人工智能在文物保护中的应用

学术 2024-10-17 10:11 北京

摘要

人工智能技术正在推动文物保护的现代化进程。文章全面梳理了人工智能在文物保护领域的应用现状。在文物数字化方面，激光点云语义分割等人工智能技术显著提升了文物数字化的效率和精度；在文物识别与管理方面，深度学习图像分类、知识图谱等为文物智能档案管理提供了支撑；在文物监测与检测领域，机器学习可以从环境参数与无损检测数据中自主分析文物状态，实现病害的早期预警；在文物虚拟修复与展示领域，人工智能技术正在从图像、几何、交互等多个层面来优化文物的虚拟修复方法与展示体验。研究显示，人工智能正在从多个维度重塑文物保护的理念、方法与手段，显著提升了文物保护的效率和精度。该综述为进一步探索人工智能赋能文物保护的实现路径提供了参考，有助于推进文物保护科技创新，实现文物保护与现代科技的深度融合。

作者｜程远^①②, 黄继忠^①②, 张悦^①②, 彭宁波^③

①上海大学文化遗产与信息管理学院，文化遗产保护基础科学研究院；②硅酸盐质文物保护教育部重点实验室(上海大学)；③淮阴工学院建筑工程学院

文物是文明的重要载体，保护并利用好文物资源，对传承中华文化、坚定文化自信具有重要意义。然而，随着时间的推移，这些珍贵的文物面临着自然侵蚀、环境污染、人为破坏等多重挑战，亟需有效的保护和管理。2021年，国务院印发的《“十四五”文物保护和科技创新规划》(国办发〔2021〕43号)，明确提出树牢文物保护需要依靠科技的发展理念，提升文物科技创新能力和文物领域科技应用水平，带动解决重点难点和瓶颈问题，支撑引领文物事业高质量发展。

人工智能作为引领新一轮科技革命和产业变革的战略性技术，为文物保护现代化注入了新的活力。自1956年在达特茅斯会议上提出以来，人工智能技术经历了基于规则的早期阶段、机器学习和深度学习阶段^[1-2]。当前，人工智能涵盖了机器学习及其子集深度学习，以及自然语言处理、计算机视觉、强化学习等广泛的技术和应用领域^[3-5]。人工智能技术的应用已深入医疗、教育、金融、交通等多个领域，为社会发展带来革命性变革^[6-7]。在文物保护领域，人工智能同样具有广阔的应用前景，比如通过精准识别、分类和检测，提升了文物保护工作的效率和质量^[8]。同时，人工智能还可以帮助我们更好地挖掘和传承文物的历史文化价值，为文物的保护和传承贡献力量^[9]。

本文在梳理人工智能发展脉络的基础上，重点探讨了人工智能技术在文物数字化、文物识别与管理、文物监测与检测、文物虚拟修复与展示等方面的应用现状(图1)。在文物数字化方面，激光点云语义分割等人工智能技术显著提升了文物数字化的效率和精度；在文物识别与管理方面，深度学习图像分类、知识图谱等为文物智能档案管理提供了支撑；在文物监测与检测领域，机器学习可以从环境参数与无损检测数据中自主分析文物状态，实现病害的早期预警；在文物虚拟修复与展示领域，人工智能技术正在从图像、几何、交互等多个层面来优化文物的虚拟修复方法与展示体验。本文在梳理了人工智能技术在文物保护中的应用现状的基础上，探索人工智能赋能文物保护的实现路径，为推进文物保护科技创新，实现文物保护与现代科技的深度融合提供参考，进而为传承弘扬中华优秀传统文化，增强文化自信贡献力量。

图1 人工智能在文物保护中的应用示意图

1 文物数字化

1.1 基本概念

文物数字化是指运用现代数字技术，将文物的形态、材质、纹饰等信息转化为数字形式，从而实现文物数据的采集、存储、管理和应用的过程^[10-11]，是文物保护与现代科技相结合的产物，是实现文物信息资源化、文物保护现代化的重要手段。以敦煌研究院为例，自20世纪80年代开始的“数字敦煌”项目利用计算机和数字图像处理技术，对敦煌莫高窟的珍贵壁画进行了数字存储和管理^[12]。文物数字化工作主要包括文物本体的数字化和文物档案的数字化。文物本体数字化涉及对文物实体的数字化采集和建模^[13]，而文物档案数字化是对文物的元数据、描述信息、研究资料等进行数字化处理，形成结构化的数据库^[14]。

文物数字化涉及多种数字采集和信息处理技术。其中，三维扫描和数字摄影测量是两种主要技术手段。三维扫描技术通过激光扫描、结构光扫描等方式，直接获取文物表面的三维坐标数据，生成高精度的点云模型。三维激光扫描仪适用于大型文物或遗址的数字化^[15]，而结构光扫描更适用于精细文物的扫描^[16]。摄影测量技术则通过拍摄文物多角度影像，结合计算机视觉算法实现三维重建^[17]。近景摄影测量采用高分辨率数码相机对中小型文物拍照获取影像数据，再通过特征匹配算法生成稠密点云和三维网格模型^[18]。近年来，无人机倾斜摄影测量和贴近摄影测量也逐渐应用于大型不可移动文物的数字化重建，极大提升了效率^[19-20]。

1.2 人工智能在文物数字化中的应用

人工智能技术已成为文物数字化过程中的重要工具，其应用显著提升了三维建模的效率、精度和质量。对于三维点云数据，深度学习技术能够自动提取点云的几何、拓扑结构以及语义属性，实现高效、智能的点云处理和三维重建。例如，Ge等^[^21]提出一种基于深度监督的神经辐射场三维重建方法，可以基于摄影数据实现快速、高几何精度的古建筑三维重建。Yang等^[22]提出一种基于智能点云的复杂几何文物信息建模方法，并分别在2011年和2015年对大足石刻千手观音造像进行了三维建模。针对文物图像数据，深度学习方法可以从图像中自动学习提取几何、纹理特征，生成高质量的三维模型。例如，Battini等^[23]提出一种基于程序建模生成合成点云的深度学习系统，通过语义分割识别历史建筑元素，有效解决了文物点云数据标注不足的问题。

2 文物识别与管理

2.1 基本概念

文物识别是指通过分析文物的形态、纹饰、材质等特征，确定文物的类别、年代、产地等属性的过程。传统的文物识别主要依赖专家的经验和知识，通过目视观察、触摸感知、文献对比等方法进行判断^[24-25]。此外，碳14测年法、铀系测年法等科学测年方法也被用于文物识别。以花山岩画为例，研究人员采用碳14测年法对岩画附近的木桩进行测年，并采用铀系测年法对与岩画相连的碳酸钙进行测年，然后，对花山岩画的绘制年代进行了判定^[26]。随着科技的发展，现代文物识别逐渐融入计算机视觉、模式识别等技术，实现了更快速、更精确的自动化识别^[8]。文物识别是文物智能管理和信息挖掘的基础，对文物聚类、检索、知识关联等应用具有重要意义。相较于依赖专家经验和主观判断的传统方法，智能文物识别利用人工智能算法从大量文物数据中自动学习并提取特征，实现了更快速、更准确的识别。

文物管理是对文物的收藏、保护、研究、展示等过程进行系统化、规范化的组织和控制。传统的文物管理主要依赖手工操作和纸质档案^[27]。以乔家大院民俗博物馆为例，其早期文物藏品档案工作主要通过手工填写登记表、拍摄照片等方式进行，并将这些纸质档案存放在专门的档案室中，这种方式虽然能够保存基本信息，但在检索、更新和利用方面存在诸多不便^[28]。现代文物管理则更多地利用数字化技术和信息系统，实现文物信息的高效管理和利用。例如，浙江文物管理信息系统的构建，实现了文物资源数据的统一管理和快速检索，极大提高了文物管理的效率^[29]。在文物识别技术的支持下，现代文物管理系统能够更好地实现文物信息的智能处理、分析和决策支持，为文物的保护、研究和利用提供更加科学的技术支撑。这些系统不仅可以实现文物信息的快速录入和检索，还能够支持多媒体资料的存储和管理，为文物研究和展示提供更丰富的数据支持。

2.2 人工智能在文物识别中的应用

文物识别的核心技术主要包括计算机视觉、深度学习等。早期，文物识别主要采用数字图像处理和机器学习方法，通过提取文物的视觉特征(如颜色、纹理、形状等)，再使用支持向量机、决策树等分类器进行识别。例如，乔荣华等^[30]构建了一个贝叶斯语义分类器，每个语义类内部建立基于统计的标注模型，进行图像的语义标注，实现了瓦当、青铜器、玉石三类文物的准确分类。翁政魁等^[31]通过轮廓提取、HSI颜色空间转换、纹理描述算子等数字图像处理方法，实现了古陶瓷的无损断代。

近年来，随着深度学习技术的兴起，文物识别领域迎来新的突破。深度学习通过构建多层神经网络，能够自动学习并提取文物图像中的层次化、语义化特征，而无需构建耗时费力的特征工程，在海量文物数据的训练下获得远超传统方法的识别精度^[32]。目前，卷积神经网络(CNNs)是应用最广泛的文物识别模型。CNNs 通过卷积、池化等操作，提取图像局部区域的特征，可以有效捕捉文物纹饰、造型的视觉特征^[33]。例如，周霄等^[34]基于Transformer模型构建了贝叶经病害的自动识别系统，并将其成功应用于布达拉宫30 000叶贝叶经的病害调查。Ćosović和Janković^[35]基于卷积神经网络，对钟楼、穹顶等十个不同类别的10 000余张古建筑图像进行自动分类，准确率在90%以上。Wang等^[36]基于激光扫描数据，采用U-Net结构建立了深度学习模型，对楚纪南故城的古城墙进行了自动化识别。为解决文物图像标注数据少的问题，迁移学习、小样本学习等方法也得到了应用。例如，Kulkarni等^[37]提出一种利用迁移学习进行文化遗产地分类的方法，通过贝叶斯优化方法对学习率、训练周期数、批量大小和架构等超参数进行优化，实现了准确率98.75%的分类精度。

2.3 人工智能在文物管理中的应用

人工智能技术可以显著提升文物管理的效率和智能化水平，通过数据挖掘、知识图谱等技术对非结构化的文物数据进行语义分析和关联，实现文物档案的智能检索、推荐等功能。例如，Wang^[38]选取2000—2023年间289篇石窟寺保护相关文献，采用Neo4j软件构建石窟寺病害监测知识图谱，为石窟寺预防性保护提供了新思路。Huang等^[39]提出一种基于知识图谱和深度学习算法的数字文化遗产管理方法，并基于故宫博物院网站的公开数据集构建了陶瓷知识图谱，实现相关信息的语义检索、知识推荐和可视化展示。

3 文物监测与检测

3.1 基本概念

文物监测是指运用传感技术、物联网等手段，对文物所处环境参数以及文物本体状态进行实时、连续的监控和数据采集的过程^[40]。这一过程能够为文物的预防性保护提供重要依据^[41]。文物检测则侧重于运用无损检测技术对文物的材质、结构、病害等进行分析和评估^[42]。文物监测与检测是文物预防性保护的重要环节^[43]，通过实时监控文物所处环境和本体状态，及时发现和评估文物面临的风险，为制定科学的保护措施提供依据，是实现文物保护从被动式向主动式转变的关键。

文物监测的核心技术主要包括多参数传感和物联网技术。在文物环境监测中，需要综合运用温湿度、光照强度、空气质量、振动等多种类型的传感器，以全面监测文物所处的环境状态。其中，温湿度传感器可监测文物所处环境的温度和相对湿度，评估其是否符合文物保存标准^[44]。振动传感器、裂隙计等传感器可监测文物所受振动频率和裂隙发育情况，为文物的预防性保护提供重要依据^[45]。早期文物监测主要采用人工巡查和定点测量的方式^[46]，存在效率低、覆盖面小、数据不连续等问题。而物联网技术的应用使得文物监测实现了自动化、网络化。通过在文物场所部署温湿度、光照、振动等多参数传感器，并通过无线网络进行数据传输和集成，文物管理者可以远程实时掌控文物的保存状况，及时响应各种异常情况^[47]。例如，安程和吕宁^[48]以四川广元千佛崖为例，对物联网获取的长期监测数据进行统计分析，并根据常态条件设置了分级预警系统。

文物检测主要采用光学、电磁、声学等无损检测技术，在不接触文物的情况下获取反映文物内部结构、材质特性的数据，并通过可视化等技术直观呈现文物状态^[49-51]。这为文物病害诊断、风险评估、保护措施制定提供了科学支撑^[52-53]。例如，X射线可穿透文物内部，成像其内部结构、断层信息，揭示金属锈蚀、木质虫蛀等内部病害^[54]。红外热成像可反映文物表面温度分布，用于裂隙、空鼓、渗水等病害检测^[55]。高光谱成像可获取文物表面的光谱特征，用于颜料、材质分析与制作工艺研究^[56]。

3.2 人工智能在文物监测与检测中的应用

人工智能在文物监测与检测中的应用为数据分析、预警和辅助决策带来新的突破。传统的文物监测往往采用人工设定阈值的方式进行判别和预警，这种方法存在响应迟滞、误警率高等问题。而人工智能技术可从历史监测数据中自主学习并建立文物环境参数与病害风险间的复杂关联，实现对环境异常的智能、精准判别和预测^[57]。例如，Boesgaard等^[58]基于建筑型遗产的内部环境的温湿度监测数据，采用XGBoost模型实现长达24 h的温湿度实时预测与异常预警，为文物预防性保护提供新的方法。Garrido等^[59]提出一种掩膜区域卷积神经网络算法，可以根据红外热像仪获取的监测数据，实现文物表面缺陷的自动提取和分析。同样，在监测系统的支持下，人工智能技术也能够应用于文物含水率、裂隙发育、植物生长等病害的实时判别和预测^[60]。

在文物检测领域，人工智能技术可从无损检测数据中自动分析提取文物状态特征，为文物病害诊断提供重要依据^[61]。人工智能技术可直接应用于文物无损检测图像的处理与分析，从可见光、红外、X射线等图像中自动识别和定位文物病害^[62-64]。例如，Wang等^[65]通过高光谱成像设备，获取了不同赋存环境云冈石窟砂岩的高光谱数据，并基于支持向量机、K邻近等机器学习算法实现了风化赋存环境的自动分类溯源。此外，人工智能技术也能够用于电磁、声学等检测数据的特征提取、异常检测与模式识别^[64,66]。Xin等^[67]通过超声波等无损检测方式对不同年代的古建筑木构件进行检测，并采用相关向量机等机器学习方法实现了木构件密度和机械性能的精准预测。目前，人工智能在文物检测中的应用已拓展到图像、电磁、声学等多种数据的分析，并逐步向多源数据的融合分析方向发展^[68]。不同检测方法得到的数据反映了文物不同方面的特性，多源数据的融合分析有助于更全面、精确地评估文物状态。人工智能也有助于多模态、跨尺度数据的关联建模与综合决策。

4 文物虚拟修复与展示

4.1 基本概念

文物虚拟修复是指利用数字技术，在虚拟环境中对文物的破损、缺失部分进行数字化修复与重建，从而获得文物原貌的数字模型^[69]。与传统的物理修复相比，虚拟修复具有可逆性、多样性、低成本等优势，已成为文物保护与修复的重要补充手段。文物虚拟展示则是指利用数字化手段，将文物数字模型、相关知识信息等进行数字化展示，使观众能够在虚拟环境中近距离、多角度地观察文物，并获取丰富的文物背景知识^[70]。虚拟展示打破了时空限制，极大拓展了文物的展示、传播方式^[71]。

在文物虚拟修复的过程中，关键技术主要涉及数据的获取和修复方法的选择。获得文物的数字模型后，根据文物的类型不同，虚拟修复方法主要可以分为基于二维图像的虚拟修复技术和基于三维模型的虚拟修复技术。针对壁画、纺织品等平面文物的破损，传统的虚拟修复方法主要通过图像处理技术实现^[72]。在图像颜色修复方面，传统方法主要通过对破损区域进行插值、去噪等操作实现颜色校正。Bolong等^[73]针对敦煌莫高窟第254窟的褪色壁画，采用红外摄影、多光谱成像等方法对壁画采用的矿物颜料类型进行区分，再基于数字图像处理软件对壁画色彩进行了虚拟修复。在图像纹理修复方面，传统方法主要基于纹理合成技术进行修复。孙晓婉等^[74]提出一种基于结构线拟合的丝织品文物图像虚拟修复算法，首先采用Bezier曲线连接纹理结构线，再利用改进的优先权图像修复算法迭代填充待修复区域。对于立体文物，需在三维空间中进行数字化修复。修复流程通常包括几何修复、纹理映射、渲染等步骤^[75]。在几何修复方面，主要通过对三维模型进行人工编辑实现。修复人员使用三维建模软件，手动对缺失部分进行数字雕刻和补全^[76]。完成几何修复后，需采用纹理映射和渲染技术对修复区域赋予真实感纹理^[77]。对于缺失纹理的修复，可采用图像修复方法从相邻区域提取和合成纹理。Liu等^[78]以唐代墓葬壁画为研究对象，利用三维服装建模和虚拟仿真技术，实现了唐代壁画服饰纹样的提取和三维服饰的虚拟修复。

在虚拟展示方面，沉浸式显示技术是提升展示效果和互动性的重要手段。传统的沉浸式展示系统主要基于三维立体显示、环幕投影、穹顶投影等硬件设施^[79-80]。此外，高分辨率显示、体感交互等技术也被用于提升虚拟展示的视觉质量和交互自然度。Gutierrez等^[81]利用高精度光照算法和实景合成技术，实现对西班牙萨拉戈萨市Sinhaya郊区的三维重建，并在沉浸显示系统中进行呈现，让观众身临其境地体验中世纪穆斯林郊区的生活。Fischnaller等^[82]则采用超高分辨率4K/3D立体显示技术，结合实时交互叙事手段，创造了一个沉浸式的达•芬奇《最后的晚餐》虚拟展示系统，为用户提供身临其境的文艺复兴艺术体验。

4.2 人工智能在文物虚拟修复与展示中的应用

人工智能技术的发展为文物虚拟修复与展示带来新的突破。传统的图像修复方法在处理不规则破损、大面积缺失等复杂病况时往往效果有限，而深度学习为图像修复带来了新的范式。通过卷积神经网络，研究人员可以从海量的文物图像数据中自动学习并提取多尺度、层次化的特征表示，建立起图像内容与修复结果之间的精确映射。沙莎等^[83]采用生成对抗网络模型(GAN)，成功地对残缺的楚国墓葬纺织品文物进行图像层面的补全修复，有效避免了直接接触文物可能带来的二次损毁风险。徐志刚等^[84]提出一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法，通过多尺度特征提取和残差通道注意力机制，增强了网络模型的深度映射能力，使重建的壁画图像纹理细节更加丰富。文物三维模型的修复需要在保持形状、纹理一致性的同时，尽可能复原原始的结构和细节，对算法的智能性提出了更高要求^[85]。Gao和Geng^[86]提出一种基于深度学习和模板引导的兵马俑残片自动分类方法。该方法先用PointNet对残片进行初步分类，然后根据完整兵马俑模型对误分类残片进行二次分类，显著提高了兵马俑残片分类的准确性和效率，为碎片的拼接奠定了基础。

人工智能技术的引入，使得文物虚拟展示从单向的信息呈现转变为智能化的交互体验。自然语言处理和知识图谱技术的发展，为实现文物智能问答和语音导览提供了支持。例如，Sperlí ^[87]提出一个基于深度学习聊天机器人的文化遗产框架，将有形和无形文化对象建模为统一的数据模型，结合序列到序列模型实现了一个支持游客交互体验的对话代理。高劲松等^[88]基于关联数据构建了一个馆藏文物资源知识关联模型，通过SPARQL和HTML实现对馆藏文物知识的访问和查询，提高了用户浏览不同粒度文物知识的效率，并提出一个基于多粒度语义查询的智能问答服务框架。此外，虚拟现实和增强现实技术的进步也为沉浸式文物展示带来新的可能^[89]。例如，王向强等^[90]利用Kinect的骨骼追踪技术，通过捕获人体数据、手势识别等实现虚拟文物的体感交互控制，突破了传统文物展示方式，增强了观众参与度。Bozzelli等^[91]开发了一个集成虚拟现实和增强现实的用户中心文化遗产交互体验框架ArkaeVision，通过游戏化的三维环境探索、数字叙事和沉浸式讲故事等，为用户提供更具吸引力和文化内涵的文物展示体验。

5 总结和展望

5.1 应用现状与挑战

人工智能技术在文物保护领域的应用开启了保护和研究文物的新篇章。从早期的基于规则的专家系统，到机器学习时代的浅层智能，再到现今深度学习模型的广泛应用，人工智能正逐步从多个维度重塑文物保护的理念、方法和手段。一方面，人工智能技术极大地提升了文物保护的效率和精度。通过深度学习等技术，文物管理者可以从海量非结构化数据中快速提取有价值的信息，实现文物聚类、分析、检索等智能化管理，为文物研究、利用、传承提供新的视角和路径。另一方面，人工智能驱动的智能感知、智能分析、智能决策与控制，使得文物的预防性保护从被动应对转变为主动管理，为文物健康状况的实时评估和动态维护提供数据支撑。文物虚拟修复领域的人工智能应用，则为残损文物的数字化修复、文物信息的全媒体呈现带来了新的可能。人工智能正成为推动文物保护智能化创新发展的重要驱动力。

当前，人工智能在文物保护中的研究与应用仍存在一些挑战。首先，文物领域缺乏大规模、高质量的数据集，特别是文物病害、材质等方面的专业化标注数据。这在一定程度上限制了深度学习等数据驱动型人工智能技术在文物领域的进一步发展。其次，文物数据具有多源异构、非结构化、语义复杂等特点，对人工智能技术的鲁棒性、可解释性等提出了更高要求。此外，人工智能应用于文物保护尚缺乏统一的标准规范，不同项目、系统间的数据壁垒也影响了人工智能的推广应用。

5.2 展望和建议

未来，人工智能在文物保护领域的应用将呈现出多源异构文物大数据的融合分析、领域知识与数据驱动相结合、人机协同的文物保护新模式、文物智慧管理与服务平台的构建等发展趋势。随着文物数字化的推进，文物数据的规模和维度不断增长。利用人工智能技术对多源异构的文物大数据进行关联分析和知识挖掘，将为文物研究和保护决策提供新的依据。同时，通过知识图谱等技术构建文物领域知识库，并与深度学习模型相结合，实现文物数据和知识的深度融合，提升人工智能在文物领域的可解释性和适用性。在文物保护实践中，人工智能将与专家经验知识相结合，发挥其在知识提取、辅助决策等方面的优势，探索人机协同、互补的文物保护新模式。随着人工智能、大数据、云计算等新一代信息技术的发展，集文物资源数据库、文物健康监测、文物灾害预警等为一体的文物智慧管理与服务平台将被构建，实现对文物保护全过程、全周期的动态监测和智能管理。

为推动人工智能在文物保护领域的进一步应用，应加强文物领域数据标准和规范的制定，推动文物数据的标准化采集、存储和共享，为人工智能技术的应用奠定数据基础；加大文物保护人才的教育培养力度，建设一支懂文物、懂技术的复合型人才队伍；加强文物保护相关法律法规建设和人工智能应用伦理规范的构建，规范人工智能技术在文物领域应用的行为边界。人工智能与文物保护的深度融合，不仅有利于文物自身的研究、保护与传承，更将推动人工智能技术的行业创新和价值转化，为传承弘扬中华优秀传统文化、构建人类文明的数字图景、推动人类社会的可持续发展作出更大贡献。

参考文献

向上滑动阅览

[1] VAS P. Artificial-intelligence-based electrical machines and drives: application of fuzzy, neural, fuzzy-neural, and genetic-algorithmbased techniques [M]. Oxford, UK: Oxford University Press, 1999.

[2] 余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9): 1799-1804.

[3] CHOWDHARY K R. Natural language processing fundamentals of artificial intelligence [M]. New Delhi: Springer, 2020.

[4] LI Z, LIU F, YANG W, et al. A Survey of convolutional neural networks: analysis, applications, and prospects [J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(12): 6999-7019.

[5] VOULODIMOS A, DOULAMIS N, DOULAMIS A, et al. Deep learning for computer vision: A brief review [J]. Computational Intelligence and Neuroscience, 2018, 2018(1): 7068349.

[6] HAMET P, TREMBLAY J. Artificial intelligence in medicine [J]. Metabolism, 2017, 69: S36-S40.

[7] CHEN L, CHEN P, LIN Z. Artificial intelligence in education: A review [J]. IEEE Access, 2020, 8: 75264-75278.

[8] FONTANELLA F, COLACE F, MOLINARA M, et al. Pattern recognition and artificial intelligence techniques for cultural heritage [J]. Pattern Recognition Letters, 2020, 138: 23-29.

[9] ABGAZ Y, ROCHA S R, METHUKU J, et al. A methodology for semantic enrichment of cultural heritage images using artificial intelligence technologies [J]. J Imaging, 2021, 7(8): 121-143.

[10] KHAN N A, SHAFI S M, AHANGAR H. Digitization of cultural heritage: global initiatives, opportunities, and challenges [J]. Journal of Cases on Information Technology, 2018, 20(4). DOI: 10.4018/JCIT.2018100101.

[11] 张瑞, 骆岩林, 周明全, 等. 文物数字化的关键技术[J]. 北京师范大学学报(自然科学版), 2007, 43(2): 150-153.

[12] 樊锦诗. 敦煌石窟保护与展示工作中的数字技术应用[J]. 敦煌研究, 2009(6): 1-3.

[13] PAVLIDIS G, KOUTSOUDIS A, ARNAOUTOGLOU F, et al. Methods for 3D digitization of cultural heritage [J]. Journal of Cultural Heritage, 2007, 8(1): 93-98.

[14] CHIRANTHI W, SHIGEO S. Metadata model for organizing digital archives of tangible and intangible cultural heritage, and linking cultural heritage information in digital space [J]. Libres (Kent, Ohio), 2018, 28(2): 58-80.

[15] 胡少兴, 查红彬, 张爱武. 大型古文物真三维数字化方法[J]. 系统仿真学报, 2006, 18(4): 951-954, 963.

[16] ROCCHINI C, CIGNONI P, MONTANI C, et al. A low cost 3D scanner based on structured light [J]. Computer Graphics Forum, 2001, 20(3): 299-308.

[17] YILMAZ H M, YAKAR M, GULEC S A, et al. Importance of digital close-range photogrammetry in documentation of cultural heritage [J]. Journal of Cultural Heritage, 2007, 8(4): 428-433.

[18] 李兴隆. 三维数字化技术在龙门石窟考古中的应用[J]. 洛阳考古, 2021(1): 88-95.

[19] 罗飞. 贴近摄影测量在文物保护中的运用——以广西宁明花山岩画为例[J]. 南方国土资源, 2021(7): 39-41.

[20] 张三福, 李小梅. 无人机贴近摄影测量技术在石窟寺外立面测绘中的应用[J]. 工程勘察, 2024, 52(4): 45-50, 67.

[21] GE Y, GUO B, ZHA P, et al. 3D reconstruction of ancient buildings using UAV images and neural radiation field with depth supervision [J]. Remote Sensing, 2024, 16(3): 473.

[22] YANG S, HOU M, SHAKER A, et al. Modeling and processing of smart point clouds of cultural relics with complex geometries [J]. ISPRS International Journal of Geo-Information, 2021, 10(9): 617.

[23] BATTINI C, FERRETTI U, DE ANGELIS G, et al. Automatic generation of synthetic heritage point clouds: Analysis and segmentation based on shape grammar for historical vaults [J]. Journal of Cultural Heritage, 2024, 66: 37-47.

[24] 张明悟, 王晓强. 汉代古纸的断代之我见[J]. 中国科技史杂志, 2017, 38(3): 355-362.

[25] 胡嘉麟. 吴越徐舒青铜器的非均衡性特征及断代刍议[J]. 南方文物, 2018(3): 138-149.

[26] 黄雯兰. 从左江花山岩画谈岩画断代方法的综合应用[J]. 中国文物科学研究, 2015(4): 47-50.

[27] 王扬能, 符史新. 浅谈文物档案的科学管理肠[J]. 档案, 2007(2): 57-58.

[28] 王卫中. 浅谈乔家大院民俗博物馆文物藏品档案工作[J]. 文物世界, 2011(4): 74-75.

[29] 祝炜平, 王治文, 吴建平. 文物管理信息系统的构建与应用——以浙江文物管理信息系统为例[J]. 地球信息科学, 2005(4): 77-80.

[30] 乔荣华, 周明全, 耿国华. 基于语义分类的文物图像标注研究[J].计算机技术与发展, 2007, 17(7): 200-203.

[31] 翁政魁, 管业鹏, 罗宏杰. 基于机器视觉古陶瓷无损分类识别[J]. 硅酸盐学报, 2017, 45(12): 1833-1842.

[32] JANKOVIĆ R. Machine learning models for cultural heritage image classification: comparison based on attribute selection [J]. Information, 2020, 11(1): 12.

[33] BELHI A, BOURAS A, AL-ALI A K, et al. Cultural heritage image classification [M]. Switzerland: Springer International Publishing AG, 2021: 25-45.

[34] 周霄, 田帅, 陈学莲. 人工智能技术在文物保护中的探索与实践——以布达拉宫贝叶经勘察为例[J]. 人工智能, 2024(2): 49-55.

[35] ĆOSOVIĆ M, JANKOVIĆ R. CNN classification of the cultural heritage images [C]// 2020 19th International Symposium INFOTEH-JAHORINA (INFOTEH), East Sarajevo, Bosnia and

Herzegovina, 18-20 March, 2020: 1-6.

[36] WANG S, HU Q, WANG S, et al. Archaeological site segmentation of ancient city walls based on deep learning and LiDAR remote sensing [J]. Journal of Cultural Heritage, 2024, 66: 117-131.

[37] KULKARNI U, MEENA S M, GURLAHOSUR S V, et al. Classification of cultural heritage sites using transfer learning [C]//2019 IEEE Fifth International Conference on Multimedia Big Data (BigMM), Singapore, 11-13 September, 2019: 391-397.

[38] WANG Y. Research on entity relationships in the knowledge graph of disease monitoring in Grotto Temples [J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2024, X-1-2024: 249-257.

[39] HUANG Y, YU S, CHU J, et al. Using knowledge graphs and deep learning algorithms to enhance digital cultural heritage management [J]. Heritage Science, 2023, 11(1): 204-226.

[40] 董亚波, 曾波, 鲁东明. 面向文化遗址保护的物联网技术研究与应用[J]. 文物保护与考古科学, 2011, 23(3): 74-78.

[41] 黄克忠. 石质文物保护若干问题的思考[J]. 中国文化遗产, 2018(4): 4-12.

[42] 黄河, 吴来明. 馆藏文物保存环境研究的发展与现状[J]. 文物保护与考古科学, 2012, 24(S1): 13-19.

[43] 冯伟, 张乾, 田飞鹏, 等. 面向预防性保护的文物本体智能原位监测系统[J]. 中国科学: 信息科学, 2021, 51(12): 2102-2118.

[44] 徐方圆, 吴来明, 解玉林, 等. 文物保存环境中温湿度评估方法研究[J]. 文物保护与考古科学, 2012, 24(z1): 6-12.

[45] 张小红, 王慧琴, 马涛, 等. 文物裂隙趋势预测模型研究[J]. 文物保护与考古科学, 2017, 29(1): 44-50.

[46] 铁付德, 蔺学军. 采用一种新型温湿度计检测文物保存环境[J]. 中原文物, 1998(4): 118.

[47] 董亚波, 曾波, 鲁东明. 面向文化遗址保护的物联网技术研究与应用[J]. 文物保护与考古科学, 2011, 23(3): 74-78.

[48] 安程, 吕宁. 基于常态条件的石窟寺监测数据预警应用初探[J]. 文博, 2021(1): 97-103.

[49] 张悦, 黄继忠. 红外技术在文物科学保护中的应用[J]. 自然杂志, 2021, 43(3): 217-224.

[50] 甘志鑫, 黄继忠, 张悦, 等. 冻融作用下云冈石窟砂岩损伤特性与风化评估[J]. 上海大学学报: 自然科学版, 2024, 30(1): 17-30.

[51] 李强, 李伟东, 罗宏杰, 等. 西安汉墓出土漆陶器的科学研究[J]. 自然杂志, 2016, 38(1): 15-22.

[52] 黄继忠, 曹铖, 张悦, 等. 微波技术在砖石质文物含水率检测中的应用[J]. 文物保护与考古科学, 2021, 33(1): 8-16.

[53] 黄继忠, 王金华, 高峰, 等. 砂岩类石窟寺保护新进展——以云冈石窟保护研究新成果为例[J]. 东南文化, 2018(1): 15-19.

[54] 朱善银. X射线分析技术在我国文物保护中的应用现状[J]. 文物鉴定与鉴赏, 2017(12): 78-80.

[55] 王永进, 齐扬, 周伟强, 等. 红外热像技术在文物保护中的应用[J]. 中国文物科学研究, 2009(2): 50-52.

[56] 史宁昌, 李广华, 雷勇, 等. 高光谱成像技术在故宫书画文物保护中的应用[J]. 文物保护与考古科学, 2017, 29(3): 23-29.

[57] 贾政, 田兴玲, 张彤. 机器学习在文物保护领域中的应用[J]. 全面腐蚀控制, 2023, 37(3): 65-68.

[58] BOESGAARD C, HANSEN B V, KEJSER U B, et al. Prediction of the indoor climate in cultural heritage buildings through machine learning: first results from two field tests [J]. Heritage Science, 2022, 10(1): 176-188.

[59] GARRIDO I, ERAZO-AUX J, LAGÜELA S, et al. Introduction of deep learning in thermographic monitoring of cultural heritage and improvement by automatic thermogram pre-processing algorithms [J]. Sensors, 2021, 21(3): 750.

[60] MISHRA M. Machine learning techniques for structural health monitoring of heritage buildings: A state-of-the-art review and case studies [J]. Journal of Cultural Heritage, 2021, 47: 227-245.

[61] HATIR M E, İNCE İ, KORKANÇ M. Intelligent detection of deterioration in cultural stone heritage [J]. Journal of Building Engineering, 2021, 44: 102690.

[62] LI S Y, HOU M L, CAO P H, et al. Extraction of paint loss in ancient murals based on 3D residual neural network [J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2023, X-1/W1-2023: 199-206.

[63] MENG T, LU Y, ZHAO G, et al. A synthetic approach to weathering degree classification of stone relics case study of the Yungang Grottoes [J]. Heritage Science, 2018, 6(1): 1-7.

[64] SCATIGNO C, FESTA G. Neutron imaging and learning algorithms: New perspectives in cultural heritage applications [J]. Journal of Imaging, 2022, 8(10): 284.

[65] WANG X, CHENG Y, ZHANG R, et al. Non-destructive assessment of stone heritage weathering types based on machine learning method using hyperspectral data [J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2024, XLVIII-1-2024: 713-719.

[66] HOŁA A, CZARNECKI S. Random forest algorithm and support vector machine for nondestructive assessment of mass moisture content of brick walls in historic buildings [J]. Automation in Construction, 2023, 149: 104793.

[67] XIN Z, KE D, ZHANG H, et al. Non-destructive evaluating the density and mechanical properties of ancient timber members based on machine learning approach [J]. Construction and Building Materials, 2022, 341: 127855.

[68] ADAMOPOULOS E, RINAUDO F. Close-range sensing and data fusion for built heritage inspection and monitoring—a review [J]. Remote Sensing, 2021, 13(19): 3936.

[69] 侯妙乐, 赵思仲, 杨溯, 等. 文物三维模型虚拟修复研究进展、挑战与发展趋势[J]. 遗产与保护研究, 2018, 3(10): 1-10.

[70] 汪利艳, 王绪本, 金平, 等. 简牍文物三维虚拟展示平台的研究与实现[J]. 东南文化, 2008(5): 54-57.

[71] 张静, 许洁. 古文物艺术造型的数字化与虚拟展示[J]. 西安工程大学学报, 2011, 25(6): 835-837.

[72] GIGILASHVILI D, LUKESOVA H, GULBRANDSEN C F, et al. Computational techniques for virtual reconstruction of fragmented

archaeological textiles [J]. Heritage Science, 2023, 11(1): 259-275.

[73] BOLONG C, ZONGREN Y, MANLI S, et al. Virtual reconstruction of the painting process and original colors of a color-changed Northern Wei Dynasty mural in Cave 254 of the Mogao Grottoes [J]. Heritage Science, 2022, 10(1): 164-190.

[74] 孙晓婉, 贾静, 徐平华, 等. 基于结构线拟合的残损丝织品文物虚拟修复[J]. 丝绸, 2023, 60(1): 1-8.

[75] 王乐乐. 虚拟修复技术在石造像文物保护中的应用[J]. 北方文物, 2021(4): 64-68.

[76] 耿国华, 冯龙, 李康, 等. 秦陵文物数字化及虚拟复原研究综述[J]. 西北大学学报(自然科学版), 2021, 51(5): 709-721.

[77] 魏明强, 陈红华, 孙杨杏, 等. 破损文物数字化修复:以中国出土青铜器为例[J]. 计算机辅助设计与图形学学报, 2021, 33(5): 789-797.

[78] LIU K, WU H, JI Y, et al. Archaeology and restoration of costumes in Tang tomb murals based on reverse engineering and human computer interaction technology [J]. Sustainability, 2022, 14(10): 6232.

[79] ANDERSON E F, JOHN D, MIKULSKI R, et al. Preserving and presenting cultural heritage using off-the-shelf software [M]//LIAROKAPIS F, VOULODIMOS A, DOULAMIS N, et al. Visual Computing for Cultural Heritage. Cham: Springer, 2020: 423-444.

[80] 李克恭, 汪万福. 不可移动文物保护数字化及虚拟展示——以敦煌莫高窟96窟为例[J]. 科技和产业, 2024, 24(6): 215-219.

[81] GUTIERREZ D, SERON F J, MAGALLON J A, et al. Archaeological and cultural heritage: bringing life to an unearthed Muslim suburb in an immersive environment [J]. Journal of Cultural Heritage, 2004, 5(1): 63-74.

[82] FISCHNALLER F, SINGH Y M, REED M. The last supper interactive: Stereoscopic and ultra-high resolution 4K/3D HD for immersive real-time virtual narrative in Italian Renaissance art [C]//2013 Digital Heritage International Congress (DigitalHeritage), Marseille, France, 28 October-01 November, 2013: 637-644.

[83] 沙莎, 魏宛彤, 李强, 等. 基于深度学习的楚国墓葬纺织品图像复原[J]. 丝绸, 2023, 60(5): 1-7.

[84] 徐志刚, 闫娟娟, 朱红蕾. 基于多尺度残差注意力网络的壁画图像超分辨率重建算法[J]. 激光与光电子学进展, 2020, 57(16): 144-151.

[85] BASU A, PAUL S, GHOSH S, et al. Digital restoration of cultural heritage with data-driven computing: A survey [J]. IEEE Access, 2023, 11: 53939-53977.

[86] GAO H, GENG G. Classification of 3D terracotta warrior fragments based on deep learning and template guidance [J]. IEEE Access, 2020, 8: 4086-4098.

[87] SPERLÍ G. A cultural heritage framework using a deep learning based Chatbot for supporting tourist journey [J]. Expert Systems with Applications, 2021, 183: 115277.

[88] 高劲松, 方晓印, 刘思洋, 等. 基于关联数据的馆藏文物资源知识关联与智能问答研究[J]. 情报科学, 2021, 39(5): 12-20.

[89] BEKELE M K, PIERDICCA R, FRONTONI E, et al. A survey of augmented, virtual, and mixed reality for cultural heritage [J]. Journal on Computing and Cultural Heritage, 2018, 11(2): 1-36.

[90] 王向强, 黄俊, 张作运. 基于Kinect虚拟文物互动展示系统的设计与实现[J]. 微型机与应用, 2017, 36(2): 41-43, 47.

[91] BOZZELLI G, RAIA A, RICCIARDI S, et al. An integrated VR/AR framework for user-centric interactive experience of cultural heritage: The ArkaeVision project [J]. Digital Applications in Archaeology and Cultural Heritage, 2019, 15: e00124.

本文刊载于《自然杂志》2024年第4期

DOI：10.3969/j.issn.0253-9608.2024.04.003

欢迎关注

欢迎转发朋友圈

《自然杂志》编辑部

地址：上海市上大路99号上海大学121信箱（200444）

邮箱：ziranzazhi@163.com

网址：http://www.nature.shu.edu.cn

长按二维码关注我们

点击 阅读原文 了解更多

自然撷英

《自然杂志》创刊于1978年5月，由上海市教育委员会主管，上海大学主办，双月刊。杂志主要刊载研究热点评述、综述和研究快报，介绍自然科学各研究领域的最新研究成果。欢迎关注！欢迎惠稿！