Muri Antichi, Occhi Moderni: L’IA Salva il Patrimonio Rurale dello Zhejiang!

Amici, lasciate che vi porti in un viaggio affascinante, un’avventura che fonde il fascino antico della storia con la potenza avveniristica dell’intelligenza artificiale. Parliamo di tesori nascosti, di quelle testimonianze silenziose del passato che sono i muri degli edifici rurali tradizionali, in particolare nella provincia cinese dello Zhejiang. Immaginate questi luoghi, carichi di storia, arte e cultura, ma ahimè, minacciati dal tempo e, soprattutto, da un clima umido e dispettoso.

SOS Muri Storici: L’Umidità Colpisce nello Zhejiang

Nello Zhejiang, una regione meravigliosa ma con un clima subtropicale monsonico, i muri delle antiche abitazioni tradizionali soffrono parecchio. Pensate a crepe che si insinuano come rughe sulla pelle del tempo, a buchi che sembrano occhi vuoti, a macchie antiestetiche e a quell’ingiallimento che tradisce l’età e l’umidità. Proteggere questo patrimonio è una vera sfida! Questi danni, se non affrontati per tempo, rischiano di compromettere l’integrità e la bellezza di questi edifici, accorciandone la vita. È un po’ come vedere un vecchio libro prezioso sgretolarsi tra le dita.
Il patrimonio rurale non è solo un insieme di pietre e mattoni; è la testimonianza viva della storia e della cultura di un luogo, il fondamento su cui si basa lo sviluppo delle comunità rurali. Le abitazioni tradizionali, in particolare, sono scrigni di valore storico, culturale e artistico, fondamentali per comprendere le usanze locali, la storia e le tradizioni. Ogni villaggio, con la sua posizione geografica, l’ambiente naturale e la composizione etnica, racconta una storia unica attraverso il suo patrimonio. E c’è di più: questo legame con il passato rafforza il senso di identità e appartenenza delle comunità locali. Chi non si sentirebbe legato a doppio filo con gli antichi edifici e le tradizioni del proprio villaggio?

L’Intelligenza Artificiale Scende in Campo: Arriva YOLOv8!

Ed è qui che entriamo in gioco noi, o meglio, la tecnologia che abbiamo messo a punto! Abbiamo pensato: e se l’intelligenza artificiale potesse darci una mano? Così, abbiamo deciso di scommettere sul modello di deep learning YOLOv8. Perché proprio lui? Perché è un vero segugio digitale! Grazie alla sua capacità di estrarre caratteristiche da più livelli e di fonderle insieme, YOLOv8 è un campione nel rilevare automaticamente i danni.
La Cina, con le sue “Linee Guida per lo Sviluppo Rurale Digitale”, sta spingendo forte sull’acceleratore della digitalizzazione del patrimonio culturale. E noi siamo perfettamente in linea con questa visione. L’IA sta diventando uno strumento sempre più cruciale: può creare modelli digitali per il restauro, classificare edifici storici, monitorare lo stato di conservazione e migliorare l’efficienza dei lavori di protezione. Pensate al concetto di “digital twin”, una copia digitale esatta di un bene culturale che permette diagnosi, riproduzioni virtuali e una gestione più efficace. Non si tratta solo di registrare e conservare, ma di creare un vero e proprio sistema di protezione, utilizzo e trasmissione del patrimonio. Immaginate Google Arts e Culture o la World Digital Library: ecco, l’idea è quella, ma applicata in modo ancora più specifico e mirato.

Le tecnologie digitali, come la scansione 3D ad alta definizione e l’archiviazione digitale, permettono già di preservare virtualmente reperti ed edifici, proteggendoli da disastri naturali o dal semplice passare del tempo. Il telerilevamento, con immagini satellitari e LiDAR, monitora ampie aree rurali, scovando minacce come l’erosione o costruzioni abusive. Tuttavia, molte piattaforme digitali esistenti si limitano a raccogliere informazioni testuali e fotografiche, senza spingersi verso modelli 3D, realtà virtuale o sistemi di rilevamento automatico dei danni. E qui sta il problema: gli strumenti tradizionali per ispezionare i muri, come scanner laser 3D o ultrasuoni, sono costosi e complessi, poco adatti alle aree rurali con risorse limitate. C’era bisogno di qualcosa di più agile, economico e facile da usare.

Ecco perché la serie di modelli YOLO (You Only Look Once) è diventata così importante. Questi modelli sono rapidi ed efficienti nel rilevamento di oggetti in tempo reale. YOLO può individuare crepe, scrostature e altri danni sulla superficie degli edifici antichi, fornendo un supporto preciso per i restauri. Può persino identificare comportamenti sospetti nelle riprese di videosorveglianza o classificare automaticamente scene del patrimonio culturale, come costumi d’opera o figure su antiche steli. Gli archeologi lo usano per trovare reperti in immagini aeree. E YOLOv8? È l’ultima evoluzione, ancora più preciso, veloce e versatile, perfetto anche per dispositivi con risorse limitate.

La Nostra Missione: Cacciatori di Danni con Occhi Bionici

Come abbiamo fatto? Semplice (si fa per dire!):

• Raccolta dati sul campo: Siamo andati direttamente nelle zone di Hangzhou e Lishui, armati di macchine fotografiche ad alta definizione. Abbiamo immortalato muri di abitazioni tradizionali e degli archi di ingresso ai villaggi, concentrandoci sulle facciate laterali e sui punti con danni visibili e buona illuminazione. Abbiamo scattato ben 196 immagini, che poi, dopo una selezione e ritaglio, sono diventate 187 campioni validi da 512×512 pixel.
• Etichettatura minuziosa: Ogni immagine è stata analizzata e i danni (buchi, macchie bianche, ingiallimento/imbrunimento, crepe) sono stati “etichettati”. Immaginate di mettere delle etichette virtuali su ogni singolo problema del muro. Questo serve per insegnare al modello cosa cercare. Abbiamo creato un vero e proprio database standardizzato.
• Addestramento del modello: Abbiamo dato in pasto questi dati a YOLOv8. Lui ha imparato a riconoscere i diversi tipi di danno, un po’ come uno studente che impara a distinguere le lettere dell’alfabeto. Abbiamo suddiviso il dataset in training (70%), validazione (20%) e test (10%).
• Test e verifiche: Abbiamo messo alla prova il nostro “studente digitale” per vedere quanto fosse bravo.

L’innovazione del nostro studio sta proprio nell’aver proposto e verificato un metodo di rilevamento automatico dei danni ai mattoni dei muri basato su YOLOv8. Questo migliora l’automazione, la velocità e la precisione, permettendo interventi di restauro più rapidi e mirati.

I Risultati? Sorprendenti (con qualche sfida)!

Ebbene, i risultati sono stati davvero incoraggianti! YOLOv8 si è dimostrato particolarmente abile nel riconoscere l’ingiallimento (con una precisione media di 0.8, un ottimo voto!) e le macchie (con un F1-score di 0.71). Abbiamo anche notato che le sue prestazioni migliorano ulteriormente con immagini ad alta risoluzione. Certo, la perfezione non è di questo mondo: il rilevamento delle crepe si è rivelato un osso più duro, probabilmente perché le loro caratteristiche sono più sottili e meno frequenti nel nostro dataset iniziale.
Durante l’addestramento, abbiamo monitorato le “perdite” (loss) del modello, che indicano quanto si discosta dalla realtà. All’inizio erano alte, ma già dopo 25 “epoche” (cicli di addestramento) sono crollate, segno che il modello stava imparando in fretta. Abbiamo testato il modello in diverse fasi chiave del suo addestramento (alla 37ª, 100ª, 169ª e 200ª epoca). Il modello della 100ª epoca è risultato il più equilibrato, con ottime performance su ingiallimento e macchie, e una discreta capacità sui buchi. L’ingiallimento, in particolare, ha raggiunto una precisione media di 0.8 e le macchie di 0.46. La rilevazione dei buchi si è attestata su una precisione media di 0.59.
Analizzando le “matrici di confusione” (che ci dicono quanto spesso il modello confonde un tipo di danno con un altro o con lo sfondo), abbiamo visto che alla 100ª epoca il modello classificava correttamente l’85% dei danni da ingiallimento e il 56% delle macchie. Per i buchi, la percentuale era del 48%. Le crepe, come detto, sono rimaste il nostro tallone d’Achille, con un tasso di riconoscimento quasi nullo in queste metriche quantitative, sebbene nei test visivi su immagini reali il modello riuscisse a individuarle. Questo suggerisce che le crepe nel dataset di training potrebbero non essere state sufficientemente rappresentative o che le loro caratteristiche siano particolarmente difficili da generalizzare per il modello.

Un Detective Tascabile: Il Sistema Mobile con Raspberry Pi 5

Ma la vera chicca è un’altra: abbiamo sviluppato un sistema di rilevamento mobile basato su Raspberry Pi 5! Immaginate un piccolo dispositivo portatile, con una telecamera CSI e un sistema di servomotori per orientarla, che può essere controllato da uno smartphone. Questo ci permette di andare sul posto, fare monitoraggi in tempo reale e raccogliere dati preziosi. È una soluzione economica, efficiente e super pratica per la protezione del nostro patrimonio culturale.
Abbiamo testato questo dispositivo su edifici storici reali, come il No. 1 Qinglin Village, la Tan’s House e l’ex residenza di Wuling. I risultati sul campo, utilizzando immagini ad alta risoluzione (4096×3072 pixel), hanno confermato la robustezza del modello. Anzi, con una risoluzione maggiore, il modello è riuscito a catturare ancora più dettagli, migliorando il rilevamento di tutti i tipi di danno, specialmente macchie e ingiallimento. Anche se qualche piccolo buco è sfuggito, la performance generale è stata eccellente. L’analisi delle “feature map” (le mappe delle caratteristiche che il modello “vede”) ha mostrato come, ad alta risoluzione, il modello riesca a cogliere dettagli più fini, mentre a bassa risoluzione tende a concentrarsi su caratteristiche più ampie.

Perché Tutto Questo è Importante? Il Clima e i Materiali

Il clima umido dello Zhejiang gioca un ruolo cruciale. L’acqua assorbita dai mattoni per capillarità trasporta sali minerali che, evaporando, lasciano quelle fastidiose macchie bianche o gialle. Le escursioni termiche, poi, causano stress ai materiali, portando alla formazione di crepe. I materiali tradizionali, come i mattoni rossi locali (molto igroscopici) e le malte antiche (che col tempo perdono coesione), sono particolarmente vulnerabili. Il nostro modello YOLOv8, identificando questi danni, non solo ci aiuta a intervenire, ma ci permette anche di capire meglio come l’ambiente influisce sul degrado.
Il nostro studio dimostra come l’IA possa essere un alleato prezioso. Non si tratta di sostituire l’occhio esperto dell’restauratore, ma di fornirgli uno strumento potente per velocizzare le diagnosi, ridurre i costi e intervenire in modo più mirato, soprattutto in aree vaste e difficili da monitorare costantemente con metodi tradizionali.

Guardando al Futuro

Certo, c’è ancora da lavorare. Vogliamo migliorare il rilevamento delle micro-fratture e dei piccoli buchi, magari arricchendo il dataset di addestramento o esplorando nuove tecniche di estrazione delle caratteristiche. Pensiamo anche a rendere il modello più “leggero” per farlo funzionare ancora meglio su dispositivi con poche risorse.
La nostra speranza è che questa tecnologia possa essere estesa ad altri tipi di patrimonio architettonico, come strutture in legno o pietra, diventando uno strumento chiave per la salvaguardia dei nostri tesori storici e culturali. È un piccolo passo per noi, ma speriamo sia un grande passo per la conservazione del patrimonio rurale!

Fonte: Springer