Методы идентификации и метрики оценки состояния каменной Великой стены Пекина

Почему состояние Великой стены важно сегодня

Великая стена — это не просто открытка; это инженерная задача XXI века. Простираясь по суровым горам вокруг Пекина, её кирпичные и каменные участки медленно разрушаются от погодных условий, растительности и интенсивного туризма. Осматривать такую гигантскую конструкцию кирпич за кирпичом силами только человеческих бригад невозможно. В этом исследовании показано, как беспилотники, «спутниковая» съёмка и искусственный интеллект могут работать вместе, чтобы автоматически сканировать стену и присваивать каждой её части оценку состояния, помогая хранителям наследия решать, где действовать до того, как повреждения станут необратимыми.

Четыре способа, как стена может разрушаться

Чтобы научить компьютеры тому, как выглядят «здоровые» и «больные» участки, исследователи сначала согласовали простые, реалистичные категории повреждений. Они разделили каменную Великую стену в окрестностях Пекина на четыре видимых состояния. В первом стена в основном цела, часто благодаря прежним ремонтам и регулярным инспекциям. Во втором наблюдаются локальные дефекты — отсутствующие кирпичи, трещины или сломанные камни — при этом основная структура ещё сохраняется. Третье состояние характеризуется засильем растительности, когда корни растений проникают и раздвигают кладку. Четвёртое — самое тяжёлое: крупные обрушения башен и секций стены, остаются лишь низкие фрагменты. Эти категории превращают сложную задачу сохранения в набор чётких визуальных паттернов, которые компьютеры могут научиться распознавать.

Создание цифрового двойника на сотни километров

Вооружившись этими четырьмя состояниями, команда собрала крупный цифровой снимок Великой стены. Используя полёты дронов и трёхмерные модели, они получили изображения, покрывающие более 500 километров стены вокруг Пекина, и свели это к более чем 300 километрам высококачественных ортофотопланов — аэрофотоснимков, скорректированных так, чтобы расстояния и углы на экране соответствовали реальным на местности. Специалисты затем точно обчертили повреждённые участки и пометили их в соответствии с четырьмя категориями. Трёхуровневый процесс проверки сопоставлял эти пометки с записями о ремонтах и экспертными оценками. В результате получился детализированный набор данных из 3 408 изображений размером 512 на 512 пикселей, с геокоординатами и историей версий — по сути отслеживаемая, масштабируемая карта состояния стены.

Обучение компактного ИИ распознавать трещины стены

В основе исследования — новая модель компьютерного зрения под названием MEP‑deep, разработанная для выявления тонких паттернов повреждений на этих изображениях и в то же время достаточно лёгкая, чтобы запускаться на скромном оборудовании. Построенная на компактной архитектуре нейронной сети, изначально созданной для смартфонов, модель добавляет два «модуля внимания», которые помогают ей фокусироваться на важном. Один регулирует, насколько сильно взвешены разные признаки изображения, чтобы сигналы от трещин и выпавших кирпичей выделялись на фоне. Другой анализирует пространственное расположение паттернов, позволяя системе отличать, например, природный валун от камня, который когда‑то был частью стены. Испытанная не только на наборе данных по Великой стене, но и на стандартном международном бенчмарке городских изображений, модель немного, но последовательно превзошла несколько устоявшихся методов, при этом потребляя значительно меньше вычислительных ресурсов.

Преобразование цветов на карте в практические оценки

Распознавание повреждённых участков — это лишь половина задачи; менеджерам также нужен числовой показатель, суммирующий состояние участка стены. Поэтому исследователи создали систему оценок, основанную на доле каждого типа повреждения в данном сегменте. Участки с более целой кладкой получают более высокие оценки, тогда как секции, где доминируют обрушения или густая растительность, получают более жёсткие штрафы. Математический «коэффициент распада» гарантирует, что даже небольшие увеличения доли тяжёлых типов повреждений заметно снижают оценку, отражая их непропорционно сильное влияние на безопасность и аутентичность. Сравнив оценки, вычисленные по пометкам людей, с оценками по предсказаниям модели на нескольких восстановленных участках, команда показала, что автоматизированная система достаточно близко аппроксимирует экспертное суждение, чтобы указать, где в первую очередь следует проводить наземные проверки.

Что это значит для будущего Великой стены

Проще говоря, эта работа превращает каменную Великую стену Пекина в живой набор данных, за которым можно наблюдать во времени. Вместо того чтобы ждать явных обрушений, специалисты по наследию могут использовать полёты дронов и модель MEP‑deep для генерации актуальных карт повреждений и оценок состояния длинных, труднодоступных участков стены. Авторы признают, что существуют и более точные, тяжёлые модели ИИ, но их лёгкий подход практичен для полевых условий и может быть далее совершенствован. За пределами Китая та же комбинация ясных визуальных категорий, тщательно созданных наборов данных и эффективного ИИ может помочь защищать другие протяжённые, уязвимые объекты наследия — от древних рубежей до исторических каналов — превращая разбросанные камни в полезную для действий информацию.

Цитирование: 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

Ключевые слова: сохранение Великой стены, мониторинг наследия, дистанционное зондирование, глубокое обучение, выявление структурных повреждений