中国传统村落研究中的深度学习技术应用综述

刘小虎 王晢宇 胡 辞 刘 晗

传统村落是文化遗产中一种重要的物质载体，向我们阐述了不同时期、不同地区的地方本土故事和历史民俗，是人类文明不可磨灭的历史文化资源。然而，随着城市化的快速发展，许多传统村落面临着发展以及文化传承困难的挑战。保护和发展传统村落本土文化迫在眉睫。而今，随着人工智能不断地取得突破，尤其是在语言处理和图片识别等方面，有着突飞猛进的提升。建筑学科也在积极探寻与人工智能的结合。当下，没有相关文章详细介绍了深度学习技术应用于中国传统村落保护与发展的研究。因此，本研究旨在了解中国传统村落的保护与发展趋势以及文献中采用的深度学习算法和测量数据，并为该课题的进一步工作提供参考。

1 文献数据来源与研究方法

1.1 文献数据来源

本研究以Web of Science（科学引文索引）和CNKI（中国知网）为主要文献数据库。以下关键词用于收集相关刊物— “深度学习（Deep Learning）”、“机器学习（Machine Learning）”、“传统村落（Traditional village）”、“ 图 像 识 别（Image Recognition）”，有576 个结果来自Web of Science，267 个来自CNKI，并对检索到的论文进行筛选，对“研究学科”“标题”“摘要”和“关键词”部分进行了审查，以确保研究主题在“深度学习技术应用于传统村落研究”这个领域。在检索过程中，从各种数据库中删除了要排除的结果，选择与研究相关联的论文，共35 篇。

1.2 研究方法

本文首先对过去中国传统村落研究进行简单的分析与阐述。其次选用CiteSpace 分别对中英文深度学习应用于中国传统村落的研究文献进行可视化分析，通过发文时间趋势与特征来阐述该研究的大致规律，通过对研究的知识集群分析，揭示深度学习应用于中国传统村落研究的热点及知识组群，同时基于关键词频率图把握当下研究热点和前沿问题，并分析当前算法的发展以及如何应用。最后，指出当下深度学习技术应用的现存问题，并为后续技术应用提出相关意见以及研究导向。

2 数据统计与可视化分析

2.1 研究发文量与时间特征

发文量随时间变化的特征可反映深度学习技术应用于中国传统村落研究领域文献发展程度和趋势。总体而言，中英文发文量的变化趋势相近，早期文献数量都增长缓慢，2023 年之后英文文献数量激增（如图1）。根据文献检索报告可知，深度学习应用于中国传统村落研究领域主要为建筑学，其次是城市规划、风景园林，接下来是遥感技术、经济学等其他领域。

2.2 关键词聚类分析

为了更深刻地把握技术应用的热点内容，利用CiteSpace 软件关键词聚类分析，并采用CiteSpace 提供的LLR算法绘制中英文关键词聚类图谱，中英文关键词聚类的相对紧密，表明各个知识集群之间研究关联度较大（如图2、图3）。关键词形成的聚类标识提取出具体名词短语，能基本分析聚类的总体特征，同时结合聚类中的内部关键词研究整体关系。本文将深度学习应用于中国传统村落研究聚类归纳为技术路线和中国传统村落研究2个知识集群（如表1、表2），并在后文结合学科对中英文研究的各知识集群进行梳理和总结。

表1 中文文献研究关建词聚类

表2 英文文献研究关建词聚类

图2 中文研究词关键词图谱（来源：根据Citespace 绘制）

图3 英文研究词关键词图谱（来源：根据Citespace 绘制）

3 多学科视角下的综合性研究

3.1 计算机科学与技术

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据[1]。大多数深度学习技术主要是以图像识别算法为基础，由于算法更新的不断变更，根据学者不同需求，帮助学者在研究过程中，更加精确地识别所研究的对象。

卷积神经网络（CNN）通过卷积和池化操作提取图像的空间信息，模型较为简单且效果好。但需要大量标注数据进行训练，计算量较大。区域卷积神经网络（R-CNN）实现了检测和分割任务的联合，可同时输出目标框和像素级别的分割掩码。训练和推理时间长，结构复杂度高。残差网络（ResNet）是采用残差结构，能训练很深的网络，有利于特征的提取。但结构较为复杂，调节参数较难。目标检测网络（YOLO）可同时识别多个目标，速度较快，但对小目标的检测效果一般，精度略低于两阶段检测器。

3.2 建筑学及相关学科

3.2.1 过去的中国传统村落研究

中国传统村落研究方向多以村落的区域，村落的影像和村落的生成影响因素为主。刘沛林[2]从宏观视角对传统村落从选址、布局和规划入手，探究传统村落的文化内涵，并提出建立“中国历史文化名村”保护制度的构想。在2012 年之后，传统村落的研究有了一定的规模，评价标准不统一等问题成为制约传统村落研究成为一个体系的关键问题。根据张睿婕等[3]的研究，此阶段传统村落研究可大致根据其核心问题的不同大致分为3 类：第1，关注传统村落“文化景观”的发展，以“文化景观”为核心，探索传统村落中的景观发展以及相应的文化传承。第2，探索传统村落发展的可能性，以“乡村振兴”为核心，探索传统村落在发展中的可能性，激发传统村落的文化潜力。第3，研究传统村落的空间要素研究，以“空间要素”为核心，对传统村落中的空间要素进行研究，包括对传统村落基于选址、自然要素和文化景观要素下的生成规律以及空间形态特征。

3.2.2 深度学习技术应用于中国传统村落研究

当下有关深度学习领域的发展极为迅速，将深度学习技术应用于中国传统村落研究中也在近年来也逐渐地成为热点方向，大致可分为3 类：第1，深度学习计算机视觉技术对传统村落要素智能化分类[4-6]。部分学者利用手动拍照，建立传统村落、传统民居、景观空间等的图片建立图片数据库，并基于深度学习计算机视觉技术有效提取传统村落中的平面、景观、建构以及颜色等特征，并进行智能化分类。这样不仅可以显著缩短对村落调查的时间，也可为后续普查工作以及未来构建传统村落诸多数据库提供参考。在国外的研究中Monna 等[7]，利用深度学习计算机视觉方法提出了一种易于复制的工作流程，允许建筑物从卫星图像中自动检测传统村落肌理。不仅如此，针对传统村落研究和评价方式容易被各种因素影响，导致各项成本过高，效率低下且结果准确性的问题，部分学者通过深度学习的方法来量化评估民居建筑的多项特征指标[8]，采用CNN 对民居建筑进行特征自动分类。这种研究途径有助于更全面地了解民居建筑的演变趋势和制定相关保护政策。第2，深度学习生成技术还原传统村落特征要素。还有部分研究探索深度学习生成传统村落总平面、传统民居以及景观空间的布局。通过大量训练，计算机能以现有的三维信息为基础，在短时间内依据三维信息生成大量的带有传统村落特征的方案，探索通过技术手段保留传统村落肌理特征，尝试保留聚落形成文化特质，同时也为后续传统村落改扩建、活化利用增加设计方案的多样性与丰富度。第3，深度学习技术与其他数字模型技术相结合促进传统村落建筑风貌信息保护与更新设计方法。部分学者[9-10]采用多视角图像倾斜摄影收集测量与三维点云深度学习技术提取、分类建筑风貌的直观形态特征，帮助建筑师在以后的设计与建造中以一个更加宏观及客观的视角清晰把握传统村落风貌。利用点云语义分割对传统村落风貌特征进行分类和提取，结合实地调研与文献查询对非直观特征进行定性，通过建筑信息模型技术对获取信息加以管理，进而获得表征传统风貌建筑各要素特征的参数信息与组合规律。

4 技术面临的问题及未来展望

在对中国的传统村落实地调查中，由于中国传统村落已遭受极大的破坏，村落采集数据相对于城市采集数据更加复杂及困难。另一关键因素是数据集的制作方式。例如，在传统建筑构件识别过程中，数据库的制作基本都是先通过实地调研获取照片，再通过软件进行手动标注，这样的数据集制作方式会消耗大量时间。进一步的研究可以从传统村落如何更好的保护与发展，地方政策和风俗习惯的发展影响等多个方面。

5 结语

目前，因为属于是交叉学科的研究，当下的深度学习技术大多是在没有系统指导的情况下进行应用，导致数据集制作质量参差不齐。有必要对深度学习应用于传统村落的研究进行文献综述，增加技术应用的适用性。研究表明，深度学习技术能提高中国传统村落研究的效率，但关建问题在于算法的选择以及数据库的建立