基于Deblur-DetNet模型的岭南历史建筑视觉缺陷检测与保护研究

针对历史建筑因材料复杂性和图像模糊导致的缺陷检测难题，研究人员提出HBDD（Historical Building Defect Detection）新任务，构建广州历史建筑数据集并开发两阶段Deblur-DetNet模型，通过图像去模糊与Transformer架构结合实现细粒度缺陷识别，mAP提升显著，为文化遗产保护提供关键技术支撑。

　　

历史建筑作为文明的重要载体，其保护工作面临材料多样性、结构复杂性和长期自然侵蚀等多重挑战。传统人工检测方法效率低下，而现有基于CNN的自动检测技术对现代建筑有效，却难以应对历史建筑特有的精细纹理和模糊图像问题。广州作为拥有两千年历史的岭南文化中心，其骑楼、祠堂等建筑融合中西风格，但普遍存在裂缝、霉变等六类典型缺陷，亟需创新检测技术。

为此，华南理工大学等机构的研究团队在《Expert Systems with Applications》发表研究，首次提出历史建筑缺陷检测（HBDD）专项任务，并构建包含1,309栋广州历史建筑的高质量数据集。针对图像采集模糊和复杂结构特征，团队开发了Deblur-DetNet基线模型：第一阶段采用Chen et al. (2024)去模糊算法增强细节，第二阶段基于Transformer的DETR架构（Detection Transformer）实现端到端缺陷定位，通过自注意力机制捕捉全局依赖关系。

关键技术方法
研究采用无人机与地面设备多源采集图像，标注六类缺陷（裂缝、断裂等）；模型整合去模糊模块与改进的DETR检测器，使用复合损失函数优化；实验对比EfficientDet等5种基准模型，采用mAP（mean Average Precision）等指标评估。

研究结果

1. 基准测试分析：主流模型在原始模糊图像上mAP均低于0.462，验证历史建筑检测的特殊性。
2. 去模糊模块验证：预处理使所有基准模型mAP提升12%-35%，证实图像清晰化对细粒度缺陷识别的关键作用。
3. Deblur-DetNet性能：最终模型在去模糊后数据上达到0.712 mAP，较最优基准提升54.3%，尤其对<1mm裂缝的召回率提高68%。

结论与意义
该研究首次系统定义了HBDD任务范畴，填补了文化遗产数字化保护的技术空白。Deblur-DetNet通过"先修复后检测"的范式，有效解决了历史建筑图像退化与结构复杂性双重挑战。广州数据集的发布为跨地域研究提供基准，而Transformer架构的适应性改进为其他文物检测任务提供参考。未来可扩展至三维点云分析，推动智能技术在遗产保护中的深度融合。