一种基于微观图像的古陶瓷断源断代方法

本发明涉及古陶瓷分析，具体为一种基于微观图像的古陶瓷断源断代方法。

背景技术：

1、陶瓷是陶器与瓷器的统称，同时也是我国的一种工艺美术品，远在新石器时代，我国已有风格粗犷、朴实的彩陶和黑陶。陶与瓷的质地不同，性质各异，陶，是以粘性较高、可塑性较强的粘土为主要原料制成的，不透明、有细微气孔和微弱的吸水性，击之声浊，瓷是以粘土、长石和石英制成，半透明，不吸水、抗腐蚀，胎质坚硬紧密，叩之声脆。

2、古陶瓷是艺术品的一种，中国是瓷器的故乡，瓷器是古代劳动人民的一个重要的创造，瓷器的前身是原始青瓷，它是由陶器向瓷器过渡阶段的产物，中国最早的原始青瓷，发现于山西夏县东下冯龙山文化遗址中，距今约4200年，器类有罐和钵，原始青瓷在中国分布较广，黄河领域、长江中下游及南方地区都有发现。

3、本发明人在日常工作中发现，现有在对古陶瓷进行瓷断源断代鉴别方法时，主要利用专家的经验进行判断，但是这种方法要求专家对古陶瓷的图案、器型等具有丰富的知识和经验，就算具有丰富的专家进行判断分析时，也容易出现差错，特别是在面临大量古陶瓷鉴定需求时，加大专家的工作负担，同时也降低了鉴定效率的问题。

4、所以我们提出了一种基于微观图像的古陶瓷断源断代方法，以便于解决上述中提出的问题。

技术实现思路

1、本发明的目的在于提供一种基于微观图像的古陶瓷断源断代方法，以解决上述背景技术提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于微观图像的古陶瓷断源断代方法，具体步骤如下：

3、步骤一：图像采集：通过图像采集，对古陶瓷进行拍照采集，利用高分辨率显微设备获取古陶瓷表面、胎体、釉层、气泡结构、裂纹、修补痕迹等微观特征的图像数据，设备可以采用一般的tipscope手机显微镜，包括特定的图像采集标准、照明条件、放大倍数选择、图像预处理算法(如去噪、增强对比度等)；

4、步骤二：特征提取：通过特征提取对图像的特征进行提取，以及针对古陶瓷特有微观特征的图像特征提取，便于更好的进行下一步分析；

5、步骤三：图像分析：通过图像分析，对上一步特征提取中所提取的信息进行分析；

6、步骤四：基于bit大模型分析：通过训练后的bit大模型，其具有强大的特征表示能力和跨任务迁移能力，通过构建的古陶瓷分类体系与断源断代逻辑，将分类结果与历史文献、考古资料等知识库相结合，将分类标签映射到具体的产地、年代区间，形成断源断代结论，从而对古陶瓷进行断源断代分析判断，为古陶瓷提供科学、客观的年代和产地鉴定结果，弥补传统鉴定方法中可能存在的主观性、经验依赖等问题，提升鉴定的准确性和一致性；

7、步骤五：鉴别结果：通过鉴别结果，可以对bit大模型分析结果进行总结，从而编写出对古陶瓷的鉴别结果；

8、步骤六：发送模块：通过发送模块，可以将鉴别后的结果进行打包发送，从而将鉴别后的结果发送至显示页面；

9、步骤七：显示模块：通过显示模块，可以对鉴别后的结果进行显示，便于进行读数。

10、一种基于微观图像的古陶瓷断源断代方法中bit模型学习方法，具体步骤如下：

11、步骤一：预训练模块：预训练模型选择big transfer(bit),旨在通过大规模预训练和少量样本微调的方式，为古陶瓷识别任务提供强大的通用视觉表征。该预训练模型利用非常大的图像数据集(例如jft-300m，包含数亿张标注图像)对resnet等模型进行预训练，在多个小样本学习基准上，使用预训练的bit模型能显著超越很多其他的方法；

12、步骤二：深度学习模块：对于古陶瓷图像断代任务涉及到对年代的精细划分，因此需要对预训练模型进行适当的结构调整以适应特定任务的需求：

13、增加顶层：在预训练模型的最后一层增加全连接层，以适合古陶瓷断代任务的新全连接层，其输出节点数对应于所需划分的年代类别数；

14、步骤三：迁移学习：用迁移学习技术将预训练在大规模通用图像数据上的bit模型应用于古陶瓷断源断代的特定任务，以利用其已经习得的通用图像特征识别能力；

15、微调：使用古陶瓷图像对预训练的bit(big transfer)模型进行微调，以使其更好地适应古陶瓷图像识别任务，按照以下步骤进行操作：

16、数据准备：

17、收集大量的古陶瓷图像数据集，包括各种类型、年代、风格的古陶瓷图片；确保数据集具有足够的多样性和代表性；

18、对数据集进行标注，如类别标签、年代信息、风格属性等，以便进行有监督学习；

19、将数据集划分为训练集、验证集和测试集；比例为70％训练、15％验证、15％测试；

20、s2.环境与依赖设置：深度学习框架pytorch；预训练的bit模型；

21、s3.模型加载与调整：

22、导入预训练的bit模型，并根据具体任务调整其最后一层全连接层(fc层)，将fc层输出维度改为对应的古陶瓷类别数；

23、部分代码如下：

24、

25、s4.微调设置：定义损失函数，如交叉熵损失函数；

26、选择优化器，设置适当的学习率、权重衰减等参数；

27、部分代码如下：

28、

29、s5.数据加载与预处理：使用深度学习框架的数据加载工具(如

30、`torch.utils.data.dataloader`)加载训练、验证和测试数据集；

31、对图像进行必要的预处理，如归一化、resize、随机增强等，以匹配bit模型的输入要求；

32、部分代码如下：

33、

34、

35、s6.微调训练：

36、编写训练循环，包括前向传播、计算损失、反向传播、优化器更新等步骤；

37、在每个epoch结束时，使用验证集评估模型性能，并保存最优模型；

38、部分代码如下：

39、

40、

41、与现有技术相比，本发明的有益效果是：

42、1、本发明通过运用微观图像分析与bit大模型的迁移学习技术，实现了古陶瓷的精准分类与断源断代，具有高效准确、标准化、可复现、大数据潜力及资源节约等显著优点，有力推动了古陶瓷鉴定领域的现代化进程。

43、2、本发明bit大模型具备强大的特征识别和泛化能力，经过迁移学习后能迅速适应古陶瓷断源断代任务，即使面对有限的标注数据也能取得良好效果。同时，模型能够捕捉到人类肉眼难以察觉的细微特征，提高鉴定的准确性，相较于人工鉴定，本发明显著提高了断源断代的速度和精确度，降低了人为因素导致的误差。

44、3、本发明基于明确的分类体系和计算模型，鉴定过程高度程序化，对同一古陶瓷样本的重复检测将得到一致的结果，实现了古陶瓷鉴定的标准化操作，增强了结果的可比性与可复现性，有利于构建统一的行业标准和数据库。

45、4、本发明随着更多古陶瓷微观图像数据的积累，bit模型可以通过持续学习不断提升性能，适应新的鉴定需求或细化分类体系，具备良好的扩展性，能够利用不断增长的大数据资源持续优化模型，保持鉴定技术的前沿性。

46、5、本发明减少了对资深专家资源的依赖，对于大量待鉴定陶瓷，尤其是初级筛选工作，可以有效减轻专家的工作负担，使其专注于更为复杂、需要专业知识深度介入的案例，合理分配人力资源，提高工作效率，特别是在面临大量古陶瓷鉴定需求时，能够更有效地保护和利用专家知识资源。