DOI: https://doi.org/10.1038/s40494-026-02392-z
تاريخ النشر: 2026-02-27
المؤلف: Fei Liu وآخرون
الموضوع الرئيسي: مواد البناء والحفاظ
نظرة عامة
تتناول الدراسة التحديات المتعلقة بالاستقرار الهيكلي التي تواجهها سور الصين العظيم بسبب التآكل الطبيعي والأنشطة البشرية. لتعزيز كفاءة الفحص وتحديد معايير التقييم، قام المؤلفون بتطوير مجموعة بيانات متعددة المصادر وغير متجانسة تشمل أكثر من 500 كيلومتر من سور الصين العظيم في بكين. قدموا نموذج الكشف عن الأمراض MEP-Deep، محققين دقة تصل إلى 86.37% على مجموعة بيانات ISPRS Potsdam و83.51% على مجموعة بيانات سور الصين العظيم المخصصة لهم، متجاوزين النموذج الأصلي بنسبة 0.6% و0.77% على التوالي.
علاوة على ذلك، تقترح الدراسة طريقة تقييم كمية لتقييم حالة الحفاظ على سور الصين العظيم، والتي تتضمن ميزات متعددة الأبعاد. تستخدم هذه الطريقة نموذج تسجيل مرجح يعتمد على عملية التحليل الهرمي (AHP)، مع إثبات تجريبي يوضح جدواها. تسهم النتائج في تحسين استراتيجيات المراقبة والحفاظ على هذه البنية التاريخية.
طرق
في هذه الدراسة، تم تطوير منهجية شاملة لتحديد وتقييم أمراض سور الصين العظيم المبني من الطوب. تبدأ الطريقة بإنشاء معيار تصنيف يتضمن كل من آليات الضرر والمواقع المكانية لمختلف الأمراض، مما يؤدي إلى إنشاء مجموعة بيانات لحالة سور الصين العظيم. يستخدم نموذج التعرف بنية DeeplabV3+ المحسنة، مدمجًا آليات الانتباه القنوي الفعال (ECA) والانتباه الحساس للموقع (PSA) لتحسين قدرات استخراج الميزات. بالإضافة إلى ذلك، يتم دمج هيكل خفيف الوزن Mobile-NetV2 لتحسين النموذج من حيث الدقة مع ضمان نشر فعال على المنصات المحمولة. ثم يتم بناء مؤشر تقييم حالة الحفظ، مع التركيز على نسبة مساحة الأقسام المريضة، مدعومًا بنظام تسجيل مرجح لتسهيل اتخاذ القرارات الكمية لجهود الحفظ الوقائي.
يتكون الإعداد التجريبي من معالج Intel(R) Xeon(R) Platinum 8168، و بطاقة الرسوميات NVIDIA GeForce RTX 2080Ti، و 352 جيجابايت من الذاكرة العشوائية، يعمل على نظام Windows 10. بيئة البرمجة تعتمد على Python 3.9.12 و PyTorch 1.12.0، باستخدام بنية CUDA الإصدار 11.3.0. تشمل المعلمات الرئيسية معدل تعلم قدره 0.001، وأبعاد صورة الإدخال 512 × 512 بكسل، ومُحسِّن Adam للتدريب. يتم تدريب النموذج على مدى 150 دورة باستخدام دالة خسارة Cross-Entropy القياسية، دون أوزان مدربة مسبقًا، لضمان سلامة ودقة النتائج التجريبية.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لأداء النموذج المقترح من خلال تجارب إبطال منهجية والتحقق عبر السيناريوهات باستخدام مجموعة بيانات الاستشعار عن بعد ISPRS Potsdam ومجموعة بيانات حالة سور الصين العظيم المخصصة. تقيم الدراسة أولاً بشكل كمي مساهمات وحدات الانتباه القنوي ECA والانتباه المكاني PSA المدمجة في استخراج الميزات متعددة المقاييس من خلال دمجها بشكل فردي في النموذج.
بعد ذلك، يتم مقارنة النموذج الكامل مع خوارزميات التقسيم الرائدة، مما يظهر فعاليته الفائقة في مهام تقسيم صور الاستشعار عن بعد. أخيرًا، يتم استخدام مؤشرات التقييم المقدمة في الدراسة لتقييم كل من البيانات المعلّمة ونتائج التعرف، مما يحقق موثوقية نتائج التعرف وقابلية تطبيق المؤشرات المقترحة بشكل عام.
نقاش
في هذا القسم، يناقش المؤلفون إنشاء معيار تصنيف وبناء مجموعة بيانات شاملة تهدف إلى تقييم الحالة الحالية لسور الصين العظيم في بكين. قاموا بتطوير نظام تصنيف يعتمد على تحليل شامل لأكثر من 300 كيلومتر من الصور الفعالة والنماذج ثلاثية الأبعاد، مع تحديد أربعة أشكال مرضية متميزة: هياكل محفوظة جيدًا، وأقسام متدهورة محليًا، ومناطق تعاني من التآكل الطبيعي، وأقسام متضررة بشدة أو منهارة. تم بناء مجموعة البيانات، التي تُسمى مجموعة بيانات الحالة الفعلية لسور الصين العظيم في بكين، بدقة باستخدام الصور الجوية والنماذج ثلاثية الأبعاد، مع نهج معالجة متعدد المراحل يشمل تصحيحات هندسية، وتحسين الإضاءة، وآلية توضيح تعاونية لضمان بيانات عالية الجودة. تتكون مجموعة البيانات النهائية من 3,408 وحدة صورة، منظمة في مجموعات تدريب، وتحقق، واختبار، وتشتمل على بيانات وصفية للتتبع المكاني والزماني.
كما يقدم المؤلفون نموذج MEP-deep، وهو هيكل خفيف الوزن مصمم لاستخراج الميزات بكفاءة وكشف الأمراض. يستخدم هذا النموذج MobileNetV2 كهيكله الأساسي، مدمجًا آليتي انتباه مزدوجة—الانتباه القنوي الفعال (ECA) والانتباه المنقسم الهرمي (PSA)—لتحسين تمثيل الميزات متعددة المقاييس وتحسين دقة الكشف مع الحفاظ على متطلبات حسابية منخفضة مناسبة للأجهزة المحمولة. تسلط الدراسة الضوء على أداء النموذج من خلال مقاييس تقييم متنوعة، مما يظهر تفوقه على النماذج التقليدية من حيث الدقة والكفاءة. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك التوازن بين دقة النموذج وكفاءته، ووجود تباين في العينات في مجموعة بيانات التدريب. تشمل اتجاهات البحث المستقبلية استكشاف هياكل Transformer خفيفة الوزن والاستفادة من التقدم في نماذج التقسيم على نطاق واسع لتعزيز قدرات الكشف عن الحفاظ على التراث الثقافي.
DOI: https://doi.org/10.1038/s40494-026-02392-z
Publication Date: 2026-02-27
Author(s): Fei Liu et al.
Primary Topic: Building materials and conservation
Overview
The research addresses the structural stability challenges faced by the Great Wall of China due to natural erosion and human activities. To enhance inspection efficiency and establish evaluation criteria, the authors developed a multi-source heterogeneous dataset encompassing over 500 kilometers of the Great Wall in Beijing. They introduced the MEP-Deep disease detection model, achieving accuracies of 86.37% on the ISPRS Potsdam dataset and 83.51% on their custom Great Wall dataset, surpassing the original model by 0.6% and 0.77%, respectively.
Furthermore, the study proposes a quantitative evaluation method for assessing the preservation status of the Great Wall, which incorporates multi-dimensional features. This method employs a weighted scoring model based on the Analytic Hierarchy Process (AHP), with experimental verification demonstrating its feasibility. The findings contribute to improved monitoring and preservation strategies for this historical structure.
Methods
In this study, a comprehensive methodology is developed for the identification and evaluation of masonry Great Wall diseases. The approach begins with the creation of a classification standard that incorporates both the damage mechanisms and spatial locations of various diseases, leading to the establishment of a Great Wall status dataset. The recognition model utilizes an enhanced DeeplabV3+ architecture, integrating the Efficient Channel Attention (ECA) and Position-Sensitive Attention (PSA) mechanisms to improve feature extraction capabilities. Additionally, a Mobile-NetV2 lightweight backbone is incorporated to optimize the model for accuracy while ensuring efficient deployment on mobile platforms. A preservation status evaluation index is then constructed, focusing on the area ratio of diseased sections, supplemented by a weighted scoring system to facilitate quantitative decision-making for preventive conservation efforts.
The experimental setup comprises an Intel(R) Xeon(R) Platinum 8168 CPU, an NVIDIA GeForce RTX 2080Ti GPU, and 352 GB of RAM, operating on Windows 10. The programming environment is based on Python 3.9.12 and PyTorch 1.12.0, utilizing CUDA architecture version 11.3.0. Key parameters include a learning rate of 0.001, input image dimensions of 512 × 512 pixels, and the Adam optimizer for training. The model is trained over 150 epochs using the standard Cross-Entropy Loss function, without pre-trained weights, to ensure the integrity and accuracy of the experimental results.
Results
The results section presents a comprehensive analysis of the proposed model’s performance through systematic ablation experiments and cross-scenario verification using the ISPRS Potsdam remote sensing dataset and a custom-built Great Wall status dataset. The study first quantitatively assesses the contributions of the embedded ECA channel attention and PSA spatial attention modules to multi-scale feature extraction by integrating them individually into the model.
Subsequently, the complete model is compared against leading segmentation algorithms, demonstrating its superior efficacy in remote sensing image segmentation tasks. Finally, the evaluation indicators introduced in the study are employed to assess both the labeled data and the recognition outcomes, thereby validating the reliability of the recognition results and the general applicability of the proposed indicators.
Discussion
In this section, the authors discuss the establishment of a classification standard and the construction of a comprehensive dataset aimed at assessing the current state of the Great Wall of Beijing. They developed a classification system based on extensive analysis of over 300 km of effective imagery and 3D models, identifying four distinct disease morphologies: well-maintained structures, locally deteriorated sections, areas suffering from natural erosion, and severely damaged or collapsed sections. The dataset, termed the Beijing Great Wall Actual State Dataset, was meticulously constructed using orthophotos and 3D models, with a multi-stage processing approach that included geometric corrections, illumination optimization, and a collaborative annotation mechanism to ensure high-quality data. The final dataset comprises 3,408 image units, organized into training, validation, and test sets, and includes metadata for spatial and temporal tracking.
The authors also introduce the MEP-deep model, a lightweight architecture designed for efficient feature extraction and disease detection. This model employs MobileNetV2 as its backbone, integrating dual attention mechanisms—Efficient Channel Attention (ECA) and Pyramid Split Attention (PSA)—to enhance multi-scale feature representation and improve detection accuracy while maintaining low computational requirements suitable for mobile devices. The study highlights the model’s performance through various evaluation metrics, demonstrating its superiority over traditional models in terms of accuracy and efficiency. However, the authors acknowledge limitations, including a trade-off between model accuracy and efficiency, and the presence of sample heterogeneity in the training dataset. Future research directions include exploring lightweight Transformer architectures and leveraging advancements in large-scale segmentation models to enhance detection capabilities for cultural heritage preservation.