Dal rilievo UAV al BIM: come l’AI rende misurabile il degrado infrastrutturale

L’integrazione tra BIM, AI e rilievo UAV permette di superare i limiti delle ispezioni visive tradizionali su infrastrutture estese o difficilmente accessibili. Il metodo combina acquisizione con drone, ricostruzione fotogrammetrica 3D, riconoscimento automatico della corrosione tramite Deep Learning e trasferimento dei difetti nel modello BIM come entità informative parametrizzate. Applicato a una torre a traliccio di circa 120 m, il workflow supporta localizzazione, misura, storicizzazione e analisi dei difetti. INGENIO lo propone come lettura tecnica per progettisti, gestori e responsabili della manutenzione.

Il progetto ha vinto il premio BIM&Digital Award 2025 nella categoria Ricerca universitaria.

BIM, AI e rilievo UAV per la gestione automatizzata delle infrastrutture esistenti

Ispezioni infrastrutturali: perché i metodi tradizionali non bastano

La gestione delle infrastrutture esistenti rappresenta oggi una delle principali sfide per enti gestori di asset, progettisti e responsabili della manutenzione. Ponti, gallerie, dighe, pavimentazioni, torri e più in generale le opere civili sottoposte a esercizio continuativo sono sistemi complessi, esposti nel tempo ad azioni ambientali, variazioni di carico, fatica, degrado dei materiali e progressiva perdita di prestazioni. In questo contesto, la manutenzione non può essere considerata come una semplice attività correttiva da attivare a valle del danno, ma come un processo di gestione della conoscenza: conoscere lo stato reale dell’opera, riconoscere l’evoluzione dei fenomeni di degrado e disporre di informazioni affidabili su cui fondare priorità, tempi e modalità di intervento.

Le ispezioni visive tradizionali costituiscono ancora oggi uno strumento essenziale per la valutazione dello stato di conservazione delle infrastrutture. Esse consentono all’ispettore di individuare anomalie superficiali, alterazioni geometriche, fessurazioni, corrosione, distacchi, fenomeni di infiltrazione o altri segnali di possibile decadimento prestazionale. Tuttavia, quando applicate a infrastrutture estese, o difficilmente accessibili, tali procedure mostrano limiti rilevanti. L’accesso diretto agli elementi da ispezionare può richiedere ponteggi, piattaforme elevatrici, sistemi su fune, mezzi speciali o interruzioni temporanee dell’esercizio dell’opera; ciò comporta costi significativi, tempi operativi elevati e condizioni di rischio per il personale coinvolto. A questi aspetti si aggiunge un limite informativo ancora più critico. L’ispezione tradizionale produce spesso dati frammentati: fotografie, note di campo, misure puntuali e report descrittivi non sempre georiferiti o direttamente confrontabili con le campagne precedenti. La valutazione del difetto può inoltre risentire della soggettività dell’operatore, della qualità della documentazione acquisita e della difficoltà di ricondurre ogni evidenza a una posizione precisa dell’opera.

Il tema diventa particolarmente rilevante se si considera l’impatto economico della manutenzione differita. La letteratura evidenzia che trascurare la manutenzione per soli tre anni può comportare costi di ripristino fino a sei volte superiori [1], e che la fase di esercizio e manutenzione incide per il 60% del costo totale del ciclo di vita di un'opera [2, 3]. La mancanza di pianificazione strutturata può generare ulteriori extracosti gestionali dal 5 al 20% [4].

Da qui nasce l’esigenza di passare da una logica ispettiva prevalentemente descrittiva a un modello digitale capace di collegare rilievo, analisi, rappresentazione e pianificazione manutentiva all’interno di un unico ambiente informativo. In Italia, il Ministero delle Infrastrutture e dei Trasporti ha recepito questa urgenza con le Linee Guida del 2020 per la classificazione e gestione del rischio di ponti e viadotti esistenti, introducendo un approccio multilivello per la definizione delle "classi di attenzione" [5].

È un segnale normativo chiaro: il settore richiede processi più strutturati, tracciabili e basati su dati oggettivi. Su infrastrutture esposte a fenomeni di degrado progressivo, il punto non è quindi soltanto “rilevare un difetto”, ma misurarlo, localizzarlo, classificarlo, storicizzarlo e correlarlo a una struttura informativa persistente. È in questo passaggio che l’integrazione tra BIM e AI assume valore metodologico: non come semplice sovrapposizione di strumenti digitali, ma come costruzione di un processo informativo in cui il rilievo produce dati geometrici e visivi, l’AI ne abilita l’interpretazione attraverso l’identificazione di pattern e informazioni significative, e il BIM organizza tali conoscenze in un modello interrogabile, aggiornabile e potenzialmente orientato alla manutenzione predittiva.

UAV, AI e BIM: stato dell’arte e criticità ancora aperte

Negli ultimi anni, l’impiego degli UAV ha rappresentato una risposta tecnica significativa ai limiti delle ispezioni visive tradizionali, consentendo l’acquisizione rapida e sicura di immagini e la generazione di modelli tridimensionali mediante fotogrammetria e tecniche Structure from Motion. Diversi studi hanno mostrato l’efficacia dei rilievi UAV per l’ispezione di ponti, dighe, pavimentazioni e strutture a traliccio, evidenziando benefici in termini di sicurezza operativa, riduzione dei tempi di acquisizione e creazione di una base geometrica permanente delle opere [6-8]. Tali modelli, tuttavia, assumono pieno valore gestionale solo quando il dato visivo acquisito non rimane confinato alla rappresentazione fotografica o alla nuvola di punti, ma viene trasformato in informazione misurabile, interrogabile e utilizzabile nei processi manutentivi.

Parallelamente, la rapida evoluzione degli algoritmi di AI, e in particolare delle reti neurali convoluzionali, ha reso possibile automatizzare alcune fasi dell’identificazione dei difetti. Nel campo delle infrastrutture, numerose applicazioni hanno riguardato il riconoscimento di fessure, delaminazioni, corrosione, componenti strutturali e anomalie superficiali mediante tecniche di object detection, semantic segmentation e instance segmentation [9-13]. Rispetto alla semplice classificazione dell’immagine, gli approcci basati su segmentazione risultano particolarmente rilevanti per la manutenzione, poiché consentono non solo di individuare la presenza del difetto, ma anche di determinarne contorno, estensione e distribuzione spaziale. Questa evoluzione è decisiva perché sposta l’analisi dal riconoscimento qualitativo del danno alla sua quantificazione geometrica, premessa necessaria per costruire indicatori tecnici e supportare valutazioni più oggettive dello stato di conservazione.

Il limite ancora aperto, evidenziato da una parte rilevante della letteratura, riguarda però la gestione post-ispezione delle informazioni prodotte. Molti studi si concentrano sull’acquisizione UAV o sull’accuratezza dell’algoritmo di riconoscimento, ma dedicano scarsa attenzione alla trasformazione del difetto rilevato in un dato strutturato all’interno di un ambiente informativo. È in questo contesto che il BIM assume un ruolo strategico come ambiente semantico nel quale associare ai componenti e ai difetti attributi geometrici, temporali, diagnostici e manutentivi.

La ricerca BIM-oriented applicata alla manutenzione ha già dimostrato il potenziale del modello informativo per archiviare dati ispettivi, visualizzare danneggiamenti, supportare sistemi di facility management, collegare difetti a componenti strutturali e migliorare la tracciabilità delle informazioni lungo il ciclo di vita dell’opera [14-16].

Tuttavia, permane una criticità rilevante: in molti casi l’inserimento delle informazioni diagnostiche nel modello avviene ancora tramite procedure manuali o semi-manuali, oppure mediante geometrie semplificate che non restituiscono pienamente la forma reale del difetto. Inoltre, diversi contributi sull’interazione UAV-BIM si sono concentrati maggiormente sulla pianificazione dei voli o sull’estrazione di superfici da ispezionare, mentre è meno frequente la costruzione di una pipeline capace di collegare in modo automatico rilievo UAV, segmentazione del degrado, trasformazione delle coordinate e modellazione informativa del difetto.

A partire da queste evidenze, il presente studio si colloca nel punto di intersezione tra tre filoni: rilievo UAV, Deep Learning per la segmentazione semantica dei difetti e BIM, per la strutturazione semantica del dato ispettivo. In questo modo, il difetto non rimane una fotografia annotata o un output isolato dell’algoritmo, ma diventa un’entità misurabile.

POTREBBE INTERESSARE ANCHE: BIM come linguaggio del progetto: gestione della complessità, dati e processi nell’architettura contemporanea

Droni e fotogrammetria 3D: dalla campagna di acquisizione al modello as-is

Nel workflow proposto, la prima fase è rappresentata dall’impiego dei droni per la raccolta di immagini ad alta risoluzione. L’utilizzo dei droni permette di acquisire rapidamente dati anche in aree difficili da raggiungere, riducendo l’esposizione del personale a condizioni operative potenzialmente pericolose e contenendo tempi e costi rispetto a molte procedure convenzionali. A partire da queste immagini, il processo fotogrammetrico consente di ricostruire un modello tridimensionale dell’opera nello stato as-is, utile come base metrica e informativa per le fasi successive di analisi.

Nel caso studio considerato, l’acquisizione è stata eseguita su un traliccio metallico di circa 120 metri di altezza, mediante DJI Matrice 300 RTK con sensore Zenmuse P1 (45 MP full-frame, focale 35 mm). Il rilievo ha prodotto 3.163 immagini RGB ad alta risoluzione, successivamente elaborate con Agisoft Metashape secondo una pipeline fotogrammetrica finalizzata all’allineamento delle camere, alla generazione della nuvola di punti sparsa e densa, alla costruzione della mesh, alla texturizzazione del modello e alla produzione di ortofoto utili alla fase di riconoscimento automatico dei difetti.

Deep learning per riconoscere automaticamente i difetti

Alla fase di acquisizione segue quella di interpretazione automatica dei dati visivi. La metodologia sviluppata utilizza algoritmi di Deep Learning per la segmentazione semantica dei difetti, così da riconoscere non solo la presenza di un ammaloramento, ma anche la sua posizione e le sue caratteristiche geometriche. In particolare, la ricerca si è concentrata sull’identificazione automatica delle aree corrose, restituendone una perimetrazione utile a successive quantificazioni geometriche.

Per addestrare il modello è stato costruito un dataset di 999 immagini acquisite durante ispezioni sul campo di torri di trasmissione (risoluzione 640×480 – 5312×2988 px), annotate per la segmentazione semantica di due classi: "corrosion" e "background".

Per preservare la ricchezza informativa delle immagini ad alta risoluzione, è stata adottata una strategia di image cropping anziché il tradizionale rescaling: da ogni immagine originale vengono estratti crop a risoluzione fissa, moltiplicando il dataset finale a parità di informazione visiva. Il training finale è stato eseguito su 33.584 immagini (224×224 px), con split 80/20 tra training e validation.

ORIGINAL IMAGE
GROUND TRUTH
PREDICTION

Figura 3 - Esempi di predizione delle aree corrose sulle immagini del dataset di training.

Lo studio ha confrontato diverse architetture di reti neurali preaddestrate, valutando accuratezza, loss e tempi di inferenza.

Tra i modelli analizzati, MobileNetV2 è stata selezionata per il trade-off ottimale tra accuratezza, velocità di inference e leggerezza computazionale: con soli 3,5 M di parametri e 13 MB di peso, garantisce prestazioni comparabili ad architetture 40 volte più grandi, con tempi di classificazione inferiori a 1 secondo per immagini fino a 2304×3072 px su GPU GTX 1650 Ti. Questa caratteristica la rende adatta al deployment su hardware embedded per uso diretto in campo.

Il tuning degli iperparametri (batch size=32, learning rate con decay 0,01→0,001 dopo 4 epoche, 7 epoche totali) ha migliorato la Validation Accuracy da 87,91% a 90,55% e ridotto la Validation Loss da 0,31 a 0,22. L'addestramento finale sull'intero dataset (549 minuti) ha prodotto i risultati definitivi della rete, ottenendo una Validation Accuracy di 90,79% e Validation Loss di 0,23.

L’aspetto interessante, dal punto di vista metodologico, è che l’utilizzo di algoritmi di AI ha rappresentato un vantaggio non solo dal punto di vista della velocità operativa ma ha consentito di ridurre la componente soggettiva del processo ispettivo, introducendo un livello di riconoscimento più standardizzato e replicabile. Naturalmente questo non elimina il ruolo dell’esperto: al contrario, lo sposta dal gesto ispettivo puntuale a una funzione di controllo, validazione e interpretazione tecnica del risultato. L’AI, in questo schema, non sostituisce l’expertise tecnica, ma la rende più scalabile e coerente rispetto al vasto patrimonio infrastrutturale e a campagne di indagine ripetute nel tempo.

Il BIM come ambiente centrale per mappare i difetti e gestire la storia ispettiva

L’aspetto distintivo del workflow proposto non è solo la capacità di rilevare automaticamente un difetto, ma la possibilità di trasferire il risultato dell’algoritmo all’interno di un ambiente informativo, leggibile e aggiornabile nel tempo. Il modello BIM non viene utilizzato come semplice supporto grafico, ma diventa il contenitore semantico in cui il difetto viene trasformato in entità informativa localizzata nello spazio, dotata di attributi, interrogabile e correlabile ad altri dati dell’opera utili per valutarne lo stato di conservazione.

Per rendere possibile questa integrazione, nel lavoro presentato sono stati adottati Autodesk Revit come ambiente di gestione del modello informativo e Dynamo come strumento per l’automazione del processo di importazione dei difetti identificati dalla rete neurale. I contorni delle aree di degrado segmentate vengono dapprima estratti mediante l’algoritmo Moore-Neighbor; successivamente, le coordinate bidimensionali dei pixel vengono associate al DEM fotogrammetrico al fine di ricostruire la componente altimetrica e ottenere le coordinate tridimensionali.

Tali coordinate vengono quindi trasformate nel sistema di riferimento locale di Revit, consentendo la generazione di oggetti geometrici parametrici all’interno del modello BIM. A ciascun difetto vengono infine associati specifici attributi informativi, tra cui area, perimetro, coordinate baricentriche, data di ispezione e identificativo dell’operatore. In questo modo, il modello evolve nel tempo come archivio informativo continuamente aggiornato, capace di restituire una lettura spaziale e temporale dei fenomeni di degrado. Il difetto diventa un’entità informativa localizzata che può essere interrogata, filtrata, comparata con rilievi futuri, aggregata per quota, per data o per classe di severità, e utilizzata come base per costruire indicatori di supporto alle decisioni.

Questo permette di costruire modelli di deterioramento reali, non basati su curve teoriche, e di identificare pattern spaziali ricorrenti, come la concentrazione della corrosione nei punti maggiormente vulnerabili.

CONTINUA LA LETTURA IN PDF IN ALLEGATO.

FAQ TECNICHE: BIM e AI per manutenzione infrastrutture: workflow UAV applicato

Che cosa si intende per workflow UAV-AI-BIM per le infrastrutture?

È una procedura integrata che parte dal rilievo con drone, produce un modello 3D fotogrammetrico, riconosce automaticamente i difetti tramite algoritmi di AI e trasferisce i risultati nel modello BIM.
Il difetto non resta una fotografia annotata, ma diventa un oggetto informativo localizzato.
Nel caso descritto, il metodo è applicato alla corrosione di una torre a traliccio.

In quali contesti infrastrutturali può essere applicato il metodo?

Il workflow è adatto a opere estese, alte o difficilmente accessibili: torri, ponti, dighe, gallerie, pavimentazioni e strutture metalliche. È particolarmente utile quando l’ispezione diretta richiede ponteggi, piattaforme, accessi su fune o interruzioni dell’esercizio.
L’estensione ad altri degradi richiede dataset adeguati e validazione tecnica. 

Qual è il riferimento normativo più pertinente per la gestione informativa BIM?

Per la gestione informativa lungo il ciclo di vita dell’opera il riferimento principale è la serie UNI EN ISO 19650.
In particolare, la UNI EN ISO 19650-3 riguarda la fase gestionale dei cespiti immobili e quindi è coerente con l’asset management e la manutenzione.

Quali vantaggi operativi offre l’integrazione tra AI e BIM?

L’AI consente di riconoscere e segmentare difetti in modo più ripetibile rispetto alla sola valutazione visiva.
Il BIM permette di archiviare area, perimetro, coordinate, data di ispezione e operatore come attributi interrogabili.
Il risultato è una base informativa utile per confrontare campagne successive e definire priorità manutentive.

Come avviene il passaggio dal difetto rilevato al modello BIM?

I contorni delle aree corrose vengono estratti dall’output della rete neurale e associati al modello fotogrammetrico.
Le coordinate bidimensionali dei pixel sono trasformate in coordinate tridimensionali e poi riportate nel sistema locale del modello BIM.
Nel testo sono citati Revit e Dynamo come ambiente di modellazione e automazione del processo.

Il metodo consente manutenzione predittiva o solo diagnostica?

Il metodo nasce come sistema diagnostico-informativo, ma apre alla manutenzione predittiva quando i difetti sono storicizzati e confrontati nel tempo.
Dashboard, soglie di attenzione e notifiche possono supportare priorità d’intervento e allocazione delle risorse.