基于深度學(xué)習(xí)的瓷器文物碎片識別與分類方法研究

摘要：瓷器文物碎片的識別與分類是文物考古和修復(fù)過程中的重要環(huán)節(jié)，但傳統(tǒng)方法存在效率低、準(zhǔn)確率不高等問題。文章提出一種基于深度學(xué)習(xí)的瓷器文物碎片智能分類方法，通過提取碎片的紋飾、釉色、紋理等多種特征，并設(shè)計(jì)主動學(xué)習(xí)、對比學(xué)習(xí)等策略優(yōu)化模型訓(xùn)練過程，以緩解訓(xùn)練數(shù)據(jù)稀缺和類別不平衡的問題。在兩個(gè)大型瓷片數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法在準(zhǔn)確率、Macro F1值等指標(biāo)上顯著優(yōu)于其他方法，為瓷器文物碎片分類提供了一種新思路。

關(guān)鍵詞：深度學(xué)習(xí)；瓷器文物；碎片處理

近來，以深度學(xué)習(xí)為代表的人工智能技術(shù)取得巨大進(jìn)展，為瓷器文物碎片分類問題提供新的解決思路。深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，能自動學(xué)習(xí)瓷片圖像中的層次化、語義化特征表示，克服人工設(shè)計(jì)特征的局限性，在紋飾分析、器型識別等方面展現(xiàn)出巨大潛力。研究旨在探索深度學(xué)習(xí)在瓷器文物碎片分類中的應(yīng)用，以期為文物考古和修復(fù)工作提供智能化支持。

一、基于深度學(xué)習(xí)的瓷器文物碎片特征提取方法

（一）瓷器紋飾特征的提取

瓷器紋飾是區(qū)分不同瓷器類別的重要視覺特征，研究提出一種基于深度學(xué)習(xí)的瓷器紋飾特征提取方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)（CNN），直接從瓷片圖像中自動學(xué)習(xí)提取紋飾的層次化、語義化特征表示。通過將瓷片RGB圖像輸入預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)，提取CNN中間層的特征圖作為紋飾的初始視覺特征。在初始視覺特征的基礎(chǔ)上，通過fine-tune方式在特定的瓷片紋飾圖像數(shù)據(jù)集上進(jìn)一步訓(xùn)練優(yōu)化CNN網(wǎng)絡(luò)，使提取的紋飾特征與手工標(biāo)注的紋飾類別信息更加匹配，具有更強(qiáng)的語義表達(dá)能力。再利用t-SNE降維可視化方法，對提取的紋飾CNN特征進(jìn)行可視化分析。通過觀察不同類別瓷片紋飾特征在低維空間的聚類情況，直觀評估紋飾特征的區(qū)分性與代表性[1]。

（二）瓷器釉色和紋理特征的融合

除紋飾外，釉色與紋理也是表征瓷器視覺屬性的重要特征。以往的研究大多針對釉色和紋理特征分別進(jìn)行提取，缺乏對二者內(nèi)在聯(lián)系的考慮。因此，研究提出一種基于聯(lián)合稀疏表示的瓷器釉色紋理特征深度融合方法，將釉色特征和紋理特征映射到同一個(gè)低維稀疏空間，通過聯(lián)合字典學(xué)習(xí)實(shí)現(xiàn)兩種特征在空間、語義層面上的緊密耦合。在LAB顏色空間下，提取瓷片圖像的低層顏色特征，包括顏色直方圖和顏色矩。然后采用改進(jìn)的灰度共生矩陣方法，在HSV空間下計(jì)算瓷片圖像像素點(diǎn)對的二階統(tǒng)計(jì)特征，作為紋理的初始表示[2]。設(shè)提取的N個(gè)瓷片的釉色特征張量為X∈R（d1×N）， 紋理特征張量為Y∈R（d2×N），其中，d1、d2分別為釉色、紋理特征的維度。聯(lián)合稀疏表示的目標(biāo)是尋找字典矩陣D∈R^（d×K）和系數(shù)矩陣A∈R（K×N）， 使得X≈DcA、Y≈DtA， 且A盡量稀疏。其中，d≤min（d1，d2）為目標(biāo)低維空間的維度，K為字典中原子的個(gè)數(shù)。該問題可轉(zhuǎn)化為如公式1所示的優(yōu)化模型：

其中，||·||F表示矩陣的Frobenius范數(shù)，||·||1表示矩陣的L1范數(shù)，λ為平衡重建誤差與稀疏性的權(quán)重系數(shù)通過交替迭代算法優(yōu)化上述模型，可同時(shí)學(xué)習(xí)得到最優(yōu)的色彩字典Dc、紋理字典Dt以及聯(lián)合稀疏系數(shù)A。其中，A作為釉色紋理融合后的低維緊湊特征[3]。

二、基于深度學(xué)習(xí)的瓷器文物碎片識別與分類模型

（一）識別模型訓(xùn)練策略

1.樣本標(biāo)注與數(shù)據(jù)增強(qiáng)

為解決訓(xùn)練樣本的稀缺性和類別不平衡問題，研究采用主動學(xué)習(xí)和數(shù)據(jù)增強(qiáng)相結(jié)合的方式，最大化利用有限的瓷片數(shù)據(jù)，合成更多高質(zhì)量的訓(xùn)練樣本。從少量已標(biāo)注的瓷片訓(xùn)練集出發(fā)，主動篩選對模型提升效果最大的新樣本，送專家標(biāo)注類別[4]。該方法通過迭代優(yōu)化標(biāo)注—訓(xùn)練流程，用最少的人工標(biāo)注代價(jià)，獲得最具信息量的樣本。

2.損失函數(shù)設(shè)計(jì)

針對瓷器文物碎片分類問題的特點(diǎn)，模型訓(xùn)練中的損失函數(shù)設(shè)計(jì)需要考慮三個(gè)因素：

⑴類別不平衡。盡管采用數(shù)據(jù)增強(qiáng)策略，但不同類別瓷片的數(shù)量仍然存在差異，需要合理調(diào)整損失權(quán)重以重視稀缺類別[5]。

⑵硬樣本挖掘。模型應(yīng)更加關(guān)注那些容易混淆的難分樣本，加強(qiáng)判別力。

⑶特征多樣性。紋飾、釉色、形狀等多種特征應(yīng)得到均衡利用，避免單一特征主導(dǎo)分類決策。

綜合以上因素，研究設(shè)計(jì)一種自適應(yīng)權(quán)重的多特征融合損失函數(shù)。設(shè)提取的紋飾、釉色紋理、形狀特征分別為fo、fg、fs，對應(yīng)的特征維度為do、dg、ds，分類器權(quán)重矩陣為W∈R［K×（do+dg+ds）］，則第i類樣本的預(yù)測概率如公式2所示：

研究在交叉熵?fù)p失的基礎(chǔ)上，引入類別權(quán)重矩陣Δ∈R^（K×K）和樣本權(quán)重向量β∈RN，如公式3：

其中，yi為樣本i的真實(shí)類別，p（i，j）為樣本i屬于類別j的預(yù)測概率。Δ（yi，j）表示第yi類樣本對第j類的損失權(quán)重，矩陣Δ的計(jì)算公式如公式4：

其中，Nj為第j類樣本的數(shù)量，γ為控制類別權(quán)重差異的超參數(shù)?？梢钥闯?，Δ矩陣根據(jù)樣本數(shù)動態(tài)調(diào)整了稀缺類的損失權(quán)重，數(shù)量越少的類別獲得越大的權(quán)重，緩解類別不平衡問題[6]。

（二）考慮不平衡數(shù)據(jù)的瓷片分類模型設(shè)計(jì)

瓷器文物碎片的類別分布通常是不均衡的，一些常見器型如碗、盤等的碎片數(shù)量遠(yuǎn)多于其他器型。而深度學(xué)習(xí)分類模型對類別不平衡的數(shù)據(jù)集往往表現(xiàn)不佳，因?yàn)槟Ｐ蜁A向于只關(guān)注多數(shù)類、忽視少數(shù)類的特征。為解決該問題，研究在模型訓(xùn)練中引入分層采樣，按類別頻率對數(shù)據(jù)集進(jìn)行分層。對于低頻類別，采用過采樣的方式增加其數(shù)量，使各類別樣本數(shù)接近；對于高頻類別，則采用欠采樣策略減少樣本數(shù)。記第i類的樣本數(shù)為ni，則其采樣概率pi如公式5：

其中，K為類別總數(shù)。可以看出，pi與ni成反比，數(shù)量越多的類別被采樣的概率越低，反之則越高。通過“平衡”后的數(shù)據(jù)集再進(jìn)行訓(xùn)練，使模型對各類別給予相近的關(guān)注度。為進(jìn)一步緩解類別不平衡問題，研究在分類模型中引入對比學(xué)習(xí)范式。采用SimCLR框架，在有限的瓷片數(shù)據(jù)上，通過隨機(jī)組合紋飾、釉色、形狀等屬性，合成大量正負(fù)樣本對，并基于對比損失函數(shù)優(yōu)化網(wǎng)絡(luò)，如公式6：

其中，zi和zi+分別表示第i個(gè)瓷片及其增強(qiáng)后的嵌入向量，zk為第k個(gè)負(fù)樣本的嵌入向量，sim（·）為余弦相似度，τ為溫度系數(shù)。通過最小化Lcont，模型能自動挖掘相似樣本的共性特征，抑制不同樣本的差異性，從而得到更加魯棒的特征表示，減輕類別失衡的影響。受Prototypical Network的啟發(fā)，研究將每個(gè)類別的樣本映射為一個(gè)prototype向量，并基于prototype間的相似度進(jìn)行分類，避免對樣本數(shù)敏感的softmax分類器。通過prototype學(xué)習(xí)，模型能自適應(yīng)地調(diào)整類別表示，緩解類別失衡問題，同時(shí)減少可訓(xùn)練參數(shù)，提高小樣本下的泛化性能。

三、實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證瓷器文物碎片智能分類方法的有效性，研究在兩個(gè)大型瓷片數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評估，并與其他經(jīng)典方法和最新方法進(jìn)行性能對比。數(shù)據(jù)集選擇兩大類別：

1.敦煌莫高窟瓷器殘片數(shù)據(jù)集，該數(shù)據(jù)集包含近年來敦煌莫高窟出土的5862塊瓷器碎片，分屬唐代61個(gè)窯口、23種器型。隨機(jī)選取80 %的碎片作為訓(xùn)練集，其余20 %作為測試集。

2.定州唐城瓷器殘片數(shù)據(jù)集，該數(shù)據(jù)集源自河北定州唐代古城遺址的考古發(fā)掘，包含唐中晚期23個(gè)窯口的4215塊標(biāo)本，共劃分為18種器型。

為全面評估模型在類別不平衡數(shù)據(jù)上的性能，研究采用六個(gè)評價(jià)指標(biāo)，即準(zhǔn)確率、查準(zhǔn)率、召回率、F1值、各類別F1值算術(shù)平均、各類別F1值加權(quán)平均。

結(jié)果發(fā)現(xiàn)，研究提出的模型，無論是在準(zhǔn)確率、查準(zhǔn)率、召回率還是F1值上，都顯著超過其他基線方法，尤其在Macro F1和小類別的分類性能上優(yōu)勢明顯。傳統(tǒng)機(jī)器學(xué)習(xí)方法由于特征表達(dá)能力不足，分類性能較差，且受類別不平衡的影響嚴(yán)重，小類別基本無法識別。加深網(wǎng)絡(luò)起初雖然能帶來性能的提升，但也逐漸面臨梯度消失、過擬合等問題，精度出現(xiàn)瓶頸。注意力機(jī)制和度量學(xué)習(xí)雖能在一定程度上緩解小樣本問題，挖掘更有判別力的特征，但在類別嚴(yán)重失衡的情況下仍然存在缺陷。

研究提出的模型，通過主動學(xué)習(xí)擴(kuò)充小類別樣本、對比學(xué)習(xí)挖掘不同類別的判別性特征、prototype學(xué)習(xí)自適應(yīng)調(diào)整類別表示，在多個(gè)層面緩解類別不平衡的影響，使分類器能更加關(guān)注稀疏類別，挖掘它們的細(xì)粒度差異。在兩個(gè)數(shù)據(jù)集上，本文模型的準(zhǔn)確率、Macro F1值較最優(yōu)基線分別提升2.4 %、4.8 %和3.1 %、5.2 %。結(jié)果數(shù)據(jù)充分證明本文模型的優(yōu)秀性，具有應(yīng)用意義（見圖）。

四、結(jié)語

本文的研究方法創(chuàng)新性融合紋飾、釉色、紋理等多種特征，通過主動學(xué)習(xí)、數(shù)據(jù)增強(qiáng)等方式擴(kuò)充訓(xùn)練樣本，設(shè)計(jì)自適應(yīng)權(quán)重的損失函數(shù)和多分支注意力網(wǎng)絡(luò)，有效地提升碎片分類的精度和魯棒性。未來工作可進(jìn)一步拓展更多類型文物的智能分類，推進(jìn)文物大數(shù)據(jù)的構(gòu)建和應(yīng)用。

參考文獻(xiàn)：

[1]劉恩盛，羅春泳，程小龍，等.基于點(diǎn)云特征提取的薄壁文物碎片配對研究10 [J].井岡山大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（05）：86-92.

[2]孫選銘，蘇淼.基于深度學(xué)習(xí)的絲綢文物紋樣識別應(yīng)用[J].絲綢，2023，60（08）：1-10.

[3]趙夫群，周明全.基于多特征參數(shù)融合的文物碎片自動匹配方法[J].光學(xué)精密工程，2023，31（10）：1522-1531.

[4]崔鑫，王琰，侯小剛，等.基于詞匯增強(qiáng)的典型文物命名實(shí)體識別算法[J].中國傳媒大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，30（02）：51-55.

[5]劉杰，耿國華，田煜，等.局部—整體雙向推理的文物無監(jiān)督表征學(xué)習(xí)[J].光學(xué)精密工程，2022，30（18）：2241-2252.

[6]趙夫群，耿國華.基于特征區(qū)域劃分的文物碎片自動匹配算法[J].電子學(xué)報(bào)，2022，50（06）：1436-1443.

作者簡介：

王娟（1977—），女，漢族，山東菏澤人。大學(xué)本科，文博館員，研究方向：文物保護(hù)技術(shù)研究、文物修復(fù)。