Pesquisa sobre reconhecimento de padrões em espelhos de cobre da dinastia Song baseada em MOEAD

Por que espelhos antigos encontram máquinas modernas

Imagine usar a câmera do seu telefone para identificar instantaneamente quais criaturas míticas estão gravadas em um espelho de bronze de mil anos. Este estudo aproxima essa visão da realidade. Os autores combinam software avançado de reconhecimento de imagens com uma estratégia de otimização inteligente para identificar automaticamente desenhos de animais em espelhos de bronze da dinastia Song, ajudando curadores, arqueólogos e o público a explorar tesouros culturais com mais rapidez e precisão.

Iluminando os espelhos de bronze da era Song

Os espelhos de bronze eram objetos do cotidiano na antiga China, mas também carregavam um profundo significado social e espiritual. Na dinastia Song, seus versos eram decorados com cenas intrincadas: dragões e fênix, grou e tartarugas, leões e cervos, cada um carregado de simbolismo sobre poder, sorte e crença. Um grande número desses espelhos foi escavado, porém a identificação de seus padrões detalhados há muito depende do olhar de especialistas—uma abordagem lenta, subjetiva e difícil de escalar. Os autores sustentam que, se computadores pudessem reconhecer esses motivos de forma confiável, isso apoiaria um catalogamento mais consistente, preservação digital e novos tipos de análise cultural.

Transformando motivos em dados que um computador pode ler

Para ensinar um computador a “ver” esses desenhos, a equipe primeiro reuniu uma coleção de imagens dedicada com 140 espelhos de bronze da dinastia Song apresentando 14 tipos de animais, desde dragões e fênix até peixes, tigres e marrecos. Cada imagem foi cuidadosamente rotulada por motivo e então dividida em conjuntos de treinamento, validação e teste. Porque o conjunto de dados é pequeno e alguns animais são raros, os pesquisadores ampliaram o material de treinamento usando transformações sistemáticas—corte, espelhamento, rotação, alteração de cor e brilho e até apagamento de pequenos trechos. Essas variações imitam a forma como artefatos reais podem parecer sob diferentes iluminações, ângulos de câmera ou desgaste, ajudando o modelo a aprender a essência de cada motivo em vez de memorizar alguns exemplos perfeitos.

Como o sistema de reconhecimento inteligente funciona

No coração do sistema está um modelo de aprendizado profundo chamado ResNet50, uma espécie de olho digital que aprende a extrair padrões visuais das imagens. Seu desenho inclui conexões “atalho” que ajudam a informação a fluir por muitas camadas sem se perder, permitindo captar tanto detalhes superficiais finos quanto formas de nível superior. Sobre isso, os autores introduzem uma estratégia da computação evolutiva conhecida como MOEA/D. Em vez de chutar parâmetros de treinamento manualmente, eles deixam uma população virtual de configurações candidatas “evoluir” ao longo de muitas rodadas. Cada candidato é avaliado em vários objetivos ao mesmo tempo: manter baixos erros de previsão, maximizar a acurácia entre as etiquetas e manter comportamento estável. Com o tempo, o algoritmo converge em combinações de taxa de aprendizado e força de regularização que oferecem o melhor balanço entre acurácia e confiabilidade.

Colocando o sistema à prova

Os pesquisadores então compararam seu modelo otimizado com três alternativas populares: VGG16, EfficientNet-B0 e uma versão não otimizada do ResNet50. Todos os modelos foram treinados nas mesmas imagens de espelhos e testados em exemplos não vistos. O sistema otimizado se destacou. Alcançou uma acurácia de Hamming—uma medida de quão consistentemente cada etiqueta é prevista—superior a 94% no conjunto de validação e mais de 91% no conjunto de teste, superando as outras redes. Também mostrou desempenho mais uniforme entre as categorias, evitando o padrão em que alguns animais são reconhecidos quase perfeitamente enquanto outros são totalmente perdidos. Experimentos adicionais, incluindo testes estatísticos e estudos de oclusão que escondem partes da imagem, indicaram que os ganhos não são apenas sorte: o modelo foca genuinamente nas regiões de motivo e o faz de maneira repetível, mesmo para alguns dos animais mais raros.

O que isso significa para o patrimônio cultural

Para não especialistas, a conclusão é direta: o estudo mostra que inteligência artificial cuidadosamente ajustada pode identificar com confiança animais em espelhos de bronze de séculos atrás, com custo computacional mínimo adicional e menos dependência apenas do julgamento de especialistas. Embora o modelo ainda tenha dificuldades com motivos muito raros ou visualmente semelhantes, ele já oferece uma ferramenta prática para museus e pesquisadores acelerarem o catalogamento e apoiarem arquivos digitais. À medida que coleções de imagens maiores se tornem disponíveis e o método seja refinado—possivelmente com geração de dados mais poderosa e visualizações explicáveis—abordagens similares poderiam ser estendidas a outros artefatos, de pedra esculpida a tecidos pintados, tornando a estrutura invisível do nosso passado material visível para estudiosos e para o público em geral.

Citação: 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

Palavras-chave: espelhos de bronze da dinastia Song, IA para patrimônio cultural, reconhecimento de padrões em imagens, otimização em aprendizado profundo, classificação de motivos em artefatos