最新技术审查！AI人工智能辅助的文化遗产目视检查
将人工智能 （AI）、深度学习 （DL） 和计算机视觉 （CV） 等计算机科学技术应用于数字图像数据可以帮助监控和保护文化遗产 （CH） 遗址。风化、砂浆去除、接缝损伤、变色、侵蚀、表面裂缝、植被、渗水和故意破坏等缺陷及其随时间的传播会对 CH 遗址的结构健康产生不利影响。几项研究报告了使用 AI 技术对混凝土和桥梁结构进行损坏检测。然而，很少有研究使用 AI 范式量化 CH 结构中的缺陷，并且其应用的案例研究有限。因此，需要探索人工智能辅助目视检查在 CH 站点的应用。AI 辅助的数字检查可协助检查专业人员并提高对 CH 建筑物损坏评估的信心水平。本文总结了使用图像处理技术的损伤评估技术，主要关注应用于 CH 保护的 DL 技术。介绍了 CH 建筑的几个案例研究应用，其中 AI 可以协助传统的视觉检查。 关键词： Deep learning UAV Damage identification Convolutional neural networks Computer vision Structural health monitoring已经回顾了关于 CH 人工智能辅助视觉检查系统的最新研究。重点介绍了几个关于协助 CH 人工目视检查的 AI 应用的案例研究。结合无人机和物联网技术的 AI 辅助视觉检查领域存在巨大潜力。图 1.传统目视检查的问题：a-c） 难以到达的地方（改编自 Jungert [2] 和 Ciampa 等人 [3]）和高风险地点（改编自 Pham 和 La [4]），d-f） 基于无人机的检查，带有实时观看录像的界面（图改编自 Otero 和 Gagliardo [5] 以及 Li 和 Liu [6]）。AI辅助视觉检测技术可以提高文化遗产监测的效率和准确性，降低人力成本，并为文化遗产保护提供数据支持和决策依据。本文通过文献综述的方法，分析了近年来DL技术在文化遗产损伤检测中的应用研究，并总结了常用的DL模型和性能评价指标。DL技术在文化遗产损伤检测中取得了显著成果，能够有效地识别和定位各种类型的损伤，如裂缝、剥落、起霜、缺失构件等。同时，DL技术还能够评估损伤的严重程度，并为文化遗产保护提供数据支持和决策依据。 图 2.人工智能辅助检测流程图（子图改编自 Zou 等人 [35]、Li 和 Liu [6]、Mansuri 和 Patel [36]、Mishra 等人 [37] 和 Wang 等人 [38]、[39]）。1.YOLO (You Only Look Once): 优点:检测速度快，适合实时应用。可以同时进行目标检测和分类。适用于检测各种大小的目标。缺点:检测精度略低于 Faster R-CNN 和 Mask R-CNN。对小目标的检测效果较差。优点:检测精度高，对小目标的检测效果较好。可以同时进行目标检测和分类。适用于检测各种大小的目标。缺点:检测速度较慢，不适合实时应用。计算量较大，需要更强的计算能力。优势: 可以同时进行目标检测和语义分割，识别损伤的同时还可以绘制损伤的轮廓，更精确地定位损伤区域。局限性: 计算量较大，处理速度较慢，不适合实时检测。优势: 使用 focal loss 解决了类别不平衡问题，对小目标的检测效果较好。5.SSD (Single Shot MultiBox Detector):局限性: 对于小目标的检测效果不如 YOLO 和 Faster R-CNN。优势: 检测速度快，同时可以预测目标的中心点，更加稳定。 优势: 在保持较高检测精度的同时，大幅提高了检测速度。AI辅助视觉检测技术在文化遗产保护中具有巨大的潜力，能够有效地提高文化遗产监测的效率和准确性，并为文化遗产保护提供数据支持和决策依据。将图像、视频、点云等多模态数据融合，可以更全面地分析文化遗产结构的状态，提高损伤检测的精度和可靠性。开发易于使用的AI辅助视觉检测工具，并集成到文化遗产信息模型（HBIM）工具中，为文化遗产保护提供更加便捷和高效的数据支持。开发轻量级的深度学习模型，使其能够在资源受限的设备上运行，例如移动设备和嵌入式设备。并提高深度学习模型的可解释性，使其更容易被非专业人士理解和使用。开发小样本学习算法，解决文化遗产结构损伤检测中数据量不足的问题。 利用已有的数据集和模型，迁移到新的数据集和任务中，可以加快模型的训练速度，并提高模型的泛化能力。利用主动学习算法，选择最有价值的数据进行标注，可以减少数据标注成本，并提高模型的训练效率。开发更加智能化的AI辅助视觉检测系统，例如将无人机视频流与AI模型结合，实现实时损伤检测。研究DL技术在地震后文化遗产损伤评估中的应用、在其他类型文化遗产损伤检测中的应用，例如藻类生长、植被、坍塌机制等。将DL技术与激光扫描、红外热成像等非破坏性检测技术结合，实现更加全面和准确的文化遗产损伤评估。 图 3.基于 DL 的劣化检测在 CH 结构中的应用示例：a） 损伤类型识别，b） 砖砂砌体中的风化和剥落损伤（改编自 Wang 等 [38]、[39]，c） 砌体柱中的损伤（剥落、裸露的砖块和裂缝）（重新绘制自 Mansuri 和 Patel [36]），以及 d） 缺失的组件（重新绘制自 Zou 等 [35]）。图 4.人工智能辅助视觉检测系统用于表面缺陷的示例：a） 在 Dadi-Poti 案例研究中采用 YOLO 检测表面损伤 [37]，b） 检测风化和剥落的损伤 [39]，c） 更快的 R-CNN 模型检测剥落（浅蓝色边界框）和裂纹（浅绿色边界框）[52]，d） 对澳门 CH 的五种损害进行分类[53]。1、以上仅用作学习研究，不作商用。图文若有侵权请联系删除。2、以上仅为局部要点摘录，若造成理解歧义，请以原文观点为准。
