潮湿沿海岭南地区灾害性天气条件下潮汕侨宅表面劣化的智能检测与预防性保护——以Yingchuan Shijia为例

《Buildings》：Intelligent Detection and Preventive Conservation of Surface Deterioration for Chaoshan Overseas-Chinese Residences in the Humid Coastal Lingnan Region Under Disaster-Prone Weather Conditions: A Case Study of Yingchuan Shijia

　　

中国南方潮湿沿海岭南地区（包括粤东潮汕地区）经常暴露于灾害性天气条件，如高湿度、台风相关风力、强降雨和含盐沿海空气。这些长期环境暴露可能导致建筑遗产的表面劣化风险。位于汕头的Yingchuan Shijia，在环境暴露、材料老化、先前扰动和维护不足的综合影响下，表现出五种可见的表面劣化类型——裂缝（cracks）、污染（staining）、盐析（saltpetering）、植物（plants）和剥落（spalling）。为克服人工检测的局限性，研究人员探索了一种保护导向的智能工作流程，整合了基于YOLO的检测（YOLO-based detection）、数字文档和筛选级保护解释。数字文档使用了无人机图像（UAV imagery）、移动LiDAR扫描、实测图纸和基于SketchUp的三维建模。数据集分三个阶段构建：99张图像的初步数据集，其中YOLOv8仅显示出基本学习能力，性能指标较低，包括精确率（Precision）33.0±3.0%，召回率（Recall）28.0±1.0%，mAP50 25.0±1.0%，以及mAP50-95 11.0±1.0%；362张图像的非增强案例研究数据集，YOLOv8仍表现出有限性能，mAP50为20.0±1.0%，mAP50-95为8.0±1.0%；以及最终采用11种几何和光度变换方法进行训练集增强后的2000张图像YOLO格式案例研究数据集。增强后，YOLOv8的mAP50提升至62.0±2.0%。在相同增强数据条件下，YOLOv13显示出精确率89.0±1.0%、召回率77.0±1.0%、mAP50 84.0±1.0%和mAP50-95 65.0±1.0%，表明验证性能相对高于YOLOv8。在归一化混淆矩阵中，裂缝和盐析的背景漏检值分别为0.29和0.22，表明弱特征和低对比度的劣化类型仍具有挑战性。基于YOLOv13，开发了一个小程序来组织检测输出并提供面向现场的初步保护提示。总体而言，本研究提供了一个初步工作流程，将数字采集、基于图像的劣化检测、Grad-CAM可视化和辅助现场记录联系起来，用于潮湿沿海遗产环境中潮汕侨宅的预防性保护。

全球气候变化与极端天气事件频发加剧了建筑遗产的环境脆弱性，尤其沿海地区的高温、高湿、强降雨及含盐空气加速传统材料风化，促使保护策略从修复转向预防性保护（preventive conservation）。潮汕侨宅（Chaoshan overseas-Chinese residences）作为岭南华侨建筑遗产的重要类型，兼具中西合璧特征与复杂装饰系统，长期暴露于潮湿沿海环境中，表面劣化包括裂缝（cracks）、盐析（saltpetering）、污染（staining）、植物（plants）和剥落（spalling）等类型。然而，现有研究多聚焦检测精度，缺乏将劣化检测与空间记录、保护评估相结合的系统性工作流程。为此，研究人员以广东汕头澄海区的Yingchuan Shijia为案例，通过整合无人机（UAV）图像采集、移动LiDAR扫描、三维建模及基于YOLO模型（You Only Look Once，实时目标检测模型）的目标检测方法，构建图像数据集并评估模型性能，提出连接数字文档、劣化检测与保护解释的技术路径。该研究发表于《Buildings》期刊。

研究人员为开展研究采用了以下主要关键技术方法：多源现场数据采集（无人机UAV imagery、移动LiDAR扫描、手持测量）、数字文档构建（实测图纸与SketchUp三维建模）、图像标注与数据集构建（手动矩形边界框标注5类劣化，样本来源于Yingchuan Shijia单座建筑，外部测试集来自另两座潮汕侨宅——Mingde Jiashu和Jingzu Jiashu的263张图像）、数据增强（11种几何与光度变换方法，仅对训练集进行增强）、YOLO模型训练与比较（YOLOv8与YOLOv13，并引入RT-DETR-L作为Transformer对比模型）、性能评估（精确率Precision、召回率Recall、mAP50、mAP50-95及归一化混淆矩阵）、Grad-CAM可视化及小程序开发。

研究结果部分如下：
3.1 Training-Stage Performance（训练阶段性能）：通过分阶段训练，初始99张图像数据集下YOLOv8精确率33.0%、召回率28.0%、mAP50 25.0%；362张非增强数据集下mAP50仅20.0%；数据增强后YOLOv8 mAP50提升至62.0%，YOLOv13在同一增强条件下达到精确率89.0%、召回率77.0%、mAP50 84.0%，表明YOLOv13在复杂历史建筑场景中具有更高检测性能。
3.2 Model Testing Results（模型测试结果）：在外部测试集上，数据增强后的YOLOv13模型维持了良好泛化能力，精确率约85–88%，召回率约70–75%，mAP50 81%，mAP50-95 63%；归一化混淆矩阵显示剥落和污染的对角线值最高（0.81），裂缝最低（0.65），背景漏检值裂缝为0.31，表明跨建筑场景下弱特征劣化类型仍具挑战。
3.3 Effect of Data Augmentation and Model Comparison（数据增强效果与模型比较）：数据增强显著提升模型性能，YOLOv8的mAP50从20.0%增至62.0%，YOLOv13在同类增强条件下表现更优（mAP50 84.0%），而RT-DETR-L性能较低（mAP50 60.0%），表明在当前小规模数据集下YOLOv13更适用。
3.4 Class-Level Recognition Characteristics（类别级识别特征）：增强后YOLOv13的混淆矩阵显示污染、剥落、植物识别较好（对角线值0.84、0.81、0.78），裂缝和盐析背景漏检值分别为0.29和0.22，反映薄线性特征与弥散沉积物的检测困难。
3.5 Grad-CAM Visualization and Detection Results（Grad-CAM可视化与检测结果）：Grad-CAM热图定性显示模型注意力集中于劣化区域，但对弥散型劣化激活分布较散，与混淆矩阵结果一致。
3.6 Applicability for Deterioration Mapping and Conservation Assessment（劣化制图与保护评估的适用性）：YOLO检测框可转化为结构化劣化记录，基于YOLOv13开发的小程序提供类别、置信度及初步保护提示，但结果需结合专家判断，不能替代专业诊断。

讨论部分总结了模型性能提升的解读：样本扩展作用有限，数据增强模拟了野外采集中的视觉不确定性，YOLOv13的高阶相关建模与跨尺度特征融合可能有助于识别弱特征劣化。检测挑战方面，裂缝和盐析因视觉形态薄、弥散而难以识别，历史建筑表面异质性使检测结果需人工复核。对预防性保护的意义在于建立了连接图像采集、检测、空间记录与保护决策的初步流程，为潮湿沿海区域遗产管理提供了风险知情筛选工具。局限性包括数据集规模小、标注一致性未正式验证、缺乏与人工检查的定量对比、气候与劣化因果关系未量化等。

研究结论翻译如下：本研究开发了基于YOLO的工作流程，用于广东汕头澄海区潮汕侨宅Yingchuan Shijia的表面劣化检测与保护导向记录。该流程结合了现场调查、无人机图像、移动LiDAR扫描、三维建模、图像标注、数据增强和目标检测。考虑了五种代表性表面劣化类别：剥落（spalling）、污染（staining）、植物（plants）、盐析（saltpetering）和裂缝（cracks）。通过将数字文档与基于图像的检测联系起来，本研究为潮湿沿海环境中历史建筑表面的可见劣化记录提供了一种辅助方法。研究中关于气候和环境的讨论被用作理解潮湿沿海岭南地区涉及水分、盐分和生物影响的劣化问题的背景，而非作为恶劣天气与表面劣化之间因果关系的定量证据。分阶段实验表明，在单一案例数据集内增加图像数量不足以实现稳定的检测性能，而训练集数据增强提升了验证集性能。在相同增强数据条件下，YOLOv13在比较模型中显示出相对更高的验证集性能。由两座其他潮汕侨宅的263张图像组成的独立外部测试集上，数据增强的YOLOv13模型实现了精确率约85–88%、召回率约70–75%、mAP50 81%和mAP50-95 63%。这些外部测试结果为讨论初步的跨建筑泛化能力提供了比仅基于验证集指标更保守的基础。类别级分析进一步表明，污染、剥落和植物的识别模式相对清晰，而裂缝和盐析仍然更具挑战性。总体而言，所提出的工作流程表明基于YOLO的检测具有作为数字遗产文档和预防性保护记录辅助工具的潜力。检测输出可支持初步筛选、结构化劣化记录及后续劣化制图，但不应被视为专业保护评估、材料诊断或结构安全性判断的替代。在直接应用于其他建筑或其他潮湿沿海区域之前，应使用额外的本地数据集进一步测试、微调和验证该模型。