La integración de avances tecnológicos ha impactado significativamente la inteligencia artificial (IA), mejorando la fiabilidad de los resultados de los modelos de IA. Este progreso ha llevado a la utilización generalizada de la IA en diversos sectores, incluyendo la automoción, la robótica, la salud, la exploración espacial y la defensa. Hoy en día, las operaciones de defensa aérea dependen predominantemente de la designación láser. Este proceso depende completamente de la capacidad y experiencia de los operadores humanos. Considerando que los sistemas de UAV pueden tener duraciones de vuelo que superan las 24 horas, este proceso es altamente propenso a errores debido al factor humano. Por lo tanto, el objetivo de este estudio es automatizar el proceso de designación láser utilizando algoritmos avanzados de aprendizaje profundo en nubes de puntos 3D obtenidas de diferentes fuentes, eliminando así los errores relacionados con los operadores. Se identificaron como diferentes fuentes de datos nubes de puntos 3D densas producidas con métodos fotogramétricos que contienen información de color, y nubes de puntos producidas con sistemas LiDAR. Los datos de nubes de puntos fotogramétricos se generaron a partir de imágenes capturadas por el sistema de cámara de gimbal de múltiples ejes del UAV Akinci en el marco de este estudio. Para los datos de nubes de puntos obtenidos del sistema LiDAR, se utilizó el conjunto de datos LiDAR de DublinCity para fines de prueba. La segmentación de los datos de nubes de puntos utilizó los algoritmos PointNet++ y RandLA-Net. Se observaron diferencias distintas entre los algoritmos evaluados. El algoritmo RandLA-Net, que se basa únicamente en características geométricas, logró una precisión aproximada del 94%, mientras que la integración de características de color mejoró significativamente su rendimiento, elevando su precisión a casi el 97%. De manera similar, el algoritmo PointNet++, que se basa únicamente en características geométricas, logró una precisión de aproximadamente el 94%. Notablemente, el modelo desarrollado como una contribución única en este estudio implicó enriquecer el algoritmo PointNet++ incorporando atributos de color, lo que llevó a mejoras significativas con una precisión aproximada del 96%. Los resultados obtenidos demuestran una notable mejora en el algoritmo PointNet++ con el enfoque propuesto. Además, se demostró que la metodología propuesta en este estudio puede aplicarse de manera efectiva directamente a los datos generados a partir de diferentes fuentes en sistemas de escaneo aéreo.