AIRA: computer vision per interpretare l’architettura romana

AIRA, Artificial Intelligence for the study of Roman Architecture, è un progetto di ricerca e sviluppo dedicato all’applicazione dell’intelligenza artificiale all’analisi delle strutture archeologiche di epoca romana.

L’obiettivo è automatizzare parte delle attività di lettura e classificazione delle opere murarie, trasformando la documentazione fotografica in informazioni organizzate, confrontabili e interrogabili.
Attraverso modelli di deep learning, il sistema dovrà riconoscere gli elementi presenti nelle immagini, delimitarne con precisione le superfici e identificarne le principali caratteristiche costruttive. L’output finale sarà una piattaforma web attraverso cui archeologi, ricercatori e professionisti potranno consultare e analizzare i risultati prodotti dai modelli.

Dalle immagini a un dataset per l’intelligenza artificiale

La costruzione del dataset rappresenta il cuore operativo della prima fase del progetto.

Le immagini selezionate vengono caricate in una piattaforma configurata per consentire ai partner di lavorare nello stesso ambiente digitale. Ogni elemento architettonico viene individuato direttamente sulla fotografia attraverso annotazioni poligonali, più precise delle comuni bounding box e particolarmente adatte alle geometrie irregolari delle strutture archeologiche.

A ogni area annotata vengono associate una classe e una serie di attributi. In questo modo, un elemento può essere identificato come elevato murario, arco, colonna, pilastro, soglia, piano pavimentale, scala, canalizzazione o altra componente architettonica e può essere descritto in base alla tecnica edilizia, al materiale, al rivestimento e alla tessitura.

Anche i fenomeni di alterazione vengono annotati come elementi indipendenti. Questo permette di localizzare con precisione le aree interessate da degrado biologico o non biologico e di raccogliere informazioni utili per le successive analisi sullo stato di conservazione.


Una tassonomia costruita per la computer vision

La tassonomia utilizzata nel progetto è già stata definita attraverso il confronto tra competenze archeologiche e informatiche.

La struttura distingue chiaramente gli oggetti che il modello deve riconoscere dalle proprietà che ne descrivono le caratteristiche. Questa scelta consente di utilizzare il dataset per attività combinate di object detection, segmentazione e classificazione degli attributi.

L’interfaccia della piattaforma è stata personalizzata per guidare gli annotatori e ridurre gli errori. Gli attributi disponibili cambiano automaticamente in base alla classe selezionata: una muratura può essere associata a una tecnica edilizia e a una tessitura, mentre un’alterazione viene descritta attraverso informazioni specifiche sulla tipologia e sull’intensità del fenomeno.

Il risultato è un dataset multilivello nel quale geometria e informazione semantica vengono raccolte nello stesso processo di annotazione.


Siti selezionati e casi di studio

La sperimentazione utilizza immagini provenienti da siti archeologici campani caratterizzati da strutture, materiali e fasi costruttive differenti.

I casi di studio comprendono le Terme Romane di Agnano, il Teatro Romano di Sessa Aurunca, le Terme Romane di via Terracina e la Villa Imperiale del Pausilypon.

La varietà dei contesti permette di costruire un dataset più rappresentativo e di verificare il comportamento dei modelli su condizioni reali differenti, come variazioni di illuminazione, conservazione delle superfici, sovrapposizione tra elementi e presenza di interventi successivi.

Durante l’annotazione, la distribuzione delle classi e degli attributi viene costantemente analizzata. Quando una categoria risulta poco rappresentata, vengono ricercate e selezionate nuove immagini utili a migliorare la copertura del dataset.


Deep learning per riconoscimento e segmentazione

Parallelamente alla costruzione del dataset, il progetto analizza le architetture di deep learning più adatte al riconoscimento delle strutture archeologiche.

I modelli dovranno affrontare più livelli di analisi. Il primo consiste nell’individuare gli elementi presenti nella fotografia. Il secondo riguarda la segmentazione precisa delle loro superfici. Il terzo prevede la classificazione delle caratteristiche associate, come tecnica costruttiva, materiale e rivestimento.

Le prestazioni saranno misurate attraverso metriche specifiche per classificazione e segmentazione.

Nelle fasi successive, gli algoritmi con le prestazioni migliori saranno ottimizzati e combinati attraverso reti ensemble, con l’obiettivo di ottenere risultati più robusti anche in presenza di immagini complesse, elementi parzialmente visibili o classi molto simili tra loro.


Gli obiettivi del primo anno

Entro la conclusione del primo anno, AIRA punta a rendere disponibile una prima base tecnologica completa e verificabile.

Il principale risultato atteso è un dataset di immagini archeologiche corredato da annotazioni, classi e metadati coerenti. La qualità dei dati sarà valutata considerando completezza delle informazioni, bilanciamento tra le classi e coerenza delle annotazioni.

Saranno inoltre completate l’analisi delle architetture di deep learning, la validazione preliminare degli algoritmi selezionati e la definizione dei requisiti della web application.

Questi risultati permetteranno di passare dalla fase di preparazione dei dati all’implementazione dei modelli, al loro addestramento e alla successiva validazione su immagini reali.


Una collaborazione tra tecnologia e ricerca archeologica

AIRA integra competenze informatiche, ingegneristiche e archeologiche.

Technova è coinvolta nella definizione dei criteri di classificazione, nella costruzione e nell’analisi del dataset e nello sviluppo della web application finale.

SMS Engineering lavora sull’analisi, sull’implementazione e sulla validazione degli algoritmi di deep learning.


L’Università degli Studi di Napoli “L’Orientale”, attraverso il Dipartimento Asia, Africa e Mediterraneo, fornisce il contributo scientifico necessario per selezionare la documentazione, definire correttamente classi e attributi, supportare le attività di annotazione e valutare la qualità dei risultati prodotti dai modelli.


Innovazione e nuove opportunità di collaborazione

AIRA rafforza le competenze di Technova nella computer vision, nel deep learning e nella costruzione di dataset specialistici.


Il progetto è aperto a collaborazioni con università,  centri di ricerca e imprese tecnologiche per ampliare i casi di studio e sviluppare soluzioni concrete per la conoscenza e la conservazione del patrimonio culturale.

Vuoi condividere esperienze di ricerca in questo campo con il team di progetto?

Scrivi a info@technova-cpi.org

 

 

TECHNOVA SCARL

Sede: Napoli, cap 80143
via G. Porzio CDN Isola C2

  +39 081 19362720
  info@technova-cpi.org
  www.technova-cpi.org

Partita Iva  IT05191881217

CHI SIAMO

Siamo una piattaforma di imprese dei settori ICT, engineering, energetica e ambiente, attiva dal 2005 nella promozione e realizzazione di progetti di ricerca industriale e di sviluppo sperimentale, in collaborazione con enti di ricerca pubblici e privati.

Siamo un network aperto, interessato ad avviare relazioni con imprese innovative per inserirle nei nostri partenariati di R&S.