كبحأ Pág. 3 Glosario de términos Siglas RMS: Root Mean Square CNN: Redes Neuronales Convolucionales HBIM: Heritage Building Information Modelling SfM: Structure from motion TLS: Terrestrial Laser Scanner IA: Inteligencia Artificial ML: Machine Learning DL: Deep Learning NURBS: Non-Uniform Rational B-Splines Terminología empleada Algoritmo informático: Conjunto de instrucciones que se suceden para tratar de resolver determinados problemas Ruido: Zonas registradas por el láser y mostradas en la nube de puntos que carecen de valor o perjudican la labor de los técnicos. Estas suelen ser arbustos, coches, personas, entre otros, y normalmente se eliminan. Hiperparámetros: Son aquellos parámetros que se usan a la hora de entrenar en procesos de aprendizaje (Deep Learning, machine Learning …) Pág. 4 RESUMEN La recuperación virtual del patrimonio histórico y cultural es altamente compleja debido a que la geometría que presentan no suele tener elementos estandarizados. Muchas son las técnicas que intentan similar estas formas complejas a través de programas informáticos. Sin embargo, en la última década han aparecido importantes avances en el campo de la inteligencia artificial que proponen ideas innovadoras como el reconocimiento automático de formas. Estas técnicas suelen ser tratadas por programadores informáticos, no obstante, existen aplicaciones y programas que favorecen la utilidad al usuario medio de manera simple. En el siguiente documento se recoge el caso de estudio de la fachada principal de la Casa de Pilatos en Sevilla. En el cual se ha elaborado un levantamiento a través de técnicas de captación láser y fotogramétrico. Posteriormente se han extraído los datos de estas técnicas y se han tratado por softwares de modelado y gestión de nubes de puntos para conseguir elementos identificables de manera automática. Palabras clave: HBIM, Casa de Pilatos, aprendizaje profundo, segmentación automática, inteligencia artificial, Canupo. ABSTRACT The virtual recovery of historical and cultural heritage is highly complex because the geometry they present does not usually have standardized elements. Many are the techniques that try to similar these complex ways through computer programs. However, in the last decade there have been important advances in the field of artificial intelligence that propose innovative ideas such as automatic shape recognition. These techniques are usually treated by computer programmers, however, there are applications and programs that favor the utility to the average user in a simple way. The following document contains the case study of the main facade of the Casa de Pilatos in Seville. In which a survey has been developed through laser and photogrammetric capture techniques. Subsequently, the data of these techniques have been extracted and they have been treated by modeling software and point cloud management to achieve automatically identifiable elements. Keywords: HBIM, Casa de Pilatos, Deep learning, automatic segmentation artificial intelligence, Canupo. Pág. 5 1. Introducción La búsqueda, por los distintos grupos científicos, en desarrollar una biblioteca común de información para salvaguardar el patrimonio constructivo se ha llevado a cabo, fundamentalmente, a través de dos técnicas de adquisición de datos: Structure from Motion (SfM) y Terrestrial Laser Scanning (TLS). El desarrollo tecnológico de estos dos métodos hace que los equipos de captación de datos tengan cada vez más fidelidad y precisión. Esto permite obtener con mayor fidelidad elementos singulares con una complejidad geométrica que no corresponde con las formas estandarizadas. Sin embargo, debido a que los equipos de captación son cada vez más potentes y pueden recopilar más información, existe una gran problemática a solventar. El tamaño de los archivos, a veces es desproporcionado, tanto en la captura de datos como en el procesado. No obstante, existen soluciones que pueden paliar este inconveniente en un mayor o menor grado. Se puede recurrir a la generación de elementos complejos mediante curvas y superficies NURBS, manipular valores que minimicen la calidad a cambio de una reducción del tamaño del archivo final. Incluso pueden eliminarse zonas de las nubes de puntos mediante procesos de discretización. (Barazzetti et al., 2015)(Barazzetti et al., 2016) En este último caso existe un gran debate sobre la profundidad geométrica a la que se sebe llegar con tal de representar fidedignamente un elemento constructivo. ¿Cómo de necesario es establecer unos estándares de detalle para el patrimonio constructivo?, ¿Por qué es necesario?, ¿Para qué es necesario? Entre otras cuestiones. Por otra parte, existen investigaciones cuyos objetivos se centran en desarrollar nuevos algoritmos capaces de generar estas geometrías sin perder calidad reduciendo el tamaño de los archivos para que puedan ser tratados en equipos de menor rendimiento (Tang et al., 2010)(Bagnolo et al., 2019). En este escrito y, de manera general, se pretende analizar soluciones en un entorno patrimonial, como es la fachada principal de La Casa de Pilatos en Sevilla. Además, deben ofrecer una mejora en la precisión de los elementos creados sin comprometer demasiado el manejo y uso posterior que se le pueda dar a los archivos. Pág. 6 2. Antecedentes Se pretende seguir la línea de investigación comenzada con el tholos de La Pastora, en Valencina de la Concepción, Sevilla, sobre recuperación virtual del patrimonio mediante técnicas de escáner láser y fotogramétricas y posterior modelado a través de programas con metodología BIM y que finalizó con la confección de un artículo (Moyano, Odriozola, et al., 2020). No obstante esta temática de recuperación patrimonial a través de estas técnicas ha sido estudiada por numerosos grupos científicos (Bosco et al., 2019)(Guarnieri et al., 2006)(D Oreni et al., 2013)(Barazzetti et al., 2016)(Brumana et al., 2020) En este caso, el objeto de estudio será la fachada donde se ubica la entrada principal de la Casa de Pilatos en Sevilla. 3. Estado de la cuestión 3.1 Casa de Pilatos En el centro de Sevilla se encuentra el Palacio de San Esteban, comúnmente conocido como La Casa de Pilatos. El cuál es un edificio de carácter residencial cuyo origen se encuentra entre los años 1483 y 1505 y que actualmente se encuentra dentro de la oferta turística de la ciudad. Este edificio está ubicado en el casco antiguo y presenta una heterogeneidad de estilos constructivos correspondientes al almohade, al gótico, al mudéjar, al nazarí y al renacentista. El objeto de estudio de este trabajo es la fachada cuyo origen se estima a partir del período correspondiente entre marzo de 1490 y agosto de 1491. Está formada por una gran pared de ladrillo, de estilo mudéjar. Rematada con una crestería gótica y un gran vano central que daba acceso a la vivienda. En 1528 se incorporó la portada de mármol genovés que actualmente sigue en pie. (Aranda Bernal, 2011) En cuanto a dimensiones se refiere, la fachada presenta unas características acordes a la categoría del inmueble. El largo de esta se encuentra en torno a los 20 metros mientras que su altura apura los 9 metros. Figura 1. Fachada Casa de Pilatos. “Entrada principal, de estilo renacentista, realizada por el artista italiano Antonio Aprile, en 1529” Wikipedia. Recuperado de https://es.wikipedia.org/wiki/Casa_de_Pilatos_(Sevilla)#/media/Ar chivo:Casa_pilatos_2018002.jpg Pág. 7 3.2 Procesos metodológicos Las técnicas de adquisición de datos tipo TLS o SfM son realmente útiles en cuanto al modelado BIM de nueva construcción se refiere. Sin embargo, cuando se trabaja en emplazamientos patrimoniales pueden aparecer, de manera previsiva, aspectos que pueden mermar la experiencia del usuario que recibe el modelo final tras uno o varios procesos de digitalización. Por supuesto, se habla del tamaño de los archivos. Si bien es cierto que quien normalmente elabora estos modelos son técnicos que poseen equipos informáticos de altas prestaciones. No obstante, se debe ser consecuente con el producto final y su público por lo que hay que preguntarse a quién va dirigido el modelo. Esta pregunta puede resolverse de distintos métodos. Uno de ellos es mediante la profundidad de detalle, tanto visual como semántica de un modelo. Estas se establecen según los niveles de desarrollo (LOD). A medida que se aumenta el LOD, más calidad geométrica suele aparecer y, por consiguiente, más información documentada debería existir del elemento modelado. Se podría considerar lo anteriormente visto como una manera de reducir el peso de los archivos. No obstante, esto solo sería aplicable para proyectos que no requieran de una extremada precisión. Para estos casos existen otros métodos que se aplican en escenarios patrimoniales como puentes, fortalezas, murallas, anfiteatros, edificios de culto religioso, etc. Estos inmuebles presentan formas heterogéneas y no estandarizadas que requieren de un proceso de modelado complejo. Entre estos métodos se encuentra la conformación de curvas y superficies con NURBS (Barazzetti et al., 2016) (Barazzetti et al., 2015) o la segmentación de nubes de puntos (Moyano et al., 2020) (Pierdicca et al., 2020), entre otros. Estos métodos pueden ayudar a realizar un modelado fidedigno sin comprometer el futuro uso que se les dé a los archivos. 3.2.1 Curvas y superficies NURBS En lo que se refiere a elaborar formas complejas de objetos en plataformas BIM se ha estado utilizando como una de las primeras opciones las operaciones booleanas. Este conjunto de operaciones resulta útil cuando se trata de formas estandarizadas o incluso en algunos elementos patrimoniales (Moyano et al. 2020). Sin embargo, cuando se exige un poco más de precisión puede generar resultados arbitrarios. Cuando ocurre esto y el modelo pesa bastante, se suele recurrir a las NURBS. Pág. 8 Las NURBS son funciones matemáticas definidas de manera paramétrica que pueden ser manipuladas mediante modificaciones de sus puntos de control (Barazzetti et al., 2015). Estas se originaron a finales de los 60 y principios de los 70 por Pierre Bézier y son imprescindibles a la hora de crear cascos de barcos y delimitar las formas libres de los automóviles mediante el diseño asistido por ordenador (Rogers, 2001). Sin embargo, hoy en día es bastante utilizado por autores en HBIM. Así se puede encontrar objetos elaborados con NURBS como bóvedas (Barazzetti et al., 2015) o basílicas (Daniela Oreni et al., 2014) en entornos patrimoniales. 3.2.2 Discretización de la nube de puntos La discretización, o decimación, de la nube de puntos consiste en la consecución de una nube de puntos a partir de otra. Lo que realmente se hace es un agrupamiento de los puntos más cercanos entre sí. Esto permite reducir a unos pocos puntos un gran conjunto de aquellos que presenten similares características (Shi et al., 2011). Este método se ha venido utilizando en SIG (Sistemas de Información Geográfica) debido a que se encuentran muchos puntos en escalas de tamaño muy reducidas. Sin embargo, también se ha venido utilizando en el ámbito patrimonial recientemente (Andriasyan et al., 2020), (Murtiyoso & Grussenmeyer, 2020). Hay aplicaciones que han sido desarrolladas para que la producción paramétrica de los objetos sea más fácil y más precisa. (Garagnani & Manferdini, 2013). 3.2.3 Niveles de desarrollo (LOD) Como se mencionó anteriormente, existe otra manera de poder establecer calidades visuales acorde a lo que se pretende demostrar sin perder detalles importantes. En este sentido la escala LOD es imprescindible para acotar la envergadura de un proyecto y así realizar un modelado de una u otra manera. Es cierto que no se trata de una metodología como tal. No obstante, es un aliado ante proyectos de grandes dimensiones, pero en el que se quieren destacar ciertos detalles. Por ejemplo, existen artículos que modelan una ciudad mediante distintos LOD, dependiendo de sí se está hablando de un barrio entero o de un edificio, en concreto, de ese barrio (Colucci et al., 2020). Incluso dentro de un edificio, cuando es posible descomponerlo en distintas visualizaciones a cada cual más detallada que la anterior (Gröger & Plümer, 2012). Pág. 15 Otros estudios proponen que, dada una nube de puntos, esta se segmente en determinados grupos de vóxeles que formen objetos dependientes de clases (Poux & Billen, 2019). Figura 8 . Voxelización. “(a) Estructura de rejilla de vóxeles uniforme 3D; (b) un vóxel y los puntos ubicados en él; y (c) un punto estimado restante después de la reducción de datos” Wang et al. (2015). Automatic BIM component extraction from point clouds of existing buildings for sustainability applications. Recuperado de https://doi.org/10.1016/j.autcon.2015.04.001 Pág. 16 4. Objetivos 1. Analizar distintos métodos de segmentación semántica. 2. Encontrar una metodología capaz de identificar elementos constructivos en entornos patrimoniales sin necesidad de adentrarse de lleno en la programación computacional. 3. Exportar esos elementos y categorizarlos en un entorno BIM. 4. Elaborar comparativas para poder evaluar el método usado. 5. Hipótesis de partida El punto de partida de este trabajo tiene su origen en 2018, cuando se empezó a trabajar sobre la recuperación virtual en el tholos de La Pastora, en Valencina de La Concepción, en Sevilla Debido a ese trabajo, ya existe un aprendizaje previo en las técnicas de recuperación virtual, como es el escáner láser y un conocimiento del software CloudCompare. 6. Metodología La metodología de trabajo empleada queda manifiesta en las siguientes 4 etapas. 6.1 Búsqueda de información La búsqueda de la bibliografía usada se ha centrado principalmente a través de internet priorizando en los artículos empíricos. Las páginas de búsqueda utilizadas han sido las siguientes: - Google académico. El motor de búsqueda de Google mediante el cual se ha accedido a casi la totalidad de las revistas científicas: o ResearchGate. Es la red de trabajo profesional para científicos e investigadores. En ella se puede descubrir, compartir y debatir. Es una red de acceso libre para conectar el mundo científico. o Elsevier. La mayor editorial científica del mundo centrada en ciencia avanzada, tecnología y salud. o MDPI. Esta editorial promueve la libre circulación de textos científicos en cualquier formato de todas las disciplinas científicas mediante el apoyo a las instituciones académicas. El contenido se distribuye mediante la licencia Creative Commons. - Depósito de Investigación (Universidad de Sevilla). Para la recopilación de los trabajos de fin de grado y masters. - Fama. La biblioteca de la Universidad de Sevilla. Pág. 17 6.2 Realización de los trabajos en campo En mayo de 2019, una expedición conformada por los profesores del departamento de Expresión Gráfica Dr. Juan José Moyano Campos y Dr. Juan Enrique Nieto Julián y un servidor se movilizó para recoger la toma de datos en la fachada principal de la Casa de Pilatos, en Sevilla. Más tarde se incorporaría la profesora del departamento de Ingeniería Gráfica, Dra. Elena cabrera Revuelta. En un principio este trabajo de campo fue realizado para un estudio centrado en la precisión de la fotogrametría para la recuperación virtual en entornos patrimoniales. (Moyano, Nieto-Julián, et al., 2020) No obstante, también se usaron los datos recogidos para la confección de este trabajo. En él se realizaron tres sesiones para captar la nube de puntos. Uno con el escáner láser terrestre Leica BLK360, otro mediante una combinación dual de las cámaras fotográficas Canon EOS E600D y Canon EOS E650D para realizar la sesión estereoscópica y finalmente una sesión con una cámara Nikon D50. Las especificaciones del equipo de escaneado láser utilizado se muestran a continuación. LEICA BLK 360 Wavelength 830 nm Field of view 360º (horizontal) / 300º (vertical) Range Min. 0.6 – up to 60 m Point measurement rate Up to 360000 pts / sec Ranging accuracy 4mm @ 10m / 7mm @ 20m 3D point accuracy 6mm @10m / 8mm @ 20m Figura 9. “Instrumental utilizado para la realización de la sesión estereoscópica”. Imagen del autor Pág. 18 Para el posterior trabajo realizado en gabinete se utilizó solo dos de las tres sesiones. La realizada con el Leica BLK 360 y aquella hecha con la cámara Nikon 50D. Esta última llegó a realizarse gracias a las 79 imágenes con las que se fotografiaron la fachada. A parte del equipo de captación de datos, tambíen se utilizaron pegatinas a modo de dianas para agrupar las nubes de puntos en los procesos posteriores en gabinete. 6.3 Realización de los trabajos en gabinete Tras realizar la agrupación de las nubes capturadas a través del láser escáner y después del filtrado de los elementos innecesarios, denominados ruido, mediante el software Leica Cyclone 9.2.1. (Leica Geosystems, 2018), se obtiene la nube de puntos para el posterior tratado en el software CloudCompare v2.10.2 (Zephyrus) (Girardeau-Montaut, 2003). Este filtrado corrió a cargo del profesor Dr. Juan Enrique Nieto Julián. De manera similar, la generación de la nube de puntos obtenida a través de la fotogrametría fue realizada mediante el programa Agisoft Metashape 1.5.2 (Agisoft LLC, 2019), anteriormente conocido como PhotoScan. Esta labor fue realizada por el profesor Dr. Juan José Moyano Campos. Además de estos softwares. Se han empleado también, especialmente, el plugin Canupo 1 , que se encuentra dentro de CloudCompare. Así como el software de modelado BIM ArchiCAD 22. 1 Plug-in Canupo para clasificación de elementos en nubes de puntos en CloudCompare. Recuperado de https://www.cloudcompare.org/doc/wiki/index.php?title=CANUPO_(plugin) Figura 10. “Pegatinas colocadas a modo de dianas para la posterior agrupación de las nubes de puntos”. Imagen de la profesora Dra. Elena Cabrera Revuelta Pág. 19 7. Desarrollo del trabajo 7.1 Proceso de automatización Figura 11. “Flujo de trabajo”. Imagen del autor. Pág. 20 El paso siguiente fue trasladar lo realizado en campo a gabinete. Así pues, se cargaron las nubes, tanto de la fachada en SfM como en TLS, en una misma ventana de CloudCompare. Tras esto se procede a la realización del proceso de alineación mediante el comando FINE REGISTRATION. El proceso dura 8 segundos y ofrece un RMS de 0.104308, calculado para 50000 puntos. El RMS es la media de las distancias de los pares de puntos entre las dos nubes de puntos. A modo de ejemplo, si tomamos un punto de la nube realizada por fotogrametría, este tendrá su homólogo, que es el más cercano, en la otra nube realizada por el láser escáner. Entre estos puntos existe una distancia y el RMS es la media de estas distancias. En este caso existe una distancia media de 10 cm entre los puntos que componen las dos fachadas. A continuación, se elimina el “ruido” todavía apreciable, como señales de tráfico, cámaras de seguridad, cables y alumbrado que no se eliminó en el software Leica Cyclone. En esto caso se procederá a ocultarlo en una capa distinta. Finalmente quedan unas nubes de 38.180.217 puntos para el láser escáner y de 23.125.599 para la fotogrametría. Después de realizar esto se volvió a hacer el registro fino. En este caso dio un RMS de 0.0668544 para 50000 puntos y un tiempo de procesado de 7,6 segundos. En este caso, y tras el borrado de los elementos que no interesaban, el software registró una media de 6’7 cm entre los puntos de las dos fachadas. El objetivo de estas alineaciones es meramente organizativo e incluso para dejar preparado el terreno para posibles pruebas futuras que requieran que las nubes estén alineadas. Pasando a la parte más experimental y como se mencionó en apartados anteriores, según la naturaleza estratégica y las ayudas que pueda recibir el sistema de aprendizaje, este se puede clasificar en varios tipos de aprendizaje. En el caso de Canupo, el sistema corresponde al sistema supervisado, citado anteriormente. Esto es debido a que es necesario proporcionar al sistema de ejemplos como datos de entradas para que aprenda (Moreno et al., 1994). Figura 12. “Alineación de las dos fachadas en SfM y TLS”. Imagen del autor. Pág. 21 En un primer momento se realizaron pruebas para conocer el plug-in Canupo. Estas no tenían un carácter evaluador por lo tanto no se incorporaron en la recogida de datos que aparece al final de este apartado y con razón, puesto que tendrían errores. A partir de aquí, y aunque hubiese un conocimiento previo del software, se cometieron varios errores de comprensión sobre como trabajaba el plug-in. Este necesita un entendimiento previo de los elementos que va a tratar, por lo que se requiere una especie de preparación o entrenamiento, el cuál se consigue mediante una segmentación manual de los elementos que se pretenden clasificar. Este fue el primer error cometido. El software solo es capaz de distinguir un material por cada clasificación realizada y la primera prueba que se quiso hacer fue identificar varios elementos que no pertenecían a la fachada de ladrillo como tal. Esto se puede observar en la figura 17, en la que aparecen dos colores. Esta prueba podría ser válida, más o menos, si el criterio para discernir los elementos hubiera sido el destacar un único material sobre todos los demás. Más abajo se detalla el procedimiento para elaborar un entrenamiento y una clasificación en Canupo referido a la primera prueba. El procedimiento tomado fue correcto pero el criterio a la hora de elegir los materiales fue erróneo, haciendo que la prueba careciese de valor estadístico. No obstante, esto sirvió para aprender a utilizar el programa. Así pues: Se escogió la nube del láser escáner terrestre para esta sesión y se formaron dos grupos de nubes de puntos. Aquella que comprenden todos los elementos segmentados manualmente y otra con el resto de la fachada. (Este es el error principal. Debería haberse segmentado el único tipo de material que se quisiera y la otra segmentación debería ser el resto de materiales que componen la fachada) Figura 13. “Elementos que forman parte de la fachada de la Casa de Pilatos para su posterior clasificación”. Imagen del autor. Pág. 22 Una vez obtenidas ambas nubes de puntos, el siguiente paso fue “entrenar” al programa. En la ventana, en la cual se muestran los datos necesarios para entrenar al programa, aparecen las nubes elaboradas en los pasos anteriores. Como resultado del entrenamiento, el software proporciona un archivo, el cuál debe ser seleccionado con posterioridad para conseguir la clasificación automática. Este archivo tiene la extensión “.prm”. El hacer esto, además, permite ver el grado de certeza que se ha conseguido. En este caso se obtuvo para la fachada completa con identificación de los elementos generales más visibles una precisión del 78’27% (Este dato no hay que tenerlo en cuenta en esta prueba por lo citado anteriormente) Figura 14. “Entrenamiento del Plug-in Canupo en CloudCompare”. Imagen del autor. Figura 15. “Estadísticas del entrenamiento de la segmentación automática en la fachada”. Imagen del autor Pág. 23 Tras la obtención de este se procedió a la realización de la segmentación a través del módulo “Classify”. El cuál pide que carguemos el archivo “.prm” del entrenamiento. Una vez obtenido, el software muestra un campo escalar de colores representando aquellos elementos segmentados. Otra de las vistas que proporciona el software es la de la precisión obtenida. En este caso se ve reflejada con una amplia variedad cromática siendo las zonas de tonos más cálidos las más precisas. Figura 16. "Módulo de clasificación de Canupo". Imagen del autor Figura 17. "Clasificación automática mediante Canupo". Imagen del autor Pág. 24 La siguiente prueba fallida, en la cual se descubrió el error cometido, fue en la obtención de las partes que conforman el retablo situado en la parte izquierda de la fachada. En un primer momento se pensó, teniendo como referencia la anterior prueba, que no parecía bastante potente el programa. Así pues, se dividió manualmente el retablo en tantas partes como cambios estratigráficos se podían observar para que reconociera mejor los elementos. En este caso y a partir de ahora la nube de puntos que se utilizará es la correspondiente a la sesión fotogramétrica. Esto se debe principalmente al tamaño del objeto estudiado, que es significativamente menor que la fachada entera. Además de que la fotogrametría ofrecía un contraste más claro y con colores más realistas que el láser escáner. Figura 18. “Porcentaje de confianza visual de la segmentación automática realizada mediante el plug-in Canupo”. Imagen del autor Figura 19. "Elementos individuales realizados mediante segmentación manual". Imagen del autor. Pág. 31 Del mismo modo que en el banco de pruebas anterior, en este también se expondrán porcentajes para ver los puntos clasificados en cada prueba. En este caso, los porcentajes son: El tercer banco de pruebas fue adjudicado al retablo que se encuentra en el lado izquierdo de la fachada. En este se pretendía distinguir la cruz sobre todos los demás elementos. Los resultados son los siguientes: Survey Classified (%) 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 Marble wood No classified Figura 28. “Pruebas E y F. Clasificación de puntos en la portada de mármol y madera”. Imagen del autor. Figura 29. “Pruebas G y H. Clasificación mediante Canupo. Los puntos rojos representan la cruz mientras que los azules representan los demás elementos”. Imagen del autor G H Pág. 32 En el cuadro de abajo se exponen las medidas elegidas para este banco de pruebas. Además de las gráficas que complementan la evaluación de este banco de pruebas. Min. Distance (m) Step (m) Max. Distance (m) Survey G 0,01 0,025 0,5 Survey 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 Survey Balanced accuracy Figura 30. “Pruebas G y H. Precisión obtenida en cada prueba del retablo. Muestreo sobre 10.000 puntos del elemento de estudio”. Imagen del autor. 10 295 3 21 G H TIME IN SECONDS SURVEY PROCESS TIME Training Classifier Figura 31. “Pruebas G y H. Tiempo de procesado para cada prueba del entrenamiento y de la clasificación con Canupo en el retablo”. Imagen del autor. Pág. 33 De nuevo se exponen los porcentajes para ver los puntos clasificados en cada prueba. En este caso, los porcentajes son: Survey Classified (%) 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 others alt Figura 32. “Pruebas G y H. Clasificación de puntos del retablo”. Imagen del autor. Pág. 34 7.3 Comparativas Para verificar los resultados obtenidos se ha realizado una segmentación manual en la cual se encuentran todos los puntos pertenecientes a la puerta de madera. Para ello se ha recurrido a la creación de un campo escalar para clasificar todos los puntos de la fachada mediante los valores en el eje de las “y”, según el sistema de coordenadas de CloudCompare. Posteriormente se ha realizado la sección manual de la puerta a partir del campo escalar. Tras esto se realizó la comparativa entre las pruebas E y F ya que son aquellas en las que mejor se puede comparar elementos destacables, como son las dos hojas de madera que forman la puerta principal. Figura 33. “Campo escalar de toda la fachada”. Imagen del autor. Figura 34. “Campo escalar de la puerta”. Imagen del autor. Figura 35. “Nube de puntos de la puerta”. Imagen del autor. Pág. 35 Hay que decir que únicamente se han cogido aquellos puntos de la clasificación que pertenecían a la puerta; prescindiendo de aquellos que, aunque el software dijera que pertenecían a la puerta, se encontraban en otros elementos. Si se toma como referencia la segmentación manual (que nunca será precisa al 100 %) extraemos que en la prueba E se consigue clasificar un 37,27 % de los puntos. Por otra parte, en la prueba F se consigue acaparar un 46,71 %. Figura 36. “Comparación segmentación manual y survey E”. Imagen del autor. Figura 37. “Comparación segmentación manual y survey F”. Imagen del autor. 945.010 1.184.308 2.535.474 E F MANUAL NUMBER OF POINTS SURVEY DOOR SEGMENTATION Figura 38. “Comparación entre la segmentación manual y las surveys E y F”. Imagen del autor. Pág. 36 7.4 Realización del modelo paramétrico con software BIM. Para finalizar, se quiso realizar un modelo 3D usando las secciones automáticas de Canupo y las manuales. Por desgracia, las de Canupo se desestimaron debido a la insuficiente cantidad de puntos recogidos por el plug-in. No obstante, el modelo segmentado de manera manual si pudo ser elaborado. El procedimiento seguido fue el siguiente. En primer lugar, se realizó una transformación en malla del conjunto de puntos seccionado manualmente de la puerta (Figura 34). Esta malla posteriormente sería importada en el entorno BIM, además del conjunto de puntos que forma la fachada completa. Tras esto, se abrieron dos posibilidades. Una de ellas fue obtener la textura de la malla en un objeto sólido (Automatización del modelo sólido de la puerta) y la otra posibilidad fue realizar la puerta de manera manual. La explicación del proceso de la primera vía se explica en el artículo (Moyano, Odriozola, et al., 2020) que salió de uno de los trabajos de la línea de investigación que se trata en este trabajo final de máster. A modo de resumen, lo que se pretendía realizar es un tipo de sustracción que la malla, por su propia forma, ejerce sobre el sólido. Sin embargo, en este caso el resultado de la primera vía no fue positivo ya que se requería que el modelo sólido (la puerta) estuviera en posición horizontal, es decir tumbado. Ante esta incoherencia, se desechó la idea y se procedió a la segunda y última vía. Esta fue la de elaborar hasta 3 perfiles de hojas de puertas distintos. Tras esto se establecieron como elementos BEAM (vigas), ya que permiten darle profundidad. Además, se le incorporaron semiesferas realizadas con polilíneas y el comando que las revolucionaba, esto sirvió para conformar los remaches de la puerta. Posteriormente se transformaron en elementos forma tanto las hojas de las puertas como los remaches para poder unir estos con sus respectivas puertas y así tener un único elemento entero, en este caso tres elementos, 2 portones y la puerta de acceso pequeña. Figura 39. “Relieve en el objeto sólido en la puerta de la primera posibilidad desechada”. Imagen del autor Pág. 37 Para finalizar se ajustó la visualización para ocultar los contornos de los objetos en ArchiCAD. Esto dio como resultado la imagen siguiente en el que se puede apreciar la nube de puntos de la fachada sin la parte de la puerta y esta recreada de manera manual como se ha explicado más arriba. Figura 40. “Capturas 1,2,3 y 4. Proceso de creación del perfil de la puerta”. Imagen del autor 1 2 3 4 Figura 41. “Fachada principal de la Casa de Pilatos. Nube de puntos para la fachada y objetos sólidos para las puertas”. Imagen del autor Pág. 38 8. Discusión de los resultados La sensación que dieron los resultados de las primeras pruebas (las fallidas) fueron mejores que la de las pruebas reales. A nivel subjetivo podría considerarse que se ha asistido a una especie de experiencia poco gratificante. Este condicionamiento hizo que se esperase mucho más de este plug-in. Aunque los datos muestran grandes resoluciones de precisión, visualmente se aprecia que hay una gran falta de acierto que se agrava en cuanto el modelo es cada vez más pequeño. Si observamos la figura de la clasificación de la fachada completa, la número 21, se pueden intuir varios elementos en color azul como la portada de mármol, el retablo o la cornisa. Dependiendo de los parámetros para cada prueba habrá más o menos contenido de puntos en los correspondientes grupos clasificados. Si continuamos con el siguiente banco de pruebas que era la portada se ve como el grupo correspondiente al mármol, conforme se busca más precisión, acaba absorbiendo los puntos que deberían corresponder al grupo de las puertas de madera (Figura 25). Sin embargo, hay que reconocer que en este ensayo el plugin ha conseguido clasificar más puntos de estas (que era el elemento deseado a clasificar) que el ladrillo en la fachada completa en una escala proporcional. Desafortunadamente, no hay ningún motivo para decir que el tercer banco de pruebas, correspondiente al retablo, haya tenido cierto éxito. En ningún momento fue capaz de clasificar ningún punto perteneciente a la cruz e incluso etiquetó algunos puntos de otras zonas como si fueran de la cruz. Por tanto, aparentemente y con los datos recabados, parece ser que esta herramienta funciona mejor cuanto más grande es el objeto de estudio. De hecho, el ejemplo que toman en el artículo del plug-in tiene una longitud mayor de 10 metros. Por otra parte, una de las piezas más importantes a la hora de tratar estas cantidades de información es el tiempo de procesado, que influye directamente en el rendimiento del operador. Ya sea un técnico especializado en este tipo de software o alguien que lo utilice para casos puntuales, ninguno de ellos quiere perder tiempo esperando cálculos en los que a veces puede dejar el ordenador bloqueado. Así pues, hay que decir que la cantidad de tiempo de procesado que necesita el programa para los resultados obtenidos es inaceptable. Además, por cada prueba se requieren dos tiempos de procesado. Estos tiempos, dependiendo del objeto de estudio, rondan los 11 o 12 minutos de entrenamiento y 6 y 2 minutos de clasificación para la fachada completa y la portada, respectivamente. El de la fachada podría entenderse. Pero para un porcentaje de puntos clasificados del 64,95 % es simplemente, escaso. Pág. 39 La situación de la portada es mejorable ya que ofrece unos resultados muy pobres. 14 minutos en total para un 61,91 % de puntos clasificados. El caso del retablo podría ser el mejor, según las estadísticas. Casi 5 minutos para un 95,75 % de puntos clasificados. No obstante, como se ha visto anteriormente no clasifica correctamente ninguno de los puntos que se pretendían de la cruz. No todo va a ser malo respecto a esta herramienta. A favor hay que decir que ofrece de manera gratuita un acercamiento al mundo de la programación más compleja sin necesidad de conocimientos avanzados. Esto hace que sea un plug-in estupendo para divulgación y para comenzar en el mundo de la automatización. Es una herramienta con una idea muy buena detrás, que originalmente estaba pensada para identificación de elementos geológicos y topográficos. Sin embargo y dadas las pruebas recopiladas necesita un poco más de potencia para que se pueda usar cómodamente en patrimonio. 9. Conclusiones. 1. Se ha recopilado la información necesaria y suficiente para esclarecer cuáles eran los métodos de automatización más usados y con mejores resultados. 2. Mediante el software CloudCompare y el plug-in Canupo se ha encontrado una metodología de trabajo que, aunque no es del todo compatible ni adecuada a las necesidades del proyecto, ha satisfecho las necesidades más básicas de conseguir procesos de automatización sin adentrarse de lleno en el mundo de la programación informática. 3. Las comparativas mediante gráficas y datos aportados ha conseguido que se evalúe el programa de forma empírica. 4. Aún sin haber conseguido elementos identificables completos, se ha conseguido llevar aquellas nubes de puntos segmentadas automáticamente al entorno BIM a través de ArchiCAD. Pág. 40 10. Futuras líneas de investigación - El empleo de la segmentación semántica ha abierto una nueva vía para la confección de elementos patrimoniales. Profundizar en este método se ve como indispensable ya que facilita a operadores, técnicos y usuarios herramientas que acortan plazos en la realización de subconjuntos de nubes de puntos de manera precisa de los elementos que se pretenden modelar. - Un punto muy importante es la inteligencia artificial y con ella la programación informática. Gracias a ella se ha podido desarrollar esta investigación con Canupo. No obstante, se quedan el tintero otros Plug-in como Dynamo o Grasshopper que pueden contribuir a mejorar sustancialmente este acercamiento a la segmentación automática ya que requieren un poco más de conocimientos informáticos. Pág. 47 Information Sciences, 36(Part 3), W52. https://halshs.archivesouvertes.fr/halshs-00264839 • Brodu, N., & Lague, D. (2012). 3D terrestrial lidar data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology. ISPRS Journal of Photogrammetry and Remote Sensing, 68(1), 121–134. https://doi.org/10.1016/j.isprsjprs.2012.01.006 • Brumana, R., Oreni, D., Barazzetti, L., Cuca, B., Previtali, M., & Banfi, F. (2020). Survey and scan to BIM model for the knowledge of built heritage and the management of conservation activities. In Research for Development (pp. 391–400). Springer. https://doi.org/10.1007/978-3-03033570-0_35 • Bruno, N., & Roncella, R. (2019). HBIM for conservation: A new proposal for information modeling. Remote Sensing, 11(15), 1751. https://doi.org/10.3390/rs11151751 • Brusaporci, S., Maiezza, P., & Tata, A. (2018). A framework for architectural heritage hbim semantization and development. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2), 179–184. https://doi.org/10.5194/isprsarchives-XLII-2-179-2018 • Cantzler, H. (2003). Improving architectural 3D reconstruction by constrained modelling. 1–165. https://era.ed.ac.uk/handle/1842/319 • Colucci, E., de Ruvo, V., Lingua, A., Matrone, F., & Rizzo, G. (2020). HBIM-GIS integration: From IFC to cityGML standard for damaged cultural heritage in a multiscale 3D GIS. Applied Sciences (Switzerland), 10(4), 1356. https://doi.org/10.3390/app10041356 • Coors, V., & Flick, S. (1998). Integrating Levels of Detail in a Web-based 3D-GIS. GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems, Part F1292, 40–45. https://doi.org/10.1145/288692.288701 • Di Giuda, G. M., Pattini, G., Seghezzi, E., Schievano, M., & Paleari, F. (2020). The construction contract execution through the integration of blockchain technology. In Research for Development (pp. 27–36). https://doi.org/10.1007/978-3-030-33570-0_3 • Ding, H., Jiang, X., Shuai, B., Liu, A. Q., & Wang, G. (2020). Semantic Segmentation with Context Encoding and Multi-Path Decoding. IEEE Pág. 48 Transactions on Image Processing, 29, 3520–3533. https://doi.org/10.1109/TIP.2019.2962685 • Fiorillo, F., Jiménez Fernández-Palacios, B., Remondino, F., & Barba, S. (2015). 3d Surveying and modelling of the Archaeological Area of Paestum, Italy. Virtual Archaeology Review, 4(8), 55. https://doi.org/10.4995/var.2013.4306 • Fryskowska, A., & Stachelek, J. (2018). A no-reference method of geometric content quality analysis of 3D models generated from laser scanning point clouds for hBIM. Journal of Cultural Heritage, 34, 95–108. https://doi.org/10.1016/j.culher.2018.04.003 • Garagnani, S., & Manferdini, A. M. (2013). PARAMETRIC ACCURACY: BUILDING INFORMATION MODELING PROCESS APPLIED TO THE CULTURAL HERITAGE PRESERVATION. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-5/W1, 87–92. https://doi.org/10.5194/isprsarchives-xl-5-w187-2013 • Gines, J. L. C., & Cervera, C. B. (2020). Toward Hybrid Modeling and Automatic Planimetry for Graphic Documentation of the Archaeological Heritage: The Cortina Family Pantheon in the Cemetery of Valencia. International Journal of Architectural Heritage, 14(8), 1210–1220. https://doi.org/10.1080/15583058.2019.1597214 • Grilli, E., Menna, F., & Remondino, F. (2017). A review of point clouds segmentation and classification algorithms. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2W3), 339–344. https://doi.org/10.5194/isprsarchives-XLII-2-W3-339-2017 • Grilli, E., & Remondino, F. (2019). Classification of 3D digital heritage. Remote Sensing, 11(7), 847. https://doi.org/10.3390/RS11070847 • Gröger, G., & Plümer, L. (2012). CityGML - Interoperable semantic 3D city models. In ISPRS Journal of Photogrammetry and Remote Sensing (Vol. 71, pp. 12–33). Elsevier. https://doi.org/10.1016/j.isprsjprs.2012.04.004 • Hinks, T., Carr, H., Truong-Hong, L., & Laefer, D. F. (2013). Point Cloud Data Conversion into Solid Models via Point-Based Voxelization. Journal of Surveying Engineering, 139(2), 72–83. https://doi.org/10.1061/(asce)su.1943-5428.0000097 • Iman Zolanvari, S. M., & Laefer, D. F. (2016). Slicing Method for curved façade and window extraction from point clouds. ISPRS Journal of Pág. 49 Photogrammetry and Remote Sensing, 119, 334–346. https://doi.org/10.1016/j.isprsjprs.2016.06.011 • Jung, J., Hong, S., Jeong, S., Kim, S., Cho, H., Hong, S., & Heo, J. (2014). Productive modeling for development of as-built BIM of existing indoor structures. Automation in Construction, 42, 68–77. https://doi.org/10.1016/j.autcon.2014.02.021 • Llamas, J., Lerones, P. M., Medina, R., Zalama, E., & Gómez-GarcíaBermejo, J. (2017). Classification of architectural heritage images using deep learning techniques. Applied Sciences (Switzerland), 7(10), 992. https://doi.org/10.3390/app7100992 • López, F. J., Lerones, P. M., Llamas, J., Gómez-Garcia-Bermejo, J., & Zalama, E. (2018). Linking HBIM graphical and semantic information through the Getty AAT: Practical application to the Castle of Torrelobatón. IOP Conference Series: Materials Science and Engineering, 364(1). https://doi.org/10.1088/1757-899X/364/1/012100 • Macher, H., Landes, T., & Grussenmeyer, P. (2017). From point clouds to building information models: 3D semi-automatic reconstruction of indoors of existing buildings. Applied Sciences (Switzerland), 7(10). https://doi.org/10.3390/app7101030 • Moyano, J. J., Barrera, J. A., Nieto, J. E., Marín, D., & Antón, D. (2017). A GEOMETRICAL similarity pattern as an experimental model for shapes in architectural heritage: A case study of the base of the pillars in the cathedral of seville and the church of santiago in Jerez, Spain. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2W3), 511–517. https://doi.org/10.5194/isprs-archives-XLII-2-W3-511-2017 • Moyano, J., Nieto-Julián, J. E., Bienvenido-Huertas, D., & Marín-García, D. (2020). Validation of Close-Range Photogrammetry for Architectural and Archaeological Heritage: Analysis of Point Density and 3D Mesh Geometry. Remote Sensing, 12(21), 3571. https://doi.org/10.3390/rs12213571 • Moyano, J., Odriozola, C. P., Nieto-Julián, J. E., Vargas, J. M., Barrera, J. A., & León, J. (2020). Bringing BIM to archaeological heritage: Interdisciplinary method/strategy and accuracy applied to a megalithic monument of the Copper Age. Journal of Cultural Heritage. https://doi.org/10.1016/j.culher.2020.03.010 • Murtiyoso, A., & Grussenmeyer, P. (2020). Virtual disassembling of historical edifices: Experiments and assessments of an automatic Pág. 50 approach for classifying multi-scalar point clouds into architectural elements. Sensors (Switzerland), 20(8), 2161. https://doi.org/10.3390/s20082161 • Nathan, A. J., & Scobell, A. (2012). How China sees America. In Foreign Affairs (Vol. 91, Issue 5, pp. 1689–1699). https://doi.org/10.1017/CBO9781107415324.004 • Oreni, D., Brumana, R., Banfi, F., Bertola, L., Barazzetti, L., Cuca, B., Previtali, M., & Roncoroni, F. (2014). Beyond Crude 3D Models: From Point Clouds to Historical Building Information Modeling via NURBS (pp. 166–175). https://doi.org/10.1007/978-3-319-13695-0_16 • Oses, N., Dornaika, F., & Moujahid, A. (2014). Image-based delineation and classification of built heritage masonry. Remote Sensing, 6(3), 1863– 1889. https://doi.org/10.3390/rs6031863 • Parrinello, S., Bercigli, M., & Bursich, D. (2017). From survey to 3d model and from 3d model to “videogame”. The virtual reconstruction of a Roman Camp in Masada, Israel. DISEGNARECON, 10(19). http://disegnarecon.univaq.it • Peña-Villasenín, S., Gil-Docampo, M., & Ortiz-Sanz, J. (2020). Desktop vs cloud computing software for 3D measurement of building façades: The monastery of San Martín Pinario. Measurement: Journal of the International Measurement Confederation, 149, 106984. https://doi.org/10.1016/j.measurement.2019.106984 • Peña-Villasenín, S., Gil-Docampo, M., & Ortiz-Sanz, J. (2019). Professional SfM and TLS vs a simple SfM photogrammetry for 3D modelling of rock art and radiance scaling shading in engraving detection. Journal of Cultural Heritage, 37, 238–246. https://doi.org/10.1016/j.culher.2018.10.009 • Pierdicca, R., Paolanti, M., Matrone, F., Martini, M., Morbidoni, C., Malinverni, E. S., Frontoni, E., & Lingua, A. M. (2020). Point cloud semantic segmentation using a deep learning framework for cultural heritage. Remote Sensing, 12(6), 1005. https://doi.org/10.3390/rs12061005 • Pocobelli, D. P., Boehm, J., Bryan, P., Still, J., & Grau-Bové, J. (2018). Building information models for monitoring and simulation data in heritage buildings. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2), 909–916. https://doi.org/10.5194/isprs-archives-XLII-2-909-2018 Pág. 51 • Porras Díaz, H., Cáceres Jiménez, J. J., & Gallo Lancheros, E. O. (2014). Modelos urbanos tridimensionales generados a partir de nubes de puntos de un escáner láser terrestre. Revista Tecnura, 18(41), 134. https://doi.org/10.14483/udistrital.jour.tecnura.2014.3.a10 • Poux, F., & Billen, R. (2019). Voxel-based 3D Point Cloud Semantic Segmentation: Unsupervised geometric and relationship featuring vs deep learning methods. ISPRS International Journal of Geo-Information, 8(5), 213. https://doi.org/10.3390/ijgi8050213 • Pu, S., & Vosselman, G. (2009). Knowledge based reconstruction of building models from terrestrial laser scanning data. ISPRS Journal of Photogrammetry and Remote Sensing, 64(6), 575–584. https://doi.org/10.1016/j.isprsjprs.2009.04.001 • Qi, C. R., Su, H., Mo, K., & Guibas, L. J. (2017). PointNet: Deep learning on point sets for 3D classification and segmentation. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 77–85. https://doi.org/10.1109/CVPR.2017.16 • Ripperda, N., & Brenner, C. (2009). Application of a Formal Grammar to Facade Reconstruction in Semiautomatic and Automatic Environments. 12th AGILE International Conference on Geographic Information Science, 1, 1–12. http://www.ikg.unihannover.de/agile/fileadmin/agile/paper/44.pdf • Sánchez, J., Marrodán, S., & Quirós, E. (2014). Reconocimiento y clasificación automática de materiales en fachadas. I Congreso Internacional Sobre Investigación En Construcción y Tecnología Arquitectónicas. https://www.researchgate.net/publication/265020155_Reconocimiento_y _clasificacion_automatica_de_materiales_en_fachadas?channel=doi&lin kId=545282e70cf26d5090a37569&showFulltext=true • Sanjuán, L. G., Jiménez, J. M. V., Puro, L. M. C., Caramé, M. E. C., DíazGuardamino Uribe, M., Díaz-Zorita Bonilla, M., Flores, Á. F., Pérez, V. H., Aldana, P. M. L., Izquierdo, E. M., Pando, A. P., Vidal, J. R., Wheatley, D., Ramsey, C. B., Delgado-Huertas, A., Dunbar, E., González, A. M., Bayliss, A., Beavan, N., … Whittle, A. (2018). Assembling the dead, gathering the living: Radiocarbon dating and bayesian modelling for copper age valencina de la concepcioón (Seville, Spain). Journal of World Prehistory, 31(2), 179–313. https://doi.org/10.1007/s10963-018-9114-2 • Shi, B. Q., Liang, J., & Liu, Q. (2011). Adaptive simplification of point cloud using k-means clustering. CAD Computer Aided Design, 43(8), 910–922. https://doi.org/10.1016/j.cad.2011.04.001 Pág. 52 • Song, H., & Feng, H. Y. (2008). A global clustering approach to point cloud simplification with a specified data reduction ratio. CAD Computer Aided Design, 40(3), 281–292. https://doi.org/10.1016/j.cad.2007.10.013 • Stathopoulou, E. K., & Remondino, F. (2019). SEMANTIC PHOTOGRAMMETRY – BOOSTING IMAGE-BASED 3D RECONSTRUCTION WITH SEMANTIC LABELING. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W9, 685–690. https://doi.org/10.5194/isprs-archivesXLII-2-W9-685-2019 • Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques. In Automation in Construction (Vol. 19, Issue 7, pp. 829–843). Elsevier B.V. https://doi.org/10.1016/j.autcon.2010.06.007 • Tortosa, J. A. H., Fuentes, D. T., Cereceda, M. L., & Berrio, Y. S. (2017). The façade of the church of nuestra señora de la asunción in biar (Spain): From point cloud to HBIM. In WIT Transactions on the Built Environment (Vol. 169, pp. 69–77). WITPress. https://doi.org/10.2495/BIM170071 • Wang, C., Cho, Y. K., & Kim, C. (2015). Automatic BIM component extraction from point clouds of existing buildings for sustainability applications. Automation in Construction, 56, 1–13. https://doi.org/10.1016/j.autcon.2015.04.001 • Wu, Z., Song, S., Khosla, A., Yu, F., Zhang, L., Tang, X., & Xiao, J. (2015). 3D ShapeNets: A deep representation for volumetric shapes. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 07-12-June, 1912–1920. https://doi.org/10.1109/CVPR.2015.7298801 • Ye, M., Xu, S., & Cao, T. (2020). HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection. 1628–1637. https://doi.org/10.1109/cvpr42600.2020.00170 • Yilmaz, H. M., Yakar, M., Gulec, S. A., & Dulgerler, O. N. (2007). Importance of digital close-range photogrammetry in documentation of cultural heritage. Journal of Cultural Heritage, 8(4), 428–433. https://doi.org/10.1016/j.culher.2007.07.004 • Zolanvari, S. M. I., Laefer, D. F., & Natanzi, A. S. (2018). Threedimensional building façade segmentation and opening area detection Pág. 53 from point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 143, 134–149. https://doi.org/10.1016/j.isprsjprs.2018.04.004 Guías • Guía para la redacción del proyecto fin de grado (2014). Recuperado de http://etsie.us.es/sites/default/files/ficheros/file/PFC/normativa/GU%C3% 8DA_PFG_ETSIE_ACTUALIZADA_SEP_2015.pdf • Zaldúa, M. D. (2019). Guías de la BUS: Bibliografía y citas: APA. Recuperado de http://guiasbus.us.es/bibliografiaycitas/apa • Antonopoulou, S., & Bryan, P. (2017). BIM for Heritage: Developing a Historic Building Information. In Historic England. https://historicengland.org.uk/images-books/publications/bim-for-heritage/ • Building Smart. (2018). GUÍA DE USUARIOS BIM. BIM Aplicado al Patrimonio Cultural. Documento 14. Building Smart. https://www.buildingsmart.es/actividades/grupos-de-trabajo/patrimoniocultural/ Libros • Moreno, A., Armengol, E., Béjar, J., Belanche, L., Cortés, U., Gavaldà, R., Gimeno, J. M., López, B., Martín, M., & Sànchez, M. (1994). Aprendizaje automático. Edicions UPC. https://upcommons.upc.edu/handle/2099.3/36157 • Rogers, D. F. (2001). An Introduction to NURBS. In An Introduction to NURBS. Elsevier. https://doi.org/10.1016/b978-1-55860-669-2.x5000-3 Páginas web • Leica Geosystems. Software Leyca Cyclone 9.2.1. (2018). https://leicageosystems.com/es-es/products/laser-scanners/software/leica-cyclone • Cartografía Digital: Point Cluster en QGIS: agrupación de puntos. (n.d.). Retrieved July 2, 2020, from https://www.cartografiadigital.es/2019/09/point-cluster-en-qgisagrupacion-de.html?m=1 Pág. 54 • “Point Cluster” y el control avanzado de los parámetros de simbología en QGIS. (n.d.). Retrieved July 2, 2020, from https://www.cursosgis.com/point-cluster-y-el-control-avanzado-de-losparametros-de-simbologia-en-qgis/ • ¿Cuál es la diferencia entre el machine learning y el deep learning? (n.d.). Retrieved September 30, 2020, from https://blog.bismart.com/es/diferencia-machine-learning-deep-learning • NeRF: Neural Radiance Fields. (n.d.). Retrieved June 8, 2020, from http://www.matthewtancik.com/nerf • Agisoft LLC. (2019). Agisoft Metashape Professional. July. https://www.agisoft.com/ • Girardeau-Montaut, D. (2003). CloudCompare. https://www.danielgm.net/cc/ • Leica. (2017). Leica blk360 imaging scanner. https://leicageosystems.com/es-es/products/laser-scanners/scanners/blk360 • Leica Geosystems. (2018). Software Leica Cyclone 9.2.1. https://leicageosystems.com/es-es/products/laserscanners/software/leica-cyclone • Rouse, M. (2007). What is voxel? - Definition from WhatIs.com. https://whatis.techtarget.com/definition/voxel Tesis, másteres, proyectos finales de grados… • Cioffi, A. (2019). Propuesta de HBIM aplicando un protocolo novedoso con fusión de técnicas vanguardistas: el caso de la mezquita de Almonaster la Real. Universidad de Sevilla. https://idus.us.es/handle/11441/88091 • Ferrando Mazarro, A. (2019). 3D mesh voxelization Final’s Work Memory Degree in Video Game Design and Development. Universitat Jaume I. http://repositori.uji.es/xmlui/handle/10234/183709