基于卷积神经网络的古陶瓷窑口甄别
Identification of Ancient Ceramic by Convolution Neural Network作者机构:中国科学院高能物理研究所北京100049 中国科学院大学北京100049
出 版 物:《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)
年 卷 期:2024年第44卷第2期
页 面:354-358页
核心收录:
学科分类:07[理学] 070302[理学-分析化学] 0703[理学-化学]
基 金:国家自然科学基金项目(12005231 12075260 11775237 11875056)资助
主 题:卷积神经网络 气泡 紫外-可见-近红外光谱 X射线荧光 青釉瓷
摘 要:古陶瓷作为中华文化的瑰宝,自古以来不仅在国内受到追捧,在国外同样被视若珍宝。伴随着古代商贸的进行,中国古陶瓷遍布全球各地,辗转流传被私人或博物馆收藏,还有部分古陶瓷经墓葬发掘以及沉船打捞后被收藏于博物馆,这类古陶瓷的产地溯源一直以来都是陶瓷考古的重点,对于研究古代商贸和文化交流有重要的意义。通过便携式数码显微镜、分光光度计、X射线荧光等方法对从越窑后司岙、越窑寺龙口、龙泉枫洞岩窑、耀州窑发掘出土的青釉瓷样品进行分析测量,获得了来自四个窑青釉瓷样品的微观气泡尺寸分布特征、紫外可见近红外光谱特征、釉的成分数据。将来自四个窑青釉瓷样品的这三种特征作为变量建立卷积神经网络分类模型进行训练和验证,结果表明青釉瓷的微观气泡尺寸分布特征、紫外可见近红外光谱特征以及瓷釉成分数据均有效,但是不同特征的分类准确率差异非常明显。三十次随机划分训练集与测试集的模型训练平均准确率:微观气泡尺寸分布特征模型为75%,紫外可见近红外光谱特征模型为89.2%,成分数据模型为92.1%,成分数据模型准确率最高且训练集与测试集准确率相差最小。将基于不同特征训练好的模型参数保存进行融合后再训练发现基于紫外可见近红外光谱特征的模型与基于微观气泡尺寸分布特征模型融合后准确率提升至93.7%,而将三种特征的模型融合后准确率提升至最高的97.4%。五折交叉验证的结果表明多种特征融合后的模型可以有效避免出现单一特征模型对越窑后司岙以及越窑寺龙口样品交叉错判数较多的情况。综合来看基于卷积神经网络探索更多的古陶瓷有效分类特征对于实现古陶瓷的精准溯源是可行的。