Méthodes d’identification et métriques d’évaluation de l’état de la Grande Muraille maçonnée de Pékin

Pourquoi l’état de la Grande Muraille compte aujourd’hui

La Grande Muraille n’est pas qu’une image de carte postale ; c’est un problème d’ingénierie du XXIe siècle. S’étendant sur des montagnes escarpées autour de Pékin, ses sections en briques et en pierre sont lentement dégradées par le climat, la végétation et le tourisme intense. Inspecter une structure aussi vaste brique par brique est impossible pour des équipes humaines seules. Cette étude montre comment des drones, des images de type satellitaire et l’intelligence artificielle peuvent coopérer pour scanner automatiquement la Muraille et évaluer l’état de chaque portion, aidant ainsi les conservateurs à décider où intervenir avant que les dommages ne deviennent irréversibles.

Quatre façons dont un mur peut se détériorer

Pour apprendre aux ordinateurs à distinguer « sain » et « détérioré », les chercheurs ont d’abord dû se mettre d’accord sur des catégories simples et observables. Ils ont divisé la Muraille maçonnée de Pékin en quatre états visibles. Dans le premier, le mur est globalement intact, souvent grâce à des réparations antérieures et à des inspections régulières. Le second présente des défauts locaux — briques manquantes, fissures ou pierres cassées — tandis que la structure principale tient encore. Le troisième est dominé par la végétation, où les racines pénètrent et écartent la maçonnerie. Le quatrième est le plus sévère, avec d’importants effondrements de tours et de segments du mur, ne laissant que de faibles vestiges. Ces catégories transforment un problème complexe de conservation en un ensemble de motifs visuels clairs que les ordinateurs peuvent apprendre à reconnaître.

Construire un jumeau numérique de centaines de kilomètres

Munis de ces quatre états, l’équipe a assemblé un vaste instantané numérique de la Grande Muraille. À partir de vols de drones et de modèles tridimensionnels, ils ont collecté des images couvrant plus de 500 kilomètres de mur autour de Pékin et les ont condensées en plus de 300 kilomètres d’orthophotos de haute qualité — des images aériennes corrigées pour que les distances et les angles à l’écran correspondent au terrain. Des spécialistes ont ensuite dessiné des contours précis autour des zones endommagées et les ont étiquetées selon les quatre catégories. Un processus de révision en trois niveaux a vérifié ces étiquettes par rapport aux dossiers de réparation et au jugement d’experts. Le résultat est un jeu de données détaillé de 3 408 tuiles d’image, chacune de 512 sur 512 pixels, avec coordonnées géographiques et historique des versions — essentiellement une carte traçable et consultable en zoom de l’état de la Muraille.

Apprendre à une IA légère à lire les fissures du mur

Le cœur de l’étude est un nouveau modèle de vision par ordinateur appelé MEP‑deep, conçu pour repérer les motifs subtils de dommages dans ces images tout en restant assez léger pour fonctionner sur du matériel modeste. Fondé sur une architecture neuronale compacte initialement créée pour les smartphones, le modèle ajoute deux composants d’« attention » qui l’aident à se concentrer sur l’essentiel. L’un ajuste l’importance relative des différentes caractéristiques d’image, de sorte que les signaux issus des fissures et des briques manquantes ressortent du fond. L’autre considère l’agencement spatial des motifs, permettant au système de distinguer, par exemple, un rocher naturel d’une pierre qui faisait autrefois partie du mur. Testé non seulement sur le jeu de données de la Grande Muraille mais aussi sur une référence internationale standard d’images urbaines, le modèle a légèrement mais régulièrement surpassé plusieurs méthodes établies, tout en utilisant beaucoup moins de ressources informatiques.

Transformer des couleurs sur une carte en scores exploitables

Reconnaître les zones endommagées ne suffit pas ; les gestionnaires ont aussi besoin d’un indice qui résume l’état d’un tronçon. Les chercheurs ont donc créé un système de notation fondé sur la proportion de chaque type de dommage dans une section donnée. Les zones avec une maçonnerie plus intacte obtiennent de meilleurs scores, tandis que les sections dominées par l’effondrement ou une végétation abondante sont fortement pénalisées. Un terme mathématique de « décroissance » fait en sorte que même de petites augmentations des types de dommages sévères abaissent nettement le score, reflétant leur impact disproportionné sur la sécurité et l’authenticité. En comparant les scores calculés à partir des étiquettes humaines avec ceux issus des prédictions du modèle sur plusieurs sections restaurées, l’équipe a montré que le système automatisé peut approcher suffisamment le jugement d’experts pour orienter les interventions sur le terrain.

Ce que cela signifie pour l’avenir de la Grande Muraille

En clair, ce travail transforme la Grande Muraille maçonnée de Pékin en un jeu de données vivant qui peut être surveillé dans le temps. Plutôt que d’attendre des effondrements évidents, les gestionnaires du patrimoine peuvent utiliser des vols de drones et le modèle MEP‑deep pour générer des cartes de dommages et des indices de santé à jour pour de longues portions difficiles d’accès. Si les auteurs reconnaissent que des modèles d’IA plus lourds et encore plus précis existent, leur approche légère est pratique pour l’usage sur le terrain et peut être améliorée. Au‑delà de la Chine, le même mélange de catégories visuelles claires, de jeux de données soigneusement construits et d’IA efficace pourrait aider à protéger d’autres sites patrimoniaux longs et fragiles — des anciennes frontières aux canaux historiques — en transformant des pierres éparses en informations exploitables.

Citation: Liu, F., Wang, Z., Zhang, Z. et al. Identification methods and evaluation metrics for the condition of the Beijing masonry Great Wall. npj Herit. Sci. 14, 122 (2026). https://doi.org/10.1038/s40494-026-02392-z

Mots-clés: Conservation de la Grande Muraille, surveillance du patrimoine, télédétection, apprentissage profond, détection des dommages structurels