Techniques modernes pour préserver les anciennes stèles en pierre

Les anciennes stèles en pierre sont des artefacts importants qu'on trouve à plein de sites historiques, surtout en Chine. Ces stèles subissent souvent des dégâts à cause de la nature et des activités humaines, donc c'est super important de détecter ces dégâts tôt pour les protéger. Les méthodes traditionnelles pour vérifier l'état de ces stèles sont limitées. Généralement, elles dépendent de pros qui les inspectent régulièrement ou de gestionnaires qui font des contrôles quotidiens. Mais ces méthodes peuvent manquer les changements lents au fil du temps ou nécessiter beaucoup de connaissances spécialisées, ce qui les rend moins efficaces.

Ces dernières années, y a eu un intérêt croissant pour l'utilisation de la technologie moderne, surtout l'Apprentissage profond, pour gérer ce problème. L'apprentissage profond utilise des algorithmes informatiques avancés pour apprendre à partir des données, ce qui peut aider à identifier les dégâts plus efficacement. Certaines études ont essayé d'automatiser la reconnaissance des Dommages sur des objets du patrimoine culturel, mais elles rencontrent encore des défis. Un gros souci, c'est que ces méthodes ont souvent besoin de beaucoup d'exemples de dégâts pour bien apprendre. Dans le cas des anciennes stèles, c'est difficile de rassembler assez d'exemples de différents types de dommages.

Pour surmonter ces défis, une nouvelle méthode a été proposée, combinant deux types de techniques d'apprentissage profond : les autoencodeurs et les réseaux antagonistes génératifs. Cette méthode vise à détecter automatiquement les dégâts sur les surfaces des anciennes stèles en pierre en temps réel sans avoir besoin d'une énorme quantité d'exemples de dégâts.

#Comment ça marche

Le processus commence par l'installation d'une caméra haute définition pour surveiller la surface de la stèle. Cette caméra capture des Images de la stèle lorsqu'elle est en bon état, qui seront utilisées comme données d'entraînement. Les données collectées seront utilisées pour créer un modèle avec les techniques mentionnées plus haut. Le modèle est conçu pour apprendre les caractéristiques normales de la stèle.

Quand le modèle rencontre une image avec des dégâts, il compare cette image d'entrée à l'image reconstruite de l'état normal. S'il y a des différences, ça indique qu'il pourrait y avoir des dégâts. En mesurant ces différences, le modèle peut localiser précisément où se trouvent les dégâts.

Les principales étapes de la méthode proposée comprennent la Surveillance de la stèle, l'acquisition des données, le traitement de ces données, la construction du modèle et enfin, l'analyse des résultats.

#Zone d'étude

La méthode est appliquée aux anciennes stèles en pierre situées dans les Grottes de Longmen, un site du patrimoine mondial de l'UNESCO en Chine. Cette zone a des milliers de stèles, dont beaucoup ont beaucoup souffert à cause des éléments naturels et des interactions humaines.

Les Grottes de Longmen se trouvent dans une région au climat tempéré, ce qui cause divers types d'érosion au fil du temps. Les stèles montrent des signes de dommages, comme l'érosion de surface et des fissures. De plus, elles sont à risque à cause de l'activité humaine, car beaucoup de touristes visitent le site.

#Collecte et préparation des données

Pour que la méthode fonctionne efficacement, il est essentiel de rassembler un bon ensemble d'images. Dans ce cas, on surveille la partie inférieure de la stèle, car la plupart des dégâts ont tendance à se produire là. Une caméra haute définition prend des photos régulièrement, capturant deux images par jour à des angles constants pour garantir l'exactitude.

Une fois les images collectées, elles passent par un processus de nettoyage pour éliminer celles qui ne sont pas utilisables à cause de mauvaise qualité ou d'obstructions. Les images restantes sont ensuite divisées en sections plus petites pour un traitement plus gérable. Chaque section est redimensionnée pour maintenir la cohérence. En outre, des ajustements sont faits pour simuler différentes conditions d'éclairage, ce qui améliore la diversité de l'ensemble de formation.

#Modèle de réseau neuronal

Le cœur de la méthode proposée est un modèle de réseau neuronal modifié conçu pour la détection d'anomalies. Ce modèle comprend trois composants principaux : un générateur, un encodeur et un discriminateur.

Le rôle du générateur est de créer une représentation de l'état normal de la stèle. L'encodeur traite les images d'entrée pour capturer leurs caractéristiques essentielles, tandis que le discriminateur évalue à quel point le générateur fait bien son travail. Le modèle fonctionne ensemble pour minimiser les différences entre les images reconstruites et les images réelles de la stèle.

Grâce à l'entraînement, le modèle apprend à reconnaître les caractéristiques normales des stèles. Une fois entraîné, il peut être utilisé pour identifier les zones de changement qui peuvent signifier des dommages.

#Étapes de post-traitement

Après que le modèle ait généré des résultats, un traitement supplémentaire est nécessaire pour améliorer la précision. L'inscription des images est utilisée pour aligner correctement les images d'entrée et reconstruites, afin de s'assurer que les différences détectées reflètent des dommages réels et non des désalignements.

Ensuite, un ajustement des couleurs est appliqué pour s'assurer que les images d'entrée et reconstruites apparaissent aussi similaires que possible en termes de couleur et d'exposition. Cette étape aide à réduire la confusion lors de la phase d'évaluation.

La similarité entre les images est ensuite mesurée à l'aide de techniques spécifiques conçues pour capturer à la fois des différences locales et structurelles. Ce processus général convertit les résultats en un format binaire, indiquant quelles zones sont normales et lesquelles sont anormales.

#Résultats expérimentaux

L'efficacité de la méthode a été testée avec des images des stèles prises sur plusieurs mois. À travers divers essais, il a été constaté que le modèle proposé pouvait reconstruire des images avec une précision élevée de presque 99,74 %. Ce haut niveau de précision démontre la capacité du modèle à reconnaître l'état normal des stèles.

Une évaluation supplémentaire a consisté à créer des images simulées incluant divers types de dommages, comme des fissures et de la mousse. En analysant ces images, il a été confirmé que le modèle pouvait détecter avec succès les sept types de dommages sans générer de fausses alertes.

Bien que le modèle ait très bien performé dans l'ensemble, il y avait de légères divergences dans la détection de certaines anomalies, comme la couverture de mousse et les fissures. Cependant, ces petits problèmes n'impactent pas significativement l'efficacité de la méthode.

#Conclusion

La méthode proposée montre du potentiel pour automatiser la détection des dégâts sur les anciennes stèles en pierre, ce qui est vital pour leur préservation. En utilisant des techniques d'apprentissage profond avancées, cette méthode élimine le besoin d'un grand nombre d'échantillons de dégâts et peut identifier avec précision les risques pour ces artefacts historiques.

Cette approche souligne non seulement l'importance d'utiliser la technologie dans la conservation du patrimoine culturel, mais elle ouvre également des possibilités pour de futures avancées dans le domaine. Les recherches futures pourraient se concentrer sur la précision du processus de détection et sur le défi de l'optimisation des seuils de détection.

Avec des améliorations continues, cette méthode pourrait offrir un moyen plus fiable et efficace de surveiller et de protéger les anciennes stèles contre la dégradation, garantissant leur préservation pour les générations futures.