吳旭東 葉虹 黃毅能

摘要：本文首先提出鑒別古陶瓷的一些常見(jiàn)方法，分析了數(shù)據(jù)處理方法用于古陶瓷鑒定現(xiàn)狀，然后提出了運(yùn)用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法鑒別古陶瓷，基于傳統(tǒng)的目測(cè)法對(duì)明清古陶瓷底款進(jìn)行鑒別的不足，提出了運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)明清古陶瓷底款進(jìn)行分類(lèi)和模式識(shí)別，取得了良好的效果，為人工智能在古陶瓷鑒別領(lǐng)域的應(yīng)用開(kāi)辟了新的思路。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；古陶瓷鑒定

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）32-0208-02

在古陶瓷的鑒定過(guò)程中，產(chǎn)品的斷源、斷代的鑒別一直是最重要也是技術(shù)難度最高的事情。自古以來(lái)才有的主要方法是“目測(cè)法”，此法主要依靠鑒定人依靠長(zhǎng)期積累下來(lái)的經(jīng)驗(yàn)來(lái)判斷，以陶瓷的外部特征為主（如外形、紋飾、胎釉、款式等）來(lái)識(shí)別。由于受鑒別者主觀(guān)判別因素影響較大，針對(duì)同一器皿，不同的人有不同的說(shuō)法，可謂“智者見(jiàn)智，仁者見(jiàn)仁”。此時(shí)一種科學(xué)、規(guī)范的鑒定方法顯得尤為重要了，通過(guò)古陶瓷的原材料，不同地域的原材料表現(xiàn)的不同化學(xué)和礦物質(zhì)特征來(lái)判別是非常重要的。

近年來(lái)，隨著信息技術(shù)的飛速發(fā)展，科學(xué)的數(shù)據(jù)處理分析和算法在各行各業(yè)都得到了普及。越來(lái)越多的數(shù)據(jù)處理方法在古陶瓷斷源斷代的研究領(lǐng)域中開(kāi)始了應(yīng)用，其中較為傳統(tǒng)的是SVM支持向量機(jī)分類(lèi)法和多元統(tǒng)計(jì)分析法在當(dāng)今使用較為普及。而神經(jīng)網(wǎng)絡(luò)算法采用的是自動(dòng)學(xué)習(xí)并且無(wú)須明確單位數(shù)學(xué)表達(dá)式的特點(diǎn)，在古陶瓷的研究和鑒別當(dāng)中也逐漸發(fā)展起來(lái)，發(fā)展前景非常廣闊。

因此，本文試圖通過(guò)對(duì)青花瓷的鑒別分析，利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于古陶瓷鑒別中，采用人工智能較流行的軟件tensorflow，谷歌公司的神經(jīng)網(wǎng)絡(luò)算法，建立相應(yīng)的數(shù)學(xué)模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)明清古陶瓷進(jìn)行分類(lèi)與模式識(shí)別，為古陶瓷的研究提供科學(xué)依據(jù)和參考價(jià)值。

1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

1.1 邊界檢測(cè)示例

如果我們有一張黑白的圖片，人眼看的話(huà)可以很清楚地看到人，想讓計(jì)算機(jī)去搞清楚這張照片上具體有哪些物體，可以做的事情是檢測(cè)圖像的垂直邊緣和水平邊緣。

垂直邊緣指圖片的豎直欄桿比較清楚、明顯，另外是水平的邊緣指欄桿的扶把手比較清晰，把圖片直觀(guān)的理解轉(zhuǎn)化為矩陣。假設(shè)我們有個(gè)灰度圖片（黑白圖片），大小為6*6像素，6*6*1的矩陣表示（如果是彩色照片，彩色有RGB三個(gè)通道，圖片便會(huì)是6*6*3的矩陣）。為了檢測(cè)圖片的垂直邊緣，可以構(gòu)建一個(gè)3*3的矩陣，稱(chēng)為過(guò)濾器/卷積核（filer/kernel）。3*3的過(guò)濾器/卷積核對(duì)6*6圖片進(jìn)行卷積運(yùn)算。讓過(guò)濾器在圖像上逐步滑動(dòng)，對(duì)整個(gè)圖像進(jìn)行卷積計(jì)算得到一個(gè)4*4的圖像/矩陣。這種卷積計(jì)算可以得到圖像的邊緣，6*6*1的矩陣，0表示圖像暗色區(qū)域，10位圖像比較亮的區(qū)域，同樣用一個(gè)3*3過(guò)濾器，對(duì)圖像進(jìn)行卷積，卷積運(yùn)算得到的圖像中間亮，兩邊暗，亮色區(qū)域就對(duì)應(yīng)圖像邊緣。

1.2 卷積與過(guò)濾器

常見(jiàn)的過(guò)濾器包括：垂直過(guò)濾器、水平過(guò)濾器、Sobel過(guò)濾器和Scharr過(guò)濾器。卷積神經(jīng)網(wǎng)絡(luò)中把過(guò)濾器當(dāng)成需要學(xué)習(xí)的參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)就是去理解過(guò)濾器的參數(shù)。

Padding：假設(shè)輸入的原始圖像大小為n*n，過(guò)濾器大小為f*f，則輸出圖像大小則為（n-f+1）*（n-f+1）。這樣做卷積運(yùn)算的缺點(diǎn)有兩個(gè)，一個(gè)是卷積圖像的大小會(huì)不斷縮??；另一個(gè)是丟掉了很多圖像邊緣的信息。為了解決以上問(wèn)題我們就引入擴(kuò)充（padding）操作，在進(jìn)行卷積操作前，沿著圖像邊緣用0進(jìn)行圖像填充。對(duì)于3*3的過(guò)濾器，填充寬度為1時(shí)，能夠保證輸出圖像和輸入圖像一樣大。

Padding的包括Valid與Same兩種模式：Valid：No padding，不進(jìn)行padding操作。輸入圖像n*n，過(guò)濾器f*f，輸出圖像大小為；（n-f+1）/（n-f+1）；Same：進(jìn)行padding操作，輸出圖像和輸入圖像大小一致。卷積步長(zhǎng)（strides）一般是指過(guò)濾器在圖像上滑動(dòng)的距離，一般為1或者2。之前的例子中，卷積步長(zhǎng)都是1。與前面不同，我們假設(shè)卷積步長(zhǎng)為2。

帶有padding和stride進(jìn)行圖像卷積運(yùn)算，運(yùn)算后的圖像大小：彩色圖像（RGB）的卷積；過(guò)濾器就變?yōu)?*3*3，最后的3對(duì)應(yīng)為通道數(shù)channels/深度depth。原始圖片：大小為6*6，但是由于有R/G/B三種；所以圖片總大小時(shí)6*6*3。

1.3 幾種CNN算法

在以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的經(jīng)典算法包括Lenet、Alexnet、Googlenet 、VGG、深度殘差網(wǎng)絡(luò)和SqueezeNet模型，其中AlexNet是2012年ImageNet項(xiàng)目的大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)（ILSVRC）中的勝出者。AlexNet解決了圖像分類(lèi)的問(wèn)題，輸入是1000個(gè)不同類(lèi)型圖像（如貓、狗等）中的一個(gè)圖像，輸出是1000個(gè)數(shù)字的矢量。輸出向量的第i個(gè)元素即為輸入圖像屬于第i類(lèi)圖像的概率。因此，輸出向量的所有元素之和為1。輕量化網(wǎng)絡(luò)：SqueezeNet，以更少的參數(shù)實(shí)現(xiàn)AlexNet相同的精度。

2 卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用于古陶瓷智能鑒定

2.1 卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用于明清古陶瓷底款鑒定

CNN模型中最關(guān)鍵實(shí)現(xiàn)的部分是卷積模塊，還包括激活、池化、全連接、Dropout等。本研究借助Tensorflow工具可以快速建立序列逐層的模型結(jié)構(gòu)。

本文在數(shù)據(jù)集中提供的部分底款文字包括（主要訓(xùn)練驗(yàn)證“大”“明”“清”“康”“熙”“宣”“德”“年”“制”，漢字共九個(gè)底款），不需要區(qū)分字體。

程序過(guò)程如下：古陶瓷訓(xùn)練集合：2145張圖片，數(shù)據(jù)集類(lèi)別9類(lèi)。驗(yàn)證集：528張圖片，數(shù)據(jù)集類(lèi)別9類(lèi)。選擇方案如下：訓(xùn)練樣本1900張；驗(yàn)證樣本500張；訓(xùn)練次數(shù)30次；批尺寸24。最終訓(xùn)練結(jié)果：訓(xùn)練集準(zhǔn)確率87.36%，驗(yàn)證集準(zhǔn)確率95.82%。通過(guò)提高訓(xùn)練次數(shù)與批尺寸的參數(shù)值，增加了訓(xùn)練的時(shí)間，同時(shí)也提高了準(zhǔn)確率。

2.2 基于青花、粉彩、斗彩底款文字釉色分析

訓(xùn)練集：1679張圖片，數(shù)據(jù)集類(lèi)別3類(lèi)。驗(yàn)證集：292張圖片，數(shù)據(jù)集類(lèi)別3類(lèi)。參數(shù)初始值：訓(xùn)練樣本1600張圖片；驗(yàn)證樣本290張圖片；訓(xùn)練次數(shù)30次；批尺寸24。訓(xùn)練集中，對(duì)斗彩、青花、粉彩進(jìn)行分類(lèi)，對(duì)明清青花瓷底款的訓(xùn)練模型采用CNN原生模型，其中粉彩數(shù)據(jù)集的兩個(gè)卷積特征圖如圖4所示。

2.3 真假特征

組合真假德、年等字明顯特征，來(lái)鑒別底款文字的真假。年字特征：“年”字第四筆左斜。德字特征：一般情況下中間的一“橫”會(huì)省略不寫(xiě)。特征十分明顯，采用原生CNN算法模型，能夠很好地區(qū)分釉色和真假字的鑒別。

3 結(jié)論

本文借鑒古陶瓷鑒定中比較經(jīng)典的目測(cè)底款文字的方法，利用深度學(xué)習(xí)中的CNN卷積神經(jīng)網(wǎng)絡(luò)算法成功地將明、清陶瓷進(jìn)行分類(lèi)和訓(xùn)練并最終識(shí)別。實(shí)驗(yàn)中采用的AlexNet與SqueezeNet兩種算法，均取得了不錯(cuò)的效果。實(shí)驗(yàn)表明利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)明清古陶瓷底款的鑒定取得了一定的成效；雖然目前只是個(gè)初步探索階段，但對(duì)于古陶瓷的科技鑒定來(lái)說(shuō)卻有這深遠(yuǎn)的影響，把古陶瓷鑒定與最近興起的人工智能AI領(lǐng)域緊密地聯(lián)系在一起，為當(dāng)今魚(yú)目混珠的古陶瓷鑒定的市場(chǎng)提供一定的科學(xué)支持。從國(guó)內(nèi)外未來(lái)的發(fā)展趨勢(shì)來(lái)看，人工智能將會(huì)大量應(yīng)用于人類(lèi)社會(huì)的各個(gè)領(lǐng)域，可以肯定的是古陶瓷鑒別或鑒賞這一古老的學(xué)科領(lǐng)域必然會(huì)出現(xiàn)一大批人工智能的研究成果，這樣本文對(duì)于卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于這一古老的學(xué)科領(lǐng)域具有積極的現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1] 吳雋，羅宏杰，李家治.中國(guó)古陶瓷的斷源斷代[J].硅酸鹽學(xué)報(bào)，2007，35（81）：39-42.

[2] 秦諱晗，柳炳祥，彭文.一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類(lèi)方法[J].陶瓷學(xué)報(bào)，2010 ，23（4）：136-139.

[3] 王強(qiáng).基于CNN的字符識(shí)別方法研究[D].天津師范大學(xué)，2014.

[4] 艾玉庭.景德鎮(zhèn)青花瓷的發(fā)色及鑒別[J].中國(guó)陶瓷，2005，41（6）：58-63.

【通聯(lián)編輯：聞翔軍】