L’uso di dati 3D, nuvole di punti e mesh, per la documentazione, la valorizzazione e la visualizzazione del patrimonio è diventato sempre più diffuso. Ricchi di informazioni metriche, questi dati 3D soffrono la mancanza di informazioni strutturate quali la semantica e la gerarchia tra le parti. In questo contesto, l'introduzione di metodi automatici di classificazione può svolgere un ruolo essenziale per permettere un utilizzo reale di questi dati nelle operazioni di manutenzione e conservazione del bene culturale, agevolando un migliore utilizzo dei dati ai fini informativi e di analisi. In questo articolo viene presentato un innovativo approccio di classificazione multilivello e multi-risoluzione (MLMR). L'approccio MLMR proposto migliora il processo di apprendimento e ottimizza i risultati della classificazione 3D attraverso un concetto gerarchico. La procedura MLMR viene testata e valutata su due diversi datasets, complessi e di grandi dimensioni: l'Abbazia di Pomposa (Italia) e il Duomo di Milano (Italia). I risultati della classificazione mostrano l'affidabilità e la replicabilità del metodo sviluppato, permettendo l'identificazione di svariate classi architettoniche a diversi livelli di risoluzione geometrica.

The recent years saw an extensive use of 3D point cloud data for heritage documentation, valorisation, and visualisation. Although rich in metric quality, these 3D data lack structured information such as semantics and hierarchy between parts. In this context, the introduction of point cloud classification methods can play an essential role for better data usage, model definition, analysis, and conservation. The paper aims to extend a machine learning (ML) classification method with a multi-level and multi-resolution (MLMR) approach. The proposed MLMR approach improves the learning process and optimises 3D classification results through a hierarchical concept. The MLMR procedure is tested and evaluated on two large-scale and complex datasets: the Pomposa Abbey (Italy) and the Milan Cathedral (Italy). Classification results show the reliability and replicability of the developed method, allowing the identification of the necessary architectural classes at each geometric resolution.