Recherche sur la reconnaissance de motifs des miroirs en cuivre de la dynastie Song basée sur MOEAD

Pourquoi les miroirs anciens rencontrent les machines modernes

Imaginez utiliser l’appareil photo de votre téléphone pour identifier instantanément quelles créatures mythiques sont gravées sur un miroir en bronze vieux de mille ans. Cette étude rapproche cette vision de la réalité. Les auteurs combinent un logiciel avancé de reconnaissance d’images avec une stratégie d’optimisation intelligente pour identifier automatiquement les motifs animaux des miroirs en bronze de la dynastie Song, aidant conservateurs, archéologues et grand public à explorer ces trésors culturels plus rapidement et avec plus de précision.

Éclairer les miroirs en bronze de l’époque Song

Les miroirs en bronze étaient des objets du quotidien dans la Chine ancienne, mais ils portaient aussi un sens social et spirituel profond. À l’époque Song, leurs revers étaient décorés de scènes complexes : dragons et phénix, grues et tortues, lions et cerfs, chacun chargé de symboles sur le pouvoir, la chance et la croyance. Un grand nombre de ces miroirs ont été mis au jour, pourtant l’identification de leurs motifs détaillés a longtemps dépendu du regard d’experts — une méthode lente, subjective et difficile à étendre. Les auteurs soutiennent que si les ordinateurs pouvaient reconnaître ces motifs de façon fiable, cela permettrait un catalogage plus cohérent, une préservation numérique et de nouveaux types d’analyses culturelles.

Transformer les motifs en données lisibles par l’ordinateur

Pour apprendre à un ordinateur à « voir » ces dessins, l’équipe a d’abord constitué une collection d’images dédiée de 140 miroirs de la dynastie Song présentant 14 types d’animaux, des dragons et phénix aux poissons, tigres et canards mandarins. Chaque image a été soigneusement étiquetée par motif puis répartie en ensembles d’entraînement, de validation et de test. Parce que l’ensemble de données est réduit et que certains animaux sont rares, les chercheurs ont enrichi les données d’entraînement par des transformations systématiques — recadrage, retournement, rotation, modification de couleur et de luminosité, et même effacement de petites zones. Ces variations imitent l’apparence réelle des artefacts sous différents éclairages, angles de prise de vue ou usures, aidant le modèle à apprendre l’essentiel de chaque motif plutôt qu’à mémoriser quelques exemples parfaits.

Comment fonctionne le système de reconnaissance intelligent

Au cœur du système se trouve un modèle d’apprentissage profond appelé ResNet50, une sorte d’œil numérique qui apprend à extraire des motifs visuels des images. Sa conception inclut des connexions « raccourci » qui facilitent la circulation de l’information à travers de nombreuses couches sans qu’elle ne se perde, lui permettant de capter à la fois des détails de surface fins et des formes de niveau supérieur. Par-dessus cela, les auteurs introduisent une stratégie issue de l’informatique évolutionnaire connue sous le nom de MOEA/D. Plutôt que de choisir manuellement les paramètres d’entraînement, ils laissent une population virtuelle de paramètres candidats « évoluer » sur de nombreux tours. Chaque candidat est jugé selon plusieurs objectifs simultanés : réduire les erreurs de prédiction, maximiser la précision sur les étiquettes et maintenir un comportement stable. Au fil du temps, l’algorithme converge vers des combinaisons de vitesse d’apprentissage et de force de régularisation offrant le meilleur compromis entre précision et fiabilité.

Mettre le système à l’épreuve

Les chercheurs ont ensuite comparé leur modèle optimisé à trois alternatives populaires : VGG16, EfficientNet-B0 et une version non optimisée de ResNet50. Tous les modèles ont été entraînés sur les mêmes images de miroirs et évalués sur des exemples jamais vus. Le système optimisé s’est démarqué. Il a obtenu une précision de Hamming — une mesure de la cohérence de la prédiction de chaque étiquette — de plus de 94 % sur l’ensemble de validation et de plus de 91 % sur l’ensemble de test, surpassant les autres réseaux. Il a aussi montré des performances plus homogènes selon les catégories, évitant le schéma où certains animaux sont reconnus presque parfaitement tandis que d’autres sont complètement ignorés. Des expériences complémentaires, incluant des tests statistiques et des études d’occultation qui masquent des parties de l’image, indiquent que ces gains ne relèvent pas du hasard : le modèle se concentre véritablement sur les régions de motif et le fait de manière reproductible, y compris pour certains animaux plus rares.

Ce que cela signifie pour le patrimoine culturel

Pour les non-spécialistes, la conclusion est simple : l’étude montre qu’une intelligence artificielle soigneusement réglée peut repérer de façon fiable les animaux sur des miroirs en bronze vieux de plusieurs siècles, avec un coût informatique additionnel minimal et moins de dépendance à l’expertise humaine seule. Bien que le modèle éprouve encore des difficultés avec des motifs très rares ou visuellement proches, il offre déjà un outil pratique pour les musées et les chercheurs afin d’accélérer le catalogage et d’alimenter les archives numériques. À mesure que des collections d’images plus larges seront disponibles et que la méthode sera affinée — éventuellement par une génération de données plus puissante et des visualisations explicatives — des approches similaires pourraient s’étendre à d’autres artefacts, de la pierre sculptée aux textiles peints, rendant la structure invisible de notre passé matériel visible aux chercheurs comme au grand public.

Citation: 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

Mots-clés: miroirs en bronze de la dynastie Song, IA pour le patrimoine culturel, reconnaissance de motifs d’image, optimisation en apprentissage profond, classification des motifs d’artefacts