长城修缮不比其它可放在室内完成的文物修缮,其修缮过程从勘察到施工都存在着极大的挑战。传统的勘察手段十分原始,大部分工作需要工作人员亲历亲为,如进行田野调查、整合地理信息成果、整理图像数据等。修缮施工需遵循着“修旧如旧”的文物修缮原则,而传统勘察手段极难满足修缮施工所需要的数据。
2014年,国家文物局印发了《长城保护维修工作指导意见》。《意见》强调了长城保护的这一原则,称“长城保护维修必须保持长城的原形制、原结构,优先使用原材料、原工艺”。
在勘察阶段,传统的勘测数据来源以田野调查为参考,以整合处理的基础地理信息成果为基础,并结合了彩色数字正射影像。2006年,中央政府发布了《长城测量内容与方式》一文,文中介绍了更先进的测量工作主要由“飞机遥感实测长城”结合人工完成的遗址土壤鉴定、通过地理信息系统技术还原长城全貌、以及通过全球卫星定位技术定位地理坐标这三类途径完成。
传统的勘察手段完全不能保证还原精度,而由人工完成对大量图片的处理让勘察过程就耗时惊人,为后续的修缮施工带来了诸多不便,也并不能完全满足施工需求。而传统的勘察手段只能局限于人可以踏足的部分,那些人类难以涉足的处于险峻之地的长城,我们能做的曾非常少。
英特尔与文保基金会合作的首个项目就是利用英特尔人工智能技术修缮几百年来从未用技术手段系统修缮过的箭扣长城。英特尔的解决方案将是一个全新的探索,先进的无人机航拍和人工智能技术将被投入勘测、3D建模及数字化修复、及修缮工程人力物力成本估算等多个步骤,英特尔的计算技术将深度参与其中。 英特尔的方案是,基于Xeon至强可扩展处理器,英特尔固态盘,同时结合OpenMP/MPI并行优化技术,采用针对英特尔CPU优化的英特尔®深度神经网络数学核心函数库(MKL-DNN),以及面向英特尔架构优化的深度学习框架Tensorflow等工具,高效地实现长城3D建模和数字化修复,并达到厘米级精度的效果。
英特尔至强服务器,为人工智能的开发者提供了全套的开发工具链,允许开发者根据深度学习的数据复杂度对内存的需求按需配置。在此基础上,英特尔中国研究院和武汉大学将开发出长城缺损/裂缝识别与定位,数字化修复的深度学习算法,包括长城缺损/裂缝识别与定位,及长城数字化模型虚拟修复。
针对损毁及裂缝类型,研究人员在正常的和损毁的长城3D模型上进行样本采集和标定,获取足够多的样本数据,用于训练深度学习网络,并针对3D模型的不同视角的2D视图和剖面图,进行大量数据样本的训练分析,形成对典型损毁模式的识别能力。
当一段长城的损毁部位识别出来之后,AI就会进行数字化的虚拟修复,在损毁的模型上生成3D的修复效果和砖墙纹理,并获得物理修缮所需的工程量的数据,作为对物理修缮的参考建议。在数字化修复中,大运算量的2D/3D模型生成技术将得到应用。无论是2D还是3D模型的生成网络训练,其数据输入量和运算量都是惊人的,只有英特尔至强服务器能够提供完整的支持。
英特尔AI的数字化修复会遵循“修旧如旧”的文物修缮原则,为长城修缮工程提供详细的位置、效果和所需工程量的估计,作为实际工程有效的参考和对照。
有了英特尔人工智能技术的参与,勘测过程中不再需要工人飞檐走壁冒生命危险实地查看长城的损毁情况。依靠英特尔人工智能技术达到厘米级精度的3D建模和数字化修复手段将是长城保护的新出路。本次合作为未来人工智能技术在文物保护方面的应用的拓展提供了良好的技术思路启发。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。