基于深度学习的古陶瓷老化痕迹鉴别系统的制作方法

本发明属于文物鉴定相关，尤其涉及基于深度学习的古陶瓷老化痕迹鉴别系统。

背景技术：

1、古陶瓷鉴定是文物保护、传承与市场规范运作的核心环节，当今古陶瓷鉴定，依赖对胎釉老化痕迹、釉面包浆与光泽、器型特征及款识纹饰的综合分析，对新老的判断缺乏统一尺度与标准，停留在模糊概念层面。

2、基于自然时空沉淀原理，百年以上古陶瓷存在两项无法被人工仿制的核心特征。其一，古陶瓷出窑时釉面硬度为莫氏7度，随时间推移，空气中氢离子置换釉面碱金属离子，表面生成硅凝胶薄膜，硬度逐渐下降，约百年后硬度低于7度。此时空气中莫氏硬度恒定为7度的石英颗粒对釉面产生撞击摩擦，形成规律性的同心圆状自然划痕。这种划痕随年代延长愈加明显，在光线照射下呈现同心圆规律，是作假者无法仿制的百年老器鉴定钥匙。其二，古陶瓷露胎处胎体含铁元素，在自然环境中与水氧发生化学变化生成褐铁矿。褐铁矿颜色随年代逐渐加深，约经历百年以上形成明显呈色。同时胎体硬度出窑时即低于7度，空气中石英颗粒对凹凸不平的露胎表面进行撞击打磨，百年后无论平面还是凹陷处均被抛光，侧光下呈现均匀明亮反光，手感光滑。褐铁矿颜色加深与胎体抛光痕迹，构成岁月赋予古陶瓷的独特印记，同为鉴定百年新老的可靠依据。

3、该方法聚焦古陶瓷历经百年时空沉淀的自然印记，排除器型、纹饰、款识等易仿制因素的干扰，建立有双特征即为老器、无双特征即为新器的明确判定标准。然而，该鉴定方法仍依赖鉴定人员通过放大镜或显微镜进行人工观察与主观判断，存在效率低下、细微特征辨识困难、缺乏量化标准的问题，难以满足海量古陶瓷文物的快速筛查与精准鉴定需求

4、随着深度学习与计算机视觉技术的飞速发展，通过获取釉面划痕与露胎处褐铁矿化的高分辨率微观图像，利用深度学习模型对双特征进行自动化检测与量化分析，将基于自然时空印记的科学鉴定方法转化为高效、客观、可复现的智能化鉴别系统，成为古陶瓷科学鉴真领域亟待解决的技术课题。

技术实现思路

1、针对上述情况，本发明提供了基于深度学习的古陶瓷老化痕迹鉴别系统，本发明旨在解决古陶瓷鉴定领域长期存在的依赖主观经验、缺乏统一科学标准、鉴定效率低下及细微老化特征辨识困难的问题，提出基于深度学习的古陶瓷老化痕迹鉴别方法，通过获取古陶瓷釉面与露胎处的高分辨率微观图像，引入双流特征提取与特征融合的深度学习模型，分别构建釉面同心圆划痕检测网络与露胎褐铁矿化成色分析网络，对古陶瓷百年老化双特征进行自动化识别与量化判定，基于双特征联合判定逻辑，输出新器或老器的明确二分类鉴别结果，彻底解决传统鉴定中模棱两可的问题。本发明将基于自然时空沉淀原理的科学鉴定方法转化为可复现、可量化的智能检测方法，为海量古陶瓷文物的快速筛查、精准断代与传承保护提供可靠的技术支撑。

2、本发明提供了基于深度学习的古陶瓷老化痕迹鉴别方法，应用于古陶瓷文物新老鉴定的场景，鉴定对象包括施釉古陶瓷器物的完整器、残片及瓷片标本，该系统包括：图像获取模块，用于获取古陶瓷釉面区域的同心圆划痕微观图像和古陶瓷露胎区域的褐铁矿化微观图像，釉面微观图像采用暗场成像方式增强划痕对比度，使石英颗粒摩擦形成的细微弧形划痕清晰可辨，露胎微观图像采用明场成像方式真实还原褐铁矿颜色与表面反光特征，同时获取可见光波段图像与850nm近红外波段图像。

3、图像预处理模块，用于对微观图像进行去噪处理、光照归一化处理、多焦点图像景深融合处理，采用语义分割网络对釉面微观图像中的划痕区域进行分割提取，生成标准化的釉面划痕图像块，采用语义分割网络对露胎微观图像中的露胎区域进行分割提取，生成标准化的露胎图像块。

4、深度学习推理模块，内置经训练的釉面划痕检测网络和露胎褐铁矿分析网络，釉面划痕检测网络接收釉面划痕图像块，输出釉面同心圆划痕存在概率，露胎褐铁矿分析网络接收露胎图像块，输出露胎褐铁矿化存在概率。

5、双特征联合判定模块，用于接收釉面同心圆划痕存在概率和露胎褐铁矿化存在概率，基于预设的双特征联合判定阈值逻辑，当双特征均判定为存在时输出老器鉴别结果，否则输出新器鉴别结果。

6、鉴定报告生成模块，用于生成包含器物编号、微观图像、双特征检测概率值、判定结论及置信度得分的电子化鉴定报告。

7、进一步的，所述釉面划痕检测网络采用双流特征提取结构，第一特征提取流以convnext-tiny为骨干网络提取深度特征向量，第二特征提取流提取划痕纹理的梯度方向直方图特征向量，将深度特征向量与纹理特征向量进行融合后经分类层输出概率。

8、进一步的，所述露胎褐铁矿分析网络采用多光谱融合输入结构，将可见光波段图像与850nm近红外波段图像进行通道级拼接作为网络输入，经efficientnetv2-s骨干网络特征提取后采用通道注意力模块和空间注意力模块增强颜色特征与反光均匀度特征的建模能力，输出概率。

9、进一步的，所述双特征联合判定模块的判定逻辑为：设定划痕判定阈值为0.65，设定褐铁矿判定阈值为0.65，当釉面同心圆划痕存在概≥划痕判定阈值且露胎褐铁矿化存在概率≥褐铁矿判定阈值时，判定器物为老器，生成定量置信度得分s，当上述条件不满足时，判定器物为新器。

10、进一步的，所述釉面划痕检测网络的训练过程包括以下步骤：

11、步骤a1：数据采集与标注：选取故宫博物院、河南博物院、开封博物院及平原博物院馆藏的经专家确认的百年以上古陶瓷器物120件，获取釉面微观图像3000张作为正样本，采集近代仿古陶瓷釉面微观图像2000张作为负样本，由两名以上陶瓷鉴定专家对正样本中的同心圆划痕区域进行像素级语义标注，标注内容包括划痕弧线段和圆心聚集区域；

12、步骤a2：构建双流特征提取结构：构建以convnext-tiny为骨干网络的第一特征提取流，输入釉面划痕图像块，输出1024维深度特征向量，构建以划痕纹理方向梯度直方图特征为输入的第二特征提取流，采用三层全连接网络输出256维纹理特征向量，将深度特征向量与纹理特征向量进行通道级拼接，形成1280维融合特征向量后输入分类层；

13、步骤a3：引入同心圆几何约束损失函数：定义几何约束损失函数为划痕弧线段曲率方差与圆心点集离散度的加权和；

14、步骤a4：模型训练：采用imagenet预训练权重初始化convnext-tiny骨干网络，使用adamw优化器，初始学习率设定为1e-4，批量大小设定为32，采用随机旋转、亮度抖动、高斯噪声注入数据增强策略，训练100个epoch，在验证集上选取最优模型权重，得到釉面划痕检测网络。

15、进一步的，所述露胎褐铁矿分析网络的训练过程包括以下步骤：

16、步骤b1：数据采集与标注：选取上述馆藏百年以上古陶瓷器物露胎部位，分别在可见光波段和850nm近红外波段下获取露胎微观图像，获得正样本图像对2500组，采集近代仿品露胎微观图像对1800组作为负样本，由专家对褐铁矿化程度进行分级标注；

17、步骤b2：构建多光谱融合输入结构：将可见光图像与850nm近红外波段图像进行通道级拼接，形成6通道输入张量，采用efficientnetv2-s为骨干网络，将6通道输入层的前3个通道初始化为预训练rgb权重，后3个通道采用xavier初始化，在骨干网络后引入通道注意力模块和空间注意力模块；

18、步骤b3：损失函数设计：采用焦点损失函数，在中间层引入对比损失，增强类内特征紧凑性；

19、步骤b4：模型训练，使用sgd优化器，动量设定为0.9，初始学习率设定为5e-3，采用余弦退火学习率调度，批量大小设定为64，训练120个epoch，得到露胎褐铁矿分析网络。

20、本发明取得的有益效果如下：

21、1、本发明将基于自然时空沉淀原理的釉面同心圆划痕与露胎褐铁矿化双特征鉴定方法，转化为由深度学习模型驱动的自动化检测系统，实现了古陶瓷新老鉴定的科学化、标准化与智能化，通过对微观图像的双流网络推理，系统能够精准捕捉人工难以仿制的百年自然老化特征，输出有此双特征即为老器、无此双特征即为新器的明确判定结论，彻底消除了传统鉴定中模糊概念与主观争议的根源，填补了古陶瓷科学鉴真领域的智能化空白；

22、2、本发明在深度学习模型中引入了同心圆几何约束损失函数与多光谱融合输入策略，同心圆几何约束损失函数针对釉面自然划痕的同心圆规律性进行专项优化，强化网络对自然同心圆划痕与人工杂乱划痕的区分能力，多光谱融合输入策略利用近红外波段增强褐铁矿光谱吸收特征的捕捉，双流特征提取结构与注意力机制的运用，使网络能够同时关注划痕的几何形态特征与露胎的颜色和反光质地特征，显著提升了细微老化痕迹的检测灵敏度与抗干扰能力；

23、3、本发明构建了完整的从微观图像获取、预处理、深度学习推理到双特征联合判定与报告生成的智能鉴别系统流程，实现了古陶瓷鉴定的自动化与批量化作业，该系统可应用于文博单位、拍卖机构及海关查验场景，大幅提升古陶瓷文物的鉴定效率与一致性，为文物身份认证、馆藏管理、市场规范及防止文物流失提供可靠的技术保障。