Semantic segmentation supports the use of building point clouds in documentation and modelling, but removing unrelated points can also eliminate small objects of interest. This thesis investigates Random Forest workflows for removing non-target points while preserving useful building information through three case studies. At San Benedetto Po, experiments examine data preparation, class definitions and multiscale geometric features, identifying practical requirements for a consistent classification workflow. At Palazzo Ducale, architectural classification is combined with probability and spatial filtering. Evaluation shows that probability filtering improves the accuracy of retained points at the cost of losing genuine building points. In a hospital interior, ceiling-luminaire segmentation combines two-dimensional colour information with three-dimensional geometric features. Existing survey colour marks locate candidate regions, within which Random Forest classification and group-based selection separate luminaire points from surrounding points. Compared with direct point classification, this workflow improves precision and the F1 score. Manual inspection confirms that all ceiling luminaires in the studied dataset retain points in the final output, although their surfaces may be incomplete. Together, the case studies demonstrate the need to assess both point-level classification performance and the retention of useful objects when designing building point cloud workflows. Applicability to other buildings and object categories requires further evaluation.

La segmentazione semantica favorisce l’impiego delle nuvole di punti degli edifici nella documentazione e nella modellazione, ma la rimozione di punti estranei può comportare anche la perdita di piccoli oggetti di interesse. Questa tesi indaga, attraverso tre casi studio, flussi di lavoro basati su Random Forest per rimuovere i punti non appartenenti alle categorie di interesse, preservando le informazioni utili sull’edificio. A San Benedetto Po, gli esperimenti esaminano la preparazione dei dati, la definizione delle classi e le caratteristiche geometriche multiscala, individuando i requisiti pratici per un flusso di classificazione coerente. A Palazzo Ducale, la classificazione degli elementi architettonici è combinata con un filtraggio basato sulle probabilità e un filtraggio spaziale. La valutazione mostra che il filtraggio basato sulle probabilità migliora l’accuratezza dei punti mantenuti, a costo di perdere punti effettivamente appartenenti all’edificio. In un ambiente ospedaliero, la segmentazione degli apparecchi illuminanti a soffitto combina informazioni cromatiche bidimensionali con caratteristiche geometriche tridimensionali. Le marcature cromatiche già presenti nei dati di rilievo individuano regioni candidate, all’interno delle quali la classificazione mediante Random Forest e la selezione per gruppi separano i punti degli apparecchi illuminanti da quelli circostanti. Rispetto alla classificazione diretta dei punti, questo flusso migliora la precisione e il punteggio F1. L’ispezione manuale conferma che tutti gli apparecchi illuminanti a soffitto presenti nel dataset esaminato mantengono punti nel risultato finale, sebbene le loro superfici possano essere incomplete. Nel complesso, i casi studio dimostrano la necessità di valutare sia le prestazioni della classificazione dei singoli punti sia la conservazione degli oggetti utili nella progettazione dei flussi di elaborazione delle nuvole di punti degli edifici. L’applicabilità ad altri edifici e ad altre categorie di oggetti richiede ulteriori verifiche.

Random forest workflows for building point cloud segmentation : non-target removal and small-object preservation

FANG, YAO
2025/2026

Abstract

Semantic segmentation supports the use of building point clouds in documentation and modelling, but removing unrelated points can also eliminate small objects of interest. This thesis investigates Random Forest workflows for removing non-target points while preserving useful building information through three case studies. At San Benedetto Po, experiments examine data preparation, class definitions and multiscale geometric features, identifying practical requirements for a consistent classification workflow. At Palazzo Ducale, architectural classification is combined with probability and spatial filtering. Evaluation shows that probability filtering improves the accuracy of retained points at the cost of losing genuine building points. In a hospital interior, ceiling-luminaire segmentation combines two-dimensional colour information with three-dimensional geometric features. Existing survey colour marks locate candidate regions, within which Random Forest classification and group-based selection separate luminaire points from surrounding points. Compared with direct point classification, this workflow improves precision and the F1 score. Manual inspection confirms that all ceiling luminaires in the studied dataset retain points in the final output, although their surfaces may be incomplete. Together, the case studies demonstrate the need to assess both point-level classification performance and the retention of useful objects when designing building point cloud workflows. Applicability to other buildings and object categories requires further evaluation.
ARC I - Scuola di Architettura Urbanistica Ingegneria delle Costruzioni
20-ott-2026
2025/2026
La segmentazione semantica favorisce l’impiego delle nuvole di punti degli edifici nella documentazione e nella modellazione, ma la rimozione di punti estranei può comportare anche la perdita di piccoli oggetti di interesse. Questa tesi indaga, attraverso tre casi studio, flussi di lavoro basati su Random Forest per rimuovere i punti non appartenenti alle categorie di interesse, preservando le informazioni utili sull’edificio. A San Benedetto Po, gli esperimenti esaminano la preparazione dei dati, la definizione delle classi e le caratteristiche geometriche multiscala, individuando i requisiti pratici per un flusso di classificazione coerente. A Palazzo Ducale, la classificazione degli elementi architettonici è combinata con un filtraggio basato sulle probabilità e un filtraggio spaziale. La valutazione mostra che il filtraggio basato sulle probabilità migliora l’accuratezza dei punti mantenuti, a costo di perdere punti effettivamente appartenenti all’edificio. In un ambiente ospedaliero, la segmentazione degli apparecchi illuminanti a soffitto combina informazioni cromatiche bidimensionali con caratteristiche geometriche tridimensionali. Le marcature cromatiche già presenti nei dati di rilievo individuano regioni candidate, all’interno delle quali la classificazione mediante Random Forest e la selezione per gruppi separano i punti degli apparecchi illuminanti da quelli circostanti. Rispetto alla classificazione diretta dei punti, questo flusso migliora la precisione e il punteggio F1. L’ispezione manuale conferma che tutti gli apparecchi illuminanti a soffitto presenti nel dataset esaminato mantengono punti nel risultato finale, sebbene le loro superfici possano essere incomplete. Nel complesso, i casi studio dimostrano la necessità di valutare sia le prestazioni della classificazione dei singoli punti sia la conservazione degli oggetti utili nella progettazione dei flussi di elaborazione delle nuvole di punti degli edifici. L’applicabilità ad altri edifici e ad altre categorie di oggetti richiede ulteriori verifiche.
File allegati
File Dimensione Formato  
2026_10_Fang.pdf

accessibile in internet per tutti

Descrizione: This thesis investigates Random Forest workflows for building point cloud segmentation, focusing on the removal of non-target points and the preservation of small objects. Through three case studies, it explores multi-scale geometric features, probability-based filtering, spatial clustering, and the combined use of colour and geometry. The study examines how these processing steps can be adapted to different targets, from architectural components to ceiling luminaires, while balancing the removal of unwanted points with the retention of useful information for subsequent interpretation and modelling.
Dimensione 23.41 MB
Formato Adobe PDF
23.41 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/266588