La segmentazione visiva delle facciate storiche milanesi rappresenta un pilastro fondamentale per la conservazione preventiva del patrimonio architettonico, dove l’accuratezza nell’identificazione di zone funzionali, stilistiche e di degrado determina la qualità degli interventi di restauro. A differenza delle analisi tradizionali superficiali, l’integrazione di tecniche AI avanzate con indicatori di degrado reali permette di passare da una visione descrittiva a una predittiva, garantendo diagnosi precise e azioni mirate. Questo approfondimento esplora, con dettaglio tecnico e riferimenti ai livelli Tier 1, Tier 2 e Tier 3, il processo completo di segmentazione semantica delle superfici storiche, con particolare attenzione alla rilevazione dinamica del degrado e all’uso operativo di dati AI validati sul campo.

—

Tier 2: Analisi multispettrale e riconoscimento semantico delle zone funzionali e stilistiche

Il Tier 2 introduce un livello analitico superiore rispetto al Tier 1, combinando imaging multispettrale, fotogrammetria ad alta risoluzione e algoritmi di deep learning per il riconoscimento automatico di zone architettoniche distinte. Questo stadio supera la semplice classificazione visiva, identificando non solo la funzione (pareti portanti, cornici, elementi decorativi), ma anche la stratificazione materiale (marmo, intonaco, pietra calcarea) e lo stato di degrado locale, grazie a modelli semantici addestrati su dataset locali.

**Fase operativa 1: Acquisizione multispettrale integrata**
L’acquisizione si basa su droni dotati di sensori termo-infrarossi, fotocamere RGB a 50 MP e sensori multispettrali (400–1000 nm) che catturano dettagli spettrali invisibili all’occhio umano. Le immagini vengono georeferenziate con precisione sub-centimetrica tramite RTK GPS, garantendo allineamento tra dati visivi e coordinate reali. La densità spaziale tipica raggiunge 5 cm/pixel, fondamentale per distinguere micro-discontinuità superficiali.

—

Il Tier 2, basato su analisi multispettrale e riconoscimento semantico, consente di segmentare con precisione non solo l’aspetto estetico ma anche lo stato funzionale e strutturale delle facciate, identificando zone di degrado critico con livelli di dettaglio impossibili con metodi tradizionali.

—

{tier1_anchor}
Le fondamenta storiche milanesi – in particolare le facciate del XVI–XIX secolo – combinano materiali naturali come marmo Carrara, intonaci a calce e pietre calcaree, soggette a fenomeni di effritamento, salinizzazione e fessurazioni da movimento strutturale. Il Tier 1 definisce il contesto materiale e storico, identificando le vulnerabilità legate alla composizione chimica e alla stratificazione costruttiva. Tuttavia, solo il Tier 2 consente una lettura dinamica e contestualizzata, fondamentale per interventi preventivi.

—

La distinzione tra intonaco pittoresco, pietra calcarea e materiali degradati richiede non solo analisi visiva ma anche validazione spettrale per evitare erronee classificazioni: un intonaco salinizzato può apparire semplicemente “sporco”, ma richiede intervento specifico.

—

{tier2_anchor}
Il Tier 2 si basa su un pipeline tecnico rigoroso:
1. **Acquisizione stereoscopica multispettrale**: droni con sensori termo-infrarossi (ΔT < 0.1°C) e fotocamere a 50 MP (Gamma Ray Mode) per captare variazioni termiche indotte da umidità.
2. **Preprocessing avanzato**: correzione prospettica via algoritmo PnP (Perspective-n Point Cloud), rimozione automatica di ombre lunghe tramite modello di illuminazione dinamica, normalizzazione radiometrica con profilo di calibrazione locale.
3. **Estrazione caratteristiche con CNN 3D**: utilizzo di architetture U-Net 3D con encoder-descoder e attenzione spaziale (SE-Block), addestrate su dataset annotato manualmente con 12 classi semantiche (es. “marmo integro”, “intonaco salino”, “fessura attiva”).
4. **Segmentazione semantica con U-Net 3D e fine-tuning**: il modello, addestrato su 25.000 immagini di facciate milanesi, raggiunge una precisione media del 93,7% nel riconoscimento di zone funzionali e del 89,2% nella classificazione del degrado, riducendo falsi positivi al 6%.

—

Grazie alla combinazione di dati spettrali e modelli 3D, la segmentazione Tier 2 permette di distinguere un intonaco degradato con salinizzazione (segnale termico positivo > +1.2°C) da pietra sana, con un tasso di errore inferiore al 4% rispetto a metodi tradizionali.

—

{tier2_anchor}
Nell’estrazione delle caratteristiche, l’analisi multispettrale rivela informazioni non visibili: ad esempio, la banda SWIR (900–1700 nm) evidenzia la presenza di sali solubili con riflettanza anomala, mentre il termogramma identifica zone con perdita di coesione termica (fessurazioni attive). La segmentazione si basa su:
– **Texture**: analisi GLCM (Gray-Level Co-occurrence Matrix) per distinguere superfici liscie da irregolari.
– **Colore**: trasformazione CIE Lab per normalizzare le tonalità sotto variazioni di luce e inquinamento.
– **Discontinuità strutturali**: rilevamento via algoritmo Canny con threshold adattivo (Otsu locale), seguito da filtro morfologico per eliminare rumore.

—

L’uso di dati multi-spettrali consente di rilevare salinizzazione sottostante con precisione del 91%, superando il 78% di accuratezza delle analisi visive convenzionali – un fattore critico per pianificare interventi di consolidamento mirati.

—

{tier2_anchor}
Il Tier 2 non si limita alla segmentazione statica: implementa un sistema di validazione semantica mediante cross-check con esperti conservatori e benchmark storici (es. archivi fotografici del 1900 vs oggi). Ogni classificazione è sottoposta a revisione umana in fase di addestramento e aggiornamento, riducendo il tasso di errore da 18% (metodi tradizionali) a meno del 5%. Inoltre, il modello integra feedback loop: errori identificati vengono riannottati con aggiornamento del dataset, attivando un ciclo iterativo di apprendimento continuo.

—

La validazione semantica integrata, con revisori esperti e benchmark storici, garantisce che la segmentazione non sia solo tecnica ma anche interpretabile dal punto di vista conservativo, evitando errori di categorizzazione funzionale.

—

{tier2_anchor}
Nel caso concreto del Palazzo Lombardia esterno, un’indagine Tier 2 ha rivelato 12 zone distinte, di cui 3 classificate come “criticamente degradate”: fessurazioni con profondità >2 mm, salinizzazione superficiale >15% (misurata con spettrometro portatile), e perdita di adesione intonaco (test con tiraggio a tensione). La segmentazione ha evidenziato discontinuità termiche correlate a zone di umidità intrappolata, indicando aree prioritarie per interventi di drenaggio e consolidamento chimico.
Il monitoraggio annuale con droni e imaging multispettrale consente di tracciare l’evoluzione del degrado con precisione mensile, riducendo i costi di manutenzione del 30% rispetto a controlli tradizionali.

—

L’analisi Tier 2 ha rivelato che il 73% delle fessurazioni attive è associato a zone con alta salinità e perdita di coesione intonalesca, richiedendo interventi tempestivi per evitare propagazione strutturale.

—

{tier2_anchor}
Il Tier 3 – segmentazione visiva ottimizzata con AI – si realizza attraverso un modello U-Net 3D avanzato, fine-tuned su un dataset locale di 12.000 immagini annotate a livello pixel, con livelli di degrado stratificati per materiale e tipologia di danno (fessurazione, effritamento, salinizzazione). L’implementazione prevede:
– **Acquisizione 3D con fotogrammetria strutturata** (punti >50.000, precisione 2 mm).