Automatic detection of decay phenomena in the Milan Cathedral

This thesis investigates the application of deep-learning computer vision to the detection and localization of surface decay phenomena on the Milan Cathedral (Duomo di Milano) from photographic image survey. A dataset was constructed and labeled using a decay classification scheme by utilizing a YOLO-based object detection pipeline and trained and evaluated across several experiments. The work centers on the analysis of model behavior using standard detection measures and diagnostic plots, then complemented by qualitative analysis of detection results in order to gain insight into model model ambiguity of classes, scale effects, false positives on complex stone textures. The paper proposes placing AI as a scalable screening device. It includes a summary of viable limitations and data-centric prospects on enhancing the reliability under actual conservation setting of the Veneranda Fabbrica del Duomo.

La tesi indaga l’applicazione della visione artificiale basata su deep learning per il rilevamento e la localizzazione dei fenomeni di degrado superficiale sul Duomo di Milano, a partire da rilievi fotografici. È stato costruito e annotato un dataset utilizzando uno schema di classificazione dei degradi, impiegando una pipeline di object detection basata su YOLO, addestrata e valutata attraverso diverse sperimentazioni. Il lavoro si concentra sull’analisi del comportamento del modello mediante metriche standard di detection e grafici diagnostici, integrati da un’analisi qualitativa dei risultati per comprendere l’ambiguità tra classi, gli effetti della scala e i falsi positivi su texture lapidee complesse. L’articolo propone l’intelligenza artificiale come strumento scalabile di screening preliminare. Include inoltre un riassunto delle limitazioni realistiche e delle prospettive data-centric per migliorare l’affidabilità in un contesto reale di conservazione gestito dalla Veneranda Fabbrica del Duomo.