《Journal of Building Engineering》：Image-Based Automatic Detection of Efflorescence on Limestone Heritage Constructions: Application to the Monastery of Batalha
编辑推荐：
泛盐是石灰岩砌体中常见且反复出现的病理现象，经常在历史建筑上观察到。它表现为表面上白色粉末状盐类沉积物，改变了美观外观，并且在反复干湿循环和结晶循环下，促进了表面材料的风化与剥落。石灰岩中泛盐的出现与其矿物和结构密切相关。石灰岩主要由碳酸钙（方解石）组成，但通
泛盐是石灰岩砌体中常见且反复出现的病理现象，经常在历史建筑上观察到。它表现为表面上白色粉末状盐类沉积物，改变了美观外观，并且在反复干湿循环和结晶循环下，促进了表面材料的风化与剥落。石灰岩中泛盐的出现与其矿物和结构密切相关。石灰岩主要由碳酸钙（方解石）组成，但通常含有影响孔隙率、孔隙大小分布和毛细传输的矿物等杂质。这些岩石物理性质控制着含盐溶液的吸收和结晶位置。由于泛盐的发展是由材料特性、可溶盐化学性质和环境条件的综合作用驱动的，因此绘制和监测这种病理的发生与演化对于有效的保护策略至关重要。在过去的监测技术中，大多数依赖人工视觉检查，这非常耗时且依赖于操作员，并且缺乏与环境数据集的时间耦合，阻碍了对促进泛盐生长的环境变量阈值的识别。为了减轻人为因素的影响，研究人员使用监督机器学习或深度学习架构进行自动绘制。本研究的研究目的并非开发一种普遍可转移的分割框架，而是研究训练数据集组成以及特定材料训练策略如何影响基于深度学习的石灰岩砌体泛盐分割。具体而言，研究将石灰岩表面可见泛盐的绘制形式化为像素级语义分割任务，通过转换上下文中的常见对象（COCO）实例分割和分割任何模型2（SAM2）样式的掩码为二值泛盐掩码，开发统一数据框架，并引入受控数据集组成研究以量化泛化与专业化之间的权衡。该方法应用于联合国教科文组织（UNESCO）世界遗产地巴塔利亚修道院收集的图像数据集，展示了其在石灰岩遗产监测中的适用性，并为未来与环境数据集的整合提供了基础。
在建筑遗产保护领域，石灰岩砌体表面的泛盐现象是一种普遍且具有破坏性的病理特征。这种现象不仅严重损害历史建筑的美学外观，在反复的干湿循环和结晶作用下还会导致石材表面风化与剥落，威胁结构完整性。传统的监测主要依赖人工视觉检查和盐分采样分析，这一过程耗时费力且高度依赖操作员经验，不同技术人员之间的主观差异可能导致病害图谱的不一致性。此外，现有的监测往往缺乏将连续微气候数据集与泛盐时空演变进行系统性整合的标准化流程，阻碍了对环境驱动因素与病害发展之间相关性的深入探究。尽管计算机视觉和深度学习在建筑诊断中展现出巨大潜力，但在石灰岩泛盐的自动化检测应用仍处于起步阶段。为了解决上述问题，研究人员开展了这项研究，旨在探讨训练数据集组成和特定材料训练策略对深度学习分割模型性能的影响，并在巴塔利亚修道院这一世界文化遗产中进行部署验证，该论文发表在《Journal of Building Engineering》。
为开展此项研究，研究人员采用了以下几项关键技术方法。首先，整合了来自巴塔利亚修道院（通过地面相机和无人机采集）及三个公开数据集的图像，利用分割任何模型（SAM）进行半自动化标注生成基准掩码。接着，构建了统一数据框架，将异构格式的标注统一转换为二值掩码，并设计了四种不同外部数据贡献比例的受控数据集组合（T1-T4），以评估模型在泛化与专门化之间的权衡。研究基准测试了八种基于卷积神经网络（CNN）的分割架构，引入交并比和二元交并比等指标准确量化不平衡数据集下的边界分割质量，并通过分块推理技术将筛选出的最优模型应用于修道院的大型正射影像图中。
5.1. 模型指标评估（第一阶段）
研究人员首先评估了八种CNN架构在不同数据集组合（T1-T4）下的基线性能。实验结果表明，不同架构对数据集的响应存在显著差异。在混合了多种材质数据集的场景中，DeepLabV3+架构表现最佳，其BIoU分数始终维持在0.79以上，表明其编码器-解码器结构在捕获泛盐边界特征方面极为有效。同时，采用AlexNet作为编码器的U-Net模型也展现出良好的竞争力。此外研究还发现，数据集的异质性显著影响模型间的性能差异，材质多样性增加会导致指标评估的变异性增大；而仅使用单一材质的数据集则使各模型的响应趋于一致。
5.2. 最优模型指标提升（第二阶段）
在第二阶段，研究人员对DeepLabV3+、U-Net with AlexNet和HRNet with AlexNet三款优选模型进行了长达150个周期的深度训练。结果显示，在融合外部数据集的场景中，DeepLabV3+凭借其空洞空间金字塔池化（ASPP）模块集成多尺度特征的卓越能力，始终取得最高的BIoU分数（T1达0.915）。然而，当仅在单一材质的石灰岩数据集上进行训练时，DeepLabV3+性能大幅下降至0.6994；相反，凭借在全网络中维持高分辨率表征的设计，HRNet在该场景下展现出更强的稳定性，取得了0.7622的最佳BIoU分数。这一结论强调了在处理特定材质上的细微纹理特征时，保持高空间分辨率至关重要。
6. 最终模型应用
在最终应用环节，研究人员选择了在异构数据集上量化指标最高的DeepLabV3+(T1)与在单一石灰岩数据集上表现最稳健的HRNet AlexNet(T4)进行对比。尽管HRNet的绝对BIoU分数略低，但定性评估显示，其在正射影像中能够以更丰富的细节准确勾勒出泛盐的几何形状与空间分布。这是因为其特定领域的训练策略使其更专精于石灰岩基底的视觉与纹理特征。研究还指出了实际应用中的局限，如模型难以区分泛盐与风化严重的灰缝材料；而在推理阶段，采用较小的分块能保留细节但易放大噪声，较大的分块则产生更平滑的结果但会损失空间精度。
7. 结论
本研究深入探讨了训练数据集组成对石灰岩泛盐深度学习分割的影响。研究结论表明，在针对石灰岩泛盐的分割任务中，数据集的组成方式比网络架构本身的选择更为关键。在跨材质的广义场景下，具备多尺度上下文捕捉能力的DeepLabV3+表现最佳；但若目标是对特定材质的历史砌体进行精细监测，针对领域适应的HRNet模型则是更优选择，即便其量化指标在混合数据下并不突出。在巴塔利亚修道院的应用案例证实，针对特定的保护工作，几何形状和连续性的准确呈现比单纯的基准得分更具实际价值。研究还提及，由于泛盐的视觉表现仅是深层物理化学过程的表象，未来的工作应致力于扩展石灰岩图像数据集，将模型输出与人工检查结果进行比对评估，并将时序图像获取与环境微气候参数（如湿度和温度）相综合，以实现对盐风化现象演化机制的动态监测与数据驱动分析。
