Investigación sobre el reconocimiento de patrones en espejos de cobre de la dinastía Song basada en MOEAD

Por qué los espejos antiguos se encuentran con máquinas modernas

Imagine usar la cámara de su teléfono para identificar al instante qué criaturas míticas están grabadas en un espejo de bronce de mil años de antigüedad. Este estudio acerca esa visión a la realidad. Los autores combinan software avanzado de reconocimiento de imágenes con una estrategia inteligente de optimización para identificar automáticamente diseños de animales en espejos de bronce de la dinastía Song, ayudando a conservadores, arqueólogos y al público a explorar tesoros culturales de forma más rápida y precisa.

Arrojando luz sobre los espejos de bronce de la era Song

Los espejos de bronce fueron objetos cotidianos en la antigua China, pero también tenían un profundo significado social y espiritual. En la dinastía Song, sus reversos estaban decorados con escenas intrincadas: dragones y fénix, grullas y tortugas, leones y ciervos, cada uno cargado de simbolismo sobre poder, suerte y creencias. Se han excavado gran número de estos espejos, sin embargo, la identificación de sus patrones detallados ha dependido largamente del ojo experto—un enfoque lento, subjetivo y difícil de escalar. Los autores sostienen que si los ordenadores pudieran reconocer estos motivos de forma fiable, apoyarían una catalogación más consistente, la preservación digital y nuevos tipos de análisis culturales.

Convertir motivos en datos que el ordenador pueda leer

Para enseñar a un ordenador a “ver” estos diseños, el equipo primero reunió una colección de imágenes dedicada de 140 espejos de bronce de la dinastía Song que contienen 14 tipos de animales, desde dragones y fénix hasta peces, tigres y ánades mandarines. Cada imagen fue cuidadosamente etiquetada por motivo y luego dividida en conjuntos de entrenamiento, validación y prueba. Dado que el conjunto de datos es pequeño y algunos animales son raros, los investigadores ampliaron el material de entrenamiento mediante transformaciones sistemáticas—recortes, volteos, rotaciones, cambios de color y brillo e incluso borrado de pequeños parches. Estas variaciones imitan la forma en que los artefactos reales pueden verse bajo distintas iluminaciones, ángulos de cámara o desgaste, ayudando al modelo a aprender la esencia de cada motivo en lugar de memorizar unos pocos ejemplos impecables.

Cómo funciona el sistema inteligente de reconocimiento

En el núcleo del sistema hay un modelo de aprendizaje profundo llamado ResNet50, una especie de ojo digital que aprende a extraer patrones visuales de las imágenes. Su diseño incluye conexiones “directas” que ayudan a que la información fluya a través de muchas capas sin perderse, permitiéndole captar tanto detalles superficiales finos como formas de mayor nivel. Sobre esto, los autores introducen una estrategia de la computación evolutiva conocida como MOEA/D. En lugar de adivinar manualmente los parámetros de entrenamiento, dejan que una población virtual de configuraciones candidatas “evolucione” durante muchas rondas. Cada candidato se evalúa según varios objetivos a la vez: mantener bajos los errores de predicción, maximizar la exactitud entre etiquetas y mantener un comportamiento estable. Con el tiempo, el algoritmo converge hacia combinaciones de velocidad de aprendizaje y fuerza de regularización que ofrecen el mejor equilibrio entre precisión y fiabilidad.

Poner el sistema a prueba

Los investigadores compararon entonces su modelo optimizado con tres alternativas populares: VGG16, EfficientNet-B0 y una versión no optimizada de ResNet50. Todos los modelos se entrenaron con las mismas imágenes de espejos y se probaron con ejemplos no vistos. El sistema optimizado destacó. Alcanzó una precisión de Hamming—una medida de cuán consistentemente se predice cada etiqueta—de más del 94% en el conjunto de validación y más del 91% en el conjunto de prueba, superando a las otras redes. También mostró un rendimiento más uniforme entre categorías, evitando el patrón en el que algunos animales se reconocen casi perfectamente mientras que otros pasan desapercibidos. Experimentos adicionales, incluidas pruebas estadísticas y estudios de oclusión que ocultan partes de la imagen, indicaron que las mejoras no son fruto de la casualidad: el modelo se centra genuinamente en las regiones del motivo y lo hace de manera repetible, incluso para algunos de los animales más raros.

Qué implica esto para el patrimonio cultural

Para los no especialistas, la conclusión es sencilla: el estudio demuestra que una inteligencia artificial cuidadosamente afinada puede identificar de forma fiable animales en espejos de bronce de siglos de antigüedad, con un coste computacional adicional mínimo y menos dependencia exclusiva del juicio experto. Aunque el modelo aún tiene dificultades con motivos muy raros o visualmente similares, ya ofrece una herramienta práctica para museos e investigadores para acelerar la catalogación y apoyar archivos digitales. A medida que estén disponibles colecciones de imágenes más amplias y se refine el método—posiblemente con generación de datos más potente y visualizaciones explicables—enfoques similares podrían extenderse a otros artefactos, desde piedra tallada hasta tejidos pintados, haciendo que la estructura invisible de nuestro pasado material sea visible tanto para los estudiosos como para el público en general.

Cita: Feng, Q., Yu, K., Li, Y. et al. Research on Song dynasty copper mirror pattern recognition based on MOEAD. npj Herit. Sci. 14, 158 (2026). https://doi.org/10.1038/s40494-026-02413-x

Palabras clave: espejos de bronce de la dinastía Song, IA para patrimonio cultural, reconocimiento de patrones en imágenes, optimización en aprendizaje profundo, clasificación de motivos en artefactos