邁向文化遺產數字化的綜合方法：從調查到信息管理的案例研究

摘要：近年來現實采集技術促進了文化遺產數字化進程，文化遺產保護實踐也對數字化方法提出具體而新的要求。本文通過案例展示文化遺產數字化方法，涉及調查儀器、數據處理技術以及點云自動分類等領域的最新發展。有針對性地分析了近年的三處數字化研究對象，闡述了面對復雜的建筑文化遺產時，綜合運用多傳感器技術以生成準確且完整的建筑模型的益處，重點關注了跨學科協作環境下從數據采集到通過Web平臺分享和數據管理利用的話題。探討了文化遺產領域廣泛采用自動化和人工智能所帶來的未來可能性，深入分析了其主要優勢以及潛在問題。

關鍵詞：文化遺產；數字化；調查；信息管理；多傳感器；機器學習

一、背景

近年來測量技術在方法和儀器，尤其是使用便捷性、現場調查效率和最終數據質量等方面取得顯著進展。這種進展為整個建筑、工程和施工（Architecture， Engineering， and Construction，簡稱“AEC”）行業帶來明顯好處，使從業者能夠獲得并使用準確可靠的建筑空間三維重建。該行業的各個學科，尤其文化遺產管理領域在現實采集（reality capture）和數字化技術的發展中受益頗豐，無論在幾何重建還是表面描述方面，都有助于完成擴展、詳細和系統的建筑遺產建模。

即便是對于最先進的數字化工具，每個文化遺產（如單個建筑物、考古遺址甚至文物）的特定需求都可能具有挑戰性，比如會限制操作員和儀器自由移動的空間條件，對象的物質特殊性等等。考慮到每個文化遺產的固有特點，每個數字化項目都應該采用定制的方法[1]。從開始仔細評估所需分辨率、數據的最終使用等，到根據場地環境條件、空間特征情況，選取最合適的調查工具。還需考慮到截至目前和未來將產生的大量數字化信息，由于可用調查數據成果的數量和規模的增加，迫切需要數據利用方面可持續和穩定的解決方案。此外，文化遺產領域需要不同專業知識背景的人員協同工作，需要具有用戶友好性、高效的數據共享以及在現場使用方面成熟的信息管理系統。

通過三個文化遺產數字化案例（奧斯塔的圣母升天及洗者若翰座堂、羅馬的古羅馬廣場鳩吐納噴泉、米蘭的主教座堂）討論對應復雜建筑空間條件下的多傳感器數據集成、建筑信息采集與管理流程協同以及大型建筑遺產數字化中數據處理與應用問題，本文旨在闡述一種以案例為導向的文化遺產數字化通用方法。

二、數字化方法

文化遺產數字化處理方法應該從開始就將所有流程視為一個整體。在工作初始階段綜合評估用戶需求（色彩、精度、誤差等有關主模型質量的標準設定）、文化遺產環境對采集工作的具體限制與影響、可能的下游及協同工作需求（數據格式兼容、操作工具與平臺、自動化處理等），并由此規劃整個數字化工作。

首先是獲取用戶的主要需求，初步判斷適合的調查技術和實現目標的解決方案。調查技術及針對性調查策略的采用對最終結果有重大影響。使用地面激光掃描儀（TLS）等多種技術與無人機攝影測量或移動測繪系統（MMS）相結合，可以減少未測量區域、提高最終產品質量以及調查的準確性和穩健性。在可能的情況下使用全站儀進行地形測量，以獲得一些用于縮放和精度控制的尺度信息。

在數據處理階段某些技術采集的最終結果可能會受到數據的配準或對齊的影響，因此可以利用現場獲取的控制點（control points），確保數據處理后的最終質量達到精度目標。此外，因文化遺產地向公眾開放，實地調查可能會干擾公眾參觀或其他與遺址相關的活動，通常在特定的限定時間內進行，因此應仔細評估調查活動可能存在的約束和限制。在滿足誤差范圍要求的數據采集完成后，下一步是將獲得的點云和網格數據合并到一個模型中，作為主模型（Master Model）。主模型是通過在點云或Mesh網格的重疊部分之間選擇最重要、準確或具代表性的數據來構建，它代表了所獲取數據的總體，也是三維測量最具代表性的成果。

調查數據的最終交付通常是通過本地文件進行的。在可能的情況下，最好使用非專有文件格式，無論是作為數據總體的主模型，還是在處理階段可能產生的任何二維表示數據（CAD矢量圖、正射影像等）。盡管文化遺產領域對三維數據的需求不斷增加，但由于這種二維表示數據具有使用便捷性和格式的長期兼容性，其仍然占據主導地位。

在AEC行業中，數據利用的一個重要前景是用Web平臺來管理利用3D數據。Web平臺作為通過網站（Web App）訪問的軟件，為用戶提供查看、與點云數據交互的工具，這些數據可以是已經存儲在系統中的，也可以是上傳并由平臺處理的數據。可以與3D數據互動的“程度”取決于啟發平臺的目的和目標：承諾從數據顯示工具演變為完全基于云的處理軟件，這也是Web平臺未來發展的關鍵。Web平臺的優勢之一是提供了用于物理服務器上虛擬機資源，允許用戶在不使用專門的高性能硬件和專用軟件的情況下處理大點云或網格模型；另一優勢是所有數據都由服務提供商托管和管理，初始上傳階段結束后，最終用戶無需使用和存儲大量重復數據。這兩個優勢可以在硬件和軟件方面節省成本。不過一些平臺需要訂閱使用，其價格根據可用功能、提供的服務和可用的存儲空間而變化。

與在本地機器上工作的情況相比，Web平臺的另一個顯著優勢在于它增強了用戶之間共享最新信息和數據的可能性，減少了數據重復和版本增多等問題。由于通過Web瀏覽器訪問平臺，而且潛在地可以從任何數字設備訪問，因此可視化模塊通常會根據設備的計算能力進行調整，為了進行快速的呈現，在上傳過程中點云便會被索引。因此對于沒有可以可視化3D數據的軟硬件的非技術人員和偶爾使用者，也能更容易地使用Web平臺來管理3D數據。

三、案例

（一）奧斯塔圣母升天及洗者若翰座堂

近年的實踐和研究呈現出使用從多個傳感器獲取集成數據的趨勢，特別是文化遺產領域中大型調查項目，復雜的場地物理條件需要利用多種傳感器來適應。在數據融合的實踐過程中，早期是將地面激光掃描（TLS）測量與建筑裝飾等的近距離攝影測量相結合[2]，然后將 TLS 與外部無人機（UAV）攝影測量相結合[3]，使用激光掃描作為匹配地面攝影和UAV攝影測量的“橋梁”[4]，以及最近討論的室內 TLS 與室外攝影測量匹配[5]。

這個案例是以多傳感器方法為基礎，對一座復雜精致的歷史建筑進行調查和研究：意大利奧斯塔（Aosta）古城的圣母升天及洗者若翰座堂（the Cathedral of Santa Maria Assunta and SanGiovanni Battista）的兩座鐘樓和后殿。座堂的建立據信可以追溯到四世紀末，由于在相當長的時間內間續的建筑干預，呈現出復雜且清晰的歷史分層。

建筑復雜的結構、形態以及眾多構件使得進行全面的維護和保護活動變得困難。實際上，座堂中更容易參觀和進入的部分多年來已經進行了大量的干預，而次要區域，包括鐘樓和后殿，至今仍然遍布病害，問題頗多。作為調查的一部分，有必要研究兩座方形基座鐘樓的保護現狀。尤其是磚結構內外表面，以及與結構相關的所有空間，如地下室、閣樓、樓梯和狹窄通道。

鑒于對象的復雜性、多樣性和不可及性，決定采用多傳感器方法。項目中采用了以下調查技術：TLS、地面數碼單鏡頭反光（DSLR）近距離攝影測量、無人機攝影測量、多攝像頭攝影測量以及全站儀測量，以實現整個測量活動的支持架構（圖 1）。

TLS、無人機攝影測量通常用于更大的、室內外易采集的建筑表面。多攝像頭攝影測量用于所有可及性極差的狹窄空間。這個案例研究采用的方法獨特之處在于，多攝像頭攝影測量被用作主要參考來定位其他傳感器所采集的信息。多攝像頭調查是使用一個由五個魚眼相機組成的Ant3D原型[6]。Ant3D因其作為手持儀器的便利性得以在多目相機調查中連接，并協同匹配不同采集信息，專業人員使用它通過連續行走調查大量延伸區域，其他采集技術則用于更準確地覆蓋座堂的特定區域。Ant3D對于測量狹窄和難以訪問的空間，如隧道和塔樓，是唯一可行和節省時間的工具，為調查帶來了許多方便，它被用作 “主干”點云以供參考。最后作為一般參考和控制，在可訪問的區域進行了地形測量。最終實現的準確性為15毫米，滿足1：50表示比例的精度要求[7]（圖 2）。

數據的相互驗證是通過交叉截面檢查進行的，在各個部分的分割和最終組裝之后，獲得了具有均勻特性的完整點云，并作為主模型交付。然后將所有數據收集到Web平臺FlyVast[8]中，為專業人員提供進一步干預的數據和信息。

修復項目中涉及建筑師、修復師、測量師、考古學家和座堂管理機構（Chapitre de laCathédrale）的管理者等眾多專業人員，需要無縫數據共享和對同一數據集的遠程協作，因此項目的點云通過FlyVast平臺承載。該平臺具有流暢的可視化性能，并提供實用的注釋工具，允許用戶查看、查詢和豐富點云的信息和數據，增強了3D用戶體驗。渲染模塊允許用戶根據當前的任務，通過滑塊手動調整渲染的點數，以滿足平穩的數據加載和瀏覽。可用的注釋工具支持用戶之間的互動和信息共享，并允許突出顯示特定區域以進行檢查。此外，該平臺提供的切割工具允許用戶通過繪制切割線或指定坐標來創建更精確的切割，這個工具是項目中涉及的建筑和修復人員的主要需求之一，因為它使用戶能夠從點云中快速提取2D表示。就筆者所測試的Web平臺中，FlyVast為此項需求提供了最大的便利（圖3）。

（二）羅馬的古羅馬廣場

羅馬廣場是位于羅馬的一個考古遺址，是斗獸場考古公園的一部分（Parco Archeologico delColosseo，簡稱“PArCo”）[9]。該區域主要是室外空間，具有多個歷史時期的不同結構。 PArCo 的管理辦公室負責監督整個維護和修復過程，其中也包括定期的數字化工作和對結構的持續監控。

整個研究項目的主要成果為一份數字化指南，它系統性闡述了各操作步驟、數字化需求以及在 PArCo管理部門用于監控和管理目的的web平臺上的數據。旨在為 PArCo管理部門推動的未來數字化工作提供參考指南，并對參與的專業人員的工作提出具體要求。此外，它還描述了平臺上共享的數據處理和上傳流程。

考古公園數字化檔案由“考古遺產保護和教育系統（SyPEAH ）”網絡平臺管理，該平臺還管理數字化過程及來自現場采集、調查、地質圖和衛星數據等大量數據。SyPEAH是一款專門針對地理空間功能而開發的 Web 應用程序，主要考慮到考古公園占地面積廣闊，而羅馬廣場的主要是室外區域，加之調查的主要目的之一是定位監測傳感器、警報事件，以及實現地理信息地圖和衛星圖像的可視化[10]。該平臺支持點云、3D 和BIM 模型，并具有特定可視化模塊。

一項測繪調查為該指南提供了數字化流程的合理示例。 該案例位于羅馬廣場的西南部，調查對象是一座建于公元前二世紀的古泉水遺址上的許愿建筑鳩吐納噴泉（Lacus Iuturnae - GiuturnaSpring）及周邊地區。 選擇該地點是因為它呈現出不同的建筑形態以及不同類型和尺寸的建筑元素。 勘察范圍總體面積約1100平方米，包括室內、室外和地下空間。調查于2022年5月進行，采用多傳感器和多技術方法，以盡量覆蓋全部調查區域，目標分辨率為5毫米，適合1：50的表示比例。此次調查使用了多種儀器：TLS、室內外區域攝影測量、無人機攝影測量、用于地下區域的Ant3D手持式多目相機攝影測量系統，以及用于采集地面控制點的地面全站儀（圖 4）。

集成了來自不同測量技術的高分辨率點云，最終輸出是一個5毫米分辨率均質采樣的主模型。主模型覆蓋了鳩吐納噴泉的整個區域，旨在以最大分辨率描述考古對象，最大限度地覆蓋全部區域，完整記錄該遺址（圖 5）。

主模型最終以整體和手動分割的各部分上傳到 SyPEAH 平臺（圖6）。由于要分割的類別數量較少，各類別固有特征各異，并未采用自動或半自動分割算法。筆者認為，此類平臺未來應提供更多針對建筑要素的功能，用以更高效地描述單個考古要素[11]。考慮到考古公園的規模以及現有物體的多樣性，專用于 PArCo 管理的信息平臺受益于多尺度方法，并適應特定用例的規模。未來可以關注于對點云的高級操作，設計針對特定建筑規模的數據庫實體，對應考古區域的邏輯和語義地細致劃分，以及3D數據分割，創建并引入這些新的數據庫實體可以精確區分和描述不同考古對象，讓 SyPEAH 用戶訪問更精細的數據和信息，描述單個考古元素及其組成部分的特征（圖7）。基于此類需要對園區做總體概述和協調，同時針對特定考古區域制定干預決策的案例時，多尺度方法尤其有效。

（三）米蘭主教座堂

為了維持米蘭主教座堂的建筑外觀，它接受著經年不斷的建筑干預：內部和外部可見結構大部分材料是坎多利亞（Candoglia）大理石[12]。 這種材料由于環境因素和空氣污染，尤其是在室外，降解速度很快。加之漫長的歷史建設和幾個世紀以來反復出現的各種結構問題，導致其需要定期和循環檢查以及相應的持續修復（圖 8）。

Vener anda Fabbrica（ 簡稱“VFD”）[13]，是自1386 年米蘭主教座堂建造之初起負責管理工地的機構，并協調所有修復活動。VFD 特別之處在于其監督著每個大理石構件的整個供應鏈：坎多利亞采石場，加工原材料和完成主教座堂上的替換、拋光或鞏固干預的所有設施、工具和專業知識。通常的維護流程如下：（1）根據計劃檢查主教座堂的特定區域；（2）識別需要干預的石塊并通過現場裁剪紙質模板來記錄它們的形狀；（3）從原位移除石塊并插入可調支撐；（4）從采石場開采大理石并根據模板粗略塑形；（5）精確塑造新的石塊以插入其位置。

自2008年以來，米蘭主教座堂的完整點云已經通過多年積累[14]，使用了多種儀器、傳感器和技術：從地面激光掃描（TLS）到近距離攝影測量、無人機攝影測量和多相機攝影測量系統[15]。由于修復活動的演變和未測部分的集成需求，座堂的點云也在不斷更新（圖9）。

為了能夠使用數據量龐大且內容復雜的主教座堂點云，需要依據建筑要素將其分類[16][17]。基于Grilli和Remondino于2019年發表的實踐[18]，米蘭主教座堂的分類采用了機器學習（ML）方法。該方法使用了一個隨機森林（RF）分類器，通過對數據集進行部分手動注釋來準備完成訓練。該分類器使用點云中各點的幾何特征，并基于統計學原理完成分類任務[19]。由于點云數據規模巨大，米蘭主教座堂的點云分類需要有組織地分步進行，并最終采用了多級、多分辨率方法[20]以克服計算需求和類別過多所帶來的問題。在這種方法中，分類工作分布在不同的采樣級別中（圖10）。各級分類任務中相對較低的分辨率減輕了幾何特征計算和模型訓練造成的資源負擔。分類結果會被插值回相同位置的但密度更高的點云上，以獲得下一級分類所需幾何細節的更高分辨率，該分辨率取決于需要識別的建筑元素的準確度。與其他常見的分類解決方案相比，尤其對于大規模數據集，該方法更加精確且計算效率更高。

為了支持復雜的維護過程，找到數據管理問題的有效解決方案，多年來進行了各種信息管理方面的實踐。最重要的經驗來自用于修復主塔的一個基于開源模塊的BIM3DSG信息系統的實踐，該系統的幾何基礎基于NURBS和Mesh模型[21-23]。這一實踐展示出以3D為基礎的信息系統支持修復工作全部潛力，但同時受制于模型制作階段的瓶頸問題，尤其考慮到1：50表示比例所需的準確性。此外，還測試使用了基于制造業的一款產品生命周期管理（PLM）平臺3DExperience[24]。結果表明，面對復雜的主教座堂，高效的數據庫管理器十分重要，但建模的影響同樣地阻礙了它在主教座堂的規模應用。

這些經驗指出，如果要把信息系統應用延伸到整個主教座堂上，3D建模可能不是一種可持續的方法，原因如下：（1）建筑空間和內容的復雜性，以及點云的巨大尺度；（2）大理石覆蓋物的周期性更換輕微地改變著建筑元素的形狀；（3）不斷更新的調查需求；（4）主教座堂每個部分和區域的精確測量需求。

目前研究的主要目標是通過直接在專門設計的Web平臺上管理點云數據，開發一種有效的系統來支持主教座堂的維護和文檔化過程。需要解決的主要問題涉及數據收集、數據的邏輯和語義結構，根據已建立的結構對點云進行分割和細分，以及Web平臺的設計和開發。該平臺可以作為一個信息樞紐，連接點云的幾何數據和分類維修工作已經產生以及未來會生產的信息和數據。不僅如此，平臺應允許用戶通過一個視覺導航界面瀏覽儲存的數據與分類的歷史檔案。該項目的主要立意是在單一的應用程序中匯集所有有關米蘭主教座堂的有用信息和數據，使用高效且簡潔的工具來支持開展在主教座堂的工作。

四、討論

建筑空間的數字化對于設備和操作者而言有時會非常復雜，這在文化遺產領域尤其明顯。 規則、寬闊和無障礙的空間是少見的例外，常見的是狹窄、復雜甚至不可及的空間。 這一事實要求測量人員使用不同的采集技術，以便從每種技術中獲得最大收益，甚至開發新儀器來解決特定問題。

傳感器之間的數據集成一方面可以看作是解決特定數字化問題的方案。例如，TLS點云在表示幾何結構方面具有很高的測量精度，因為其傳感器是主動式的，不受環境光照的影響。攝影測量可以實現比肩TLS的分辨率，具有精確的色彩表現力，但它受到光照和陰影條件的影響，這可能會影響最終的色彩結果、圖像的定位以及測量產品的最終準確性和可靠性。從這個角度來看，數據集成可以充分利用可用技術的主要優勢，但另一方面，它也面對挑戰，因為每種單一技術都帶來了一些特定的問題（如調查持續時間、機動性和處理、照明、遠程漂移等問題），而且全部調查數據在目標分辨率下的相互匹配絕非易事，要考慮的不僅是單個點云，還要考慮整個主模型的最終準確性。

通過機器學習對點云數據進行分類可以減少用于給點云提供語義結構的人工操作時間。值得注意的是，目前以點為基礎（point-wise）的方法在處理統計數據方面表現出色（如果考慮根據評估數據集，點分配給正確的類別的準確率），但在不同類別之間的邊緣附近的點的分配可能會不確定和模糊。這是這種分類方法的常見缺點，因為點的幾何特征計算基于特定的搜索半徑。根據需要導致后續需要手動重新分類，以獲得類別之間的清晰邊緣。這顯著增加了分類過程中的人工干預，增加時間消耗。目前很難估計整個過程所需的時間，包括因手動干預而花費的時間。

另一方面，機器學習的行為可以從建筑對象的本體研究和定義中受益。當我們使用自然語言來描述建筑概念時，通常其中包含了幾何描述、格式塔心理學[25]、文化和背景理解等等。機器學習模型實際上又是以數值矩陣的方式感知物理世界，正如克里斯托夫·莫爾納（Christoph Molnar）[26]所指出的那樣，它實際上是一種基于提供的數據來改善預測或行為的方法。分類中的目標類別應該與樣本中集包含的特征描述相互一致。因此建筑概念的本體研究至關重要，它將指示出數據集中缺失的部分或目標類別需要的調整。為了提高機器學習的性能和準確性，本體研究需要定義各種建筑元素，即可能的類別，考慮到其在尺寸、形狀或其他特征上的不同可能性。

當前，調查技術似乎比處理、使用和結構化數據的能力發展得更快。現實采集硬件具有很高的可及性，越來越容易使用，且高度自動化，但數據解釋過程依賴于復雜龐大的自動化基礎，且仍需人工干預驗證，甚至是手動糾正或類別重新分配。此外，數據解釋階段是在調查活動之后進行的，現階段無法提供對建筑空間、可能需要特定工作規劃的關鍵區域的實時反饋。

現實采集數據與對象和特征識別技術的集成是可以預見的未來發展新契機，這些技術目前正在朝著建筑和修復領域的應用方向積極發展。應用范圍包括在3D數據中對象識別，例如使用機器深度學習進行點云分割；以及圖像處理和識別，例如檢測建筑元素的病理現象、圖像字幕、分割等[27-32]。人工智能的支持可以促進更具對象性的調查，節省時間和經費以及更明智的計劃干預。考慮到當下自動化、實時定位與地圖構建（SLAM）技術與在模擬中進行數據采集的測試[33]，這些技術可能在某些具體的可及性低或者高度危險的場景中實現無人數據采集。但正如前面所述，長期而言人的干預和理解仍是不可或缺的。

隨著人工智能在建筑和修復領域的不斷實踐，跨學科數據集的制定將是一個可以預見的重要挑戰。要制作這樣利好多種相關應用的數據集，需要詳細的標準、本體研究以及可以在不同學科研究者之間共享和比較的海量數據。

五、結語

正如奧斯塔主教座堂的案例研究所指出的那樣，在進行調查活動之前需要根據建筑遺產的物理空間場景，規劃不同傳感器的采集工作，使得現場調查工作穩妥、精確地執行開展，并仔細處理數據，以提供符合準確性要求的完整模型。

羅馬廣場的案例研究則重點討論了文化遺產的數據管理系統，這些系統必須考慮用戶之間的差異：專業背景以及其與數據、相關信息的互動水平。文化遺產的數據管理系統必須根據遺產數字化的主要目標進行選擇或設計，這主要由目標用戶、管理數據以及下游數字化技術和信息利用的可能走向來決定。

從米蘭主教座堂的調查歷史中可見，三維數據使用的增加、調查技術的發展為文化遺產的數字化利用帶來了新的可能。文化遺產數字化實踐中應平衡考慮優先事項，并采用適配的技術方法，以適應新的需求與可能性。這種改變發生在生產3D數據的采集和處理流程中，也體現在數據的最終使用上。任何演進和技術改進，尤其是在人工智能和自動處理以及對象識別領域，都應朝著可用性方向進行重新調整。在數據集準備和制定集標準方面，需要來自行業中各學科工作者的更多共識與努力。

（致謝：感謝奧斯特主教座堂教堂的 Chapitre de la Cathédrale機構對研究的支持以及在所開展的活動中的合作。也感謝He.Su.Tech研究團隊的建筑師安德里亞·阿達米（Arch. Andrea Adami）和建筑師雅各布·赫爾德（Arch. Jacopo Helder）在無人機調查活動期間提供的支持。作者要感謝考古公園總經理和工作人員，以及Digimat公司的平臺開發者。特別感謝米蘭主教座堂Veneranda Fabbrica機構和感謝弗朗西斯科·卡納利工程師（Ing. Francesco Canali）的所有支持和多年的合作。）

參考文獻：

[1] Bruno N， Roncella R. A Restoration Oriented HBIM Systemfor Cultural Heritage Documentation： The Case Study of ParmaCathedral [C]. ISPRS - International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences， 2018：171-178.

[2] Fassi F， Achille C， Fregonese L. Surveying and Modellingthe Main Spire of Milan Cathedral Using Multiple Data Sources：Surveying and Modelling the Main Spire of Milan CathedralUsing Multiple Data Sources [J]. The Photogrammetric Record.2011，26（136）： 462-487.

[3][14] Achille C， Fassi F， Mandelli A， et al. From a Traditional to aDigital Site： 2008–2019. The History of Milan Cathedral Surveys[J].Digital Transformation of the Design， Construction and ManagementProcesses of the Built Environment， 2020： 331-341.

[4] Murtiyoso A， Grussenmeyer P， Suwardhi D， Fadilah WA，Permana HA， Wicaksono D. Multi-sensor 3D Recording Pipelinefor the Documentation of Javanese Temples [J]. The InternationalArchives of the Photogrammetry， Remote Sensing and SpatialInformation Sciences， 2019： 829-834.

[5][6][15] Perfetti L， Fassi F. Handheld Fisheye MulticameraSystem： Surveying Meandering Architectonic Spaces in Open-LoopMode – Accuracy Assessment [J]. The International Archives of thePhotogrammetry， Remote Sensing and Spatial Information Sciences，2022： 435-442.

[7] Perfetti L， Spettu F， Achille C， Fassi F， Navillod C， Cerutti C. AMulti-Sensor Approach to Survey Complex Architectures Supportedby Multi-Camera Photogrammetry [J]. The International Archivesof the Photogrammetry， Remote Sensing and Spatial InformationSciences， 2023：1209-1216.

[8] Geovast 3D. FlyVast [DB/OL]. [2022-05-16]https：//www.flyvast.com/.

[9] Parco Archeologico Del Colosseo. Parco Archeologico Del ColosseoOfficial Website [DB/OL]. [2023-03-10]https：//parcocolosseo.it/en/.

[10] Della Giovampaola I. SyPEAH： The WebAPP System forProtection and Education to Archaeological Heritage in the ParcoArcheologico Del Colosseo [J]. Geosciences， 2021，11（6）： 246.

[11] Spettu F， Achille C， Fassi F， Della Giovampaola I. WebPlatforms for Cultural Heritage Management： The Parco Archeologicodel Colosseo Case Study [J]. The International Archives of thePhotogrammetry， Remote Sensing and Spatial Information Sciences，2023：1493-1500.

[12] Dino G， Borghi， Castelli D， Canali， Corbetta， Cooper B. TheCandoglia Marble and the “Veneranda Fabbrica Del Duomo diMilano”： A Renowned Georesource to be Potentially Designed asGlobal Heritage Stone [J]. Sustainability， 2019，11：4725.

[13] Veneranda Fabbrica Del Duomo di Milano [DB/OL].[2023-03-25].https：//www.duomomilano.it/it/infopage/veneranda-fabbrica-delduomo-di-milano/23/.

[16] Teruggi S， Fassi F. Machines Learning for Mixed Reality： TheMilan Cathedral from Survey to Holograms[C]//Pattern Recognition.ICPR International Workshops and Challenges： Virtual Event， January10-15， 2021， Proceedings， Part III. Springer International Publishing，2021： 613-627.

[17][20] Teruggi S， Grilli E， Russo M， Fassi F， Remondino F. AHierarchical Machine Learning Approach for Multi-Level and Multi-Resolution 3D Point Cloud Classification [J]. Remote Sensing，2022，12（16）： 2598.

[18] Grilli E， Remondino F. Classification of 3D Digital Heritage [J].Remote Sensing， 2019，11（7）： 847.

[19] Grilli E， Farella E， Torresani A， Remondino F. GeometricFeatures Analysis for the Classification of Cultural Heritage PointClouds [J]. ISPRS - International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences， 2019：541-548.

[21] Fassi F， Parri S. Complex Architecture in 3D： From Surveyto Web [J]. International Journal of Heritage in the Digital Era，2012，1：379-398.

[22] Fassi F， Achille C， Mandelli A， Rechichi F， Parri S. A NewIdea of BIM System for Visualization， Web Sharing and Using HugeComplex 3D Models for Facility Management [J]. InternationalArchives of the Photogrammetry， Remote Sensing and SpatialInformation Sciences - ISPRS Archives. 2015.

[23] Rechichi F， Mandelli A， Achille C， Fassi F. Sharing High-Resolution Models and Information on Web： The Web Module ofBim3dsg System [C]. International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences - ISPRS Archives.2016.

[24] Spettu F， Teruggi S， Canali F， et al. A Hybrid Model for the ReverseEngineering of the Milan Cathedral. Challenges and Lesson Learnt.[C]//Proceedings ARQUEOLóGICA 2.0-9th International Congress amp; 3rdGEORES-GEOmatics and pREServation， 2021： 281-291.

[25] Mather G. Foundations of Perception [M]. Psychology Press. 2006.

[26] Molnar C. Interpretable Machine Learning： A Guide for MakingBlack Box Models Explainable [M]. Independently Published. 2022.

[27] Idjaton K， Desquesnes X， Treuillet S， et al. Transformerswith YOLO Network for Damage Detection in Limestone WallImages[C]//International Conference on Image Analysis andProcessing. Cham： Springer International Publishing， 2022：302-313.

[28] Karimi N， Valibeig N， Rabiee HR. Deterioration Detection inHistorical Buildings With Different Materials Based on Novel DeepLearning Methods With Focusing on Isfahan Historical Bridges [J].International Journal of Architectural Heritage， 2023：1-13.

[29] Kwon D， Yu J. Automatic Damage Detection of Stone CulturalProperty Based on Deep Learning Algorithm [J]. The InternationalArchives of the Photogrammetry， Remote Sensing and SpatialInformation Sciences， 2019：639-643.

[30] Pathak R， Saini A， Wadhwa A， Sharma H， Sangwan D. AnObject Detection Approach for Detecting Damages in Heritage SitesUsing 3-D Point Clouds and 2-D Visual Data [J]. Journal of CulturalHeritage， 2021，48：74-82.

[31] Vergès-Belmin V. ICOMOS-ISCS： Illustrated Glossary on StoneDeterioration Patterns （English-French Version） [M]. ICOMOS.2008.

[32] Wang N， Zhao X， Zhao P， Zhang Y， Zou Z， Ou J. AutomaticDamage Detection of Historic Masonry Buildings Based on MobileDeep Learning [J]. Automation in Construction， 2019，103：53-66.[33] Chizhova M， Gorkovchuk D， Kachkovskaya T， Popovas D，Gorkovchuk J， Luhmann T， Hess M. Qualitative Testing of anAdvanced Terrestrial Laser Scanner Simulator： Users Experienceand Feedback [J]. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences， 2021：29-35.

（責任編輯：劉瑛楠）