Ricerca sul riconoscimento dei motivi sui specchi in rame della dinastia Song basata su MOEAD

Perché gli antichi specchi incontrano le macchine moderne

Immaginate di usare la fotocamera del telefono per riconoscere all’istante quali creature mitiche sono incise su uno specchio di bronzo millenario. Questo studio avvicina quella visione alla realtà. Gli autori combinano avanzati software di riconoscimento delle immagini con una strategia di ottimizzazione intelligente per identificare automaticamente i motivi animali sugli specchi di bronzo della dinastia Song, aiutando curatori, archeologi e il pubblico a esplorare i tesori culturali più rapidamente e con maggiore precisione.

Fare luce sugli specchi di bronzo dell’epoca Song

Gli specchi di bronzo erano oggetti d’uso quotidiano nell’antica Cina, ma portavano anche profonde valenze sociali e spirituali. Nella dinastia Song, i lati posteriori erano decorati con scene complesse: draghi e fenici, gru e tartarughe, leoni e cervi, ognuno carico di simbolismi su potere, fortuna e credenze. Un gran numero di questi specchi è stato scavato, ma l’identificazione dei motivi dettagliati è a lungo dipesa dall’occhio esperto—un approccio lento, soggettivo e difficile da scalare. Gli autori sostengono che se i computer potessero riconoscere in modo affidabile questi motivi, si favorirebbe una catalogazione più coerente, la conservazione digitale e nuovi tipi di analisi culturale.

Trasformare i motivi in dati leggibili dal computer

Per insegnare a un computer a “vedere” questi disegni, il team ha prima assemblato una collezione di immagini dedicata di 140 specchi di bronzo della dinastia Song che mostrano 14 tipi di animali, dai draghi e fenici a pesci, tigri e anatre mandarine. Ogni immagine è stata accuratamente etichettata per motivo e poi divisa in set di addestramento, validazione e test. Poiché il dataset è piccolo e alcuni animali sono rari, i ricercatori hanno ampliato il materiale di addestramento usando trasformazioni sistematiche—ritagli, riflessioni, rotazioni, variazioni di colore e luminosità e persino cancellature di piccole porzioni. Queste variazioni imitano il modo in cui gli artefatti reali possono apparire sotto diverse condizioni di luce, angolazioni della fotocamera o usura, aiutando il modello a imparare l’essenza di ciascun motivo invece di memorizzare pochi esempi perfetti.

Come funziona il sistema di riconoscimento intelligente

Al centro del sistema c’è un modello di deep learning chiamato ResNet50, una sorta di occhio digitale che impara a estrarre pattern visivi dalle immagini. Il suo progetto include connessioni “di scatto” che aiutano il flusso di informazioni attraverso molti strati senza disperderle, permettendo di cogliere sia dettagli superficiali fini sia forme di livello superiore. Su questo, gli autori introducono una strategia dall’informatica evolutiva nota come MOEA/D. Invece di selezionare manualmente i parametri di addestramento, lasciano che una popolazione virtuale di candidati “evolva” nel corso di molti cicli. Ogni candidato è giudicato su più obiettivi contemporaneamente: mantenere bassi gli errori di predizione, massimizzare l’accuratezza sulle etichette e garantire comportamento stabile. Col tempo, l’algoritmo converge su combinazioni di velocità di apprendimento e forza di regolarizzazione che offrono il miglior compromesso tra accuratezza e affidabilità.

Mettere il sistema alla prova

I ricercatori hanno quindi confrontato il loro modello ottimizzato con tre alternative popolari: VGG16, EfficientNet-B0 e una versione non ottimizzata di ResNet50. Tutti i modelli sono stati addestrati sulle stesse immagini di specchi e testati su esempi non visti. Il sistema ottimizzato si è distinto. Ha raggiunto una accuratezza di Hamming—una misura di quanto coerentemente ogni etichetta viene predetta—superiore al 94% sul set di validazione e oltre il 91% sul set di test, superando le altre reti. Ha inoltre mostrato prestazioni più omogenee tra le categorie, evitando il fenomeno per cui alcuni animali vengono riconosciuti quasi perfettamente mentre altri vengono completamente trascurati. Esperimenti aggiuntivi, inclusi test statistici e studi di occlusione che nascondono parti dell’immagine, hanno indicato che i miglioramenti non sono dovuti al caso: il modello si concentra genuinamente sulle regioni del motivo e lo fa in modo ripetibile, anche per alcuni degli animali più rari.

Cosa significa per il patrimonio culturale

Per i non specialisti, la conclusione è semplice: lo studio mostra che un’intelligenza artificiale accuratamente tarata può individuare in modo affidabile gli animali su specchi di bronzo secolari, con un costo computazionale aggiuntivo minimo e meno dipendenza dal giudizio esclusivo degli esperti. Sebbene il modello fatichi ancora con motivi molto rari o visivamente simili, offre già uno strumento pratico per musei e ricercatori per accelerare la catalogazione e supportare archivi digitali. Con l’arrivo di collezioni di immagini più ampie e il perfezionamento del metodo—possibilmente con tecniche più potenti di generazione dei dati e visualizzazioni spiegabili—approcci simili potrebbero essere estesi ad altri manufatti, dalla pietra scolpita ai tessuti dipinti, rendendo le strutture nascoste del nostro passato materiale nuovamente visibili sia agli studiosi sia al pubblico più ampio.

Citazione: 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

Parole chiave: Specchi di bronzo della dinastia Song, IA per il patrimonio culturale, riconoscimento di pattern nelle immagini, ottimizzazione con apprendimento profondo, classificazione dei motivi degli artefatti