CN107967495A - 一种铜镜文物识别系统和方法 - Google Patents

Abstract

本发明涉及一种铜镜文物识别系统，基于铜镜文物特征矩阵和神经网络模型的构建。首先获取铜镜的图像数据，按照特征集进行分级灰度共生矩阵的构建；基于深度学习领域的经典卷积神经网络CNN模型，构建应用于铜镜识别的自反馈调参神经网络模型。可以对铜镜文物进行不同层次的有效识别，而且通过收集用户对识别结果的反馈信息，加强对铜镜文物识别系统的迭代优化。

Description

一种铜镜文物识别系统和方法

技术领域：

本发明涉及文物识别技术领域，具体来说，涉及铜镜类文物的显微对比和深度学习模型识别技术，以保证铜镜识别的准确性、实时性等方面的需求。

背景技术

近年来，随着我国经济、文化等领域的快速发展，文物、艺术品收藏及投资变得愈加活跃。广大铜镜收藏者、投资者因铜镜的仿品或赝品的存在，经常遭受巨大的经济损失，同时也严重扭曲了铜镜的文物艺术价值。因此，对铜镜进行科学鉴定就变得越来越具有现实意义。

然而，由于缺乏科学有效的鉴定系统及方法，近年来铜镜鉴定结论屡遭质疑，现有的铜镜鉴定系统及方法因受到社会发展而呈现的局限性，已严重不适应文物鉴定的现状和需求。

研究结果显示，历代学者对铜镜的研究着重传统文化方面和鉴赏方面，铜镜科技方面的研究主要集中于铜镜合金技术、铸造工艺、热处理及表面处理技术等方面，其中以何堂坤先生的研究较为系统全面。

传统鉴定系统和方法，主要凭借经验。传统经验实质是个人经验，个人在实践中见到的实物不尽相同，加以受教育水平、感官技能及分析、综合、抽象、概括表述方面的差异，其形成的经验各不相同。传统文物鉴定专家掌握的传统经验不能全面、系统、准确的反映出历史上所有文物及赝品的特征及规律。雇佣专家费用昂贵，并且在许多场合专家的数量很少，远不能满足实际需要。

科技鉴定方法采用荧光光谱等测试数据作为分辨真伪的论据，在实践中，缺乏专业技术人员进行科学的数据分析工作，造成相同数据解读出现的诸多问题。

因此，目前在铜镜鉴定领域并无可靠和科学的鉴定系统和方法，如何对铜镜进行准确识别已成为文物艺术品领域亟待攻克的的难题。

发明内容

基于以上原因，同时，也为了体现以科学的思想理论与现代考古学在文物研究领域的成果，满足广大文物考古工作者、博物馆工作者、文物研究者、文物收藏者、大学考古文博师生的研究、学习的需要，我们与该领域的专家紧密合作，提出了一种铜镜文物的识别方法和系统。在该系统中，依据铜镜鉴定的通用指标(例如：器型、工艺、铭文、纹饰等)分析，将铜镜鉴定特征数据化，利用计算机技术进行推理，做出断代分析，使得铜镜识别在准确性、实时性等方面受益。，本发明提供一种铜镜文物识别系统和方法，具体技术方案如下：

一种铜镜文物识别系统，其总体框架包括数据层、分析层和业务层，所述数据层经由标注平台对铜镜文物真品库图片进行标注；所述分析层则对标注的数据集进行分类识别，将识别的多维度标注结果入库；所述业务层则在入库标注数据的基础上完成特征矩阵构建和神经网络模型的训练，从而构成完整的铜镜文物识别系统；

所述特征矩阵构建为：首先获取铜镜的图像数据，按照特征集进行分级灰度共生矩阵的构建，得到能够真实表达铜镜文物特征的矩阵；

所述神经网络模型的构建为：利用构建的铜镜特征矩阵，基于深度学习领域的经典卷积神经网络CNN模型，构建应用于铜镜识别的自反馈调参神经网络模型，即在模型应用过程中根据铜镜识别结果的反馈数据自动进行模型的参数调整，以得到最优的铜镜识别模型；

铜镜识别系统分为基于特征矩阵的对比识别模块和基于神经网络模型的铜镜识别模块；

基于特征矩阵的对比识别模块为：主要对铜镜进行浅层识别，基于铜镜真品库的显微特征库，然后将待识别铜镜的显微特征与其进行多维权重融合相似度计算，从而得到铜镜的识别结果；

基于神经网络模型的铜镜识别模块为：主要对铜镜进行深层识别，基于铜镜识别的自反馈调参神经网络模型搭建铜镜识别系统，对待识别铜镜的显微特征进行识别判断。

进一步地，所述铜镜的图像数据，主要包括：

器型：圆型、方型、葵花型、菱花型、带柄型、异型；

工艺：错金银、鎏金、镂空、金银平脱、螺钿镶嵌等；

纹饰：素面镜、山字镜、星云纹镜、连弧纹镜、神兽镜、规矩镜、画像镜、龙纹镜、车马镜、花鸟镜、商标镜、铭文镜。

进一步地，将得到的铜镜特征集进行分级灰度共生矩阵的构建，其级数依赖于每个特征对于铜镜识别而言所占的比重，所占比重越大则级别越高；铜镜文物通过拍摄获取其显微特征，将其转换为特征表达矩阵，基于此矩阵进行灰度共生矩阵构建，在传统的构建方法基础上，加入级数调整，即每个特征的灰度计算结果与特征比重的平方相乘，并根据识别效果改变级数的灰度调整方法，最终得到特征矩阵。

进一步地，神经网络模型的构建时，所述神经网络模型的训练分成多个阶段，在第一个阶段中，首先对CNN层进行训练，然后用第一阶段产生的方案对RPN网络进行训练，最后是ROI层得到训练的结果

进一步地，所述神经网络模型的训练利用铜镜真品库的数据对神经网络模型进行训练。

还提供一种上述铜镜文物识别系统的识别方法：

根据程序运行的识别参数进入对应的识别模块；如果是一级识别，即浅层识别，则根据设定的各维特征权重进行融合权重的相似度计算，计算双方为铜镜文物真品库特征矩阵和待识别的铜镜文物特征矩阵，相似度计算的公式为：

Sim(u，w)＝f(T₁)×CoSim(u₁，w₁)十f(T₂)×CoSim(u₂，w₂)+f(T₃) ×CoSim(u₃，w₃)

其中u，w为相似度对比的两个特征矩阵，f为特征权值函数，其构造方式可根据识别效果进行调整，T1、T2和T3为3个特征权值，u1、u2和u3为特征矩阵u的3个特征向量， w1、w2和w3为特征矩阵w的3个特征向量，即

如果是二级识别，即深层识别，则将待识别的铜镜文物图像输入到自反馈参数可调的学习模型中进行对象识别，接下来根据用户对识别结果的反馈进行更新系数的增减，如果更新系数增加到设定的阈值时，说明需要对识别算法进行调整，依此机制完成铜镜识别系统的自反馈优化。

本发明的技术效果，与现有识别方法和系统相比，本发明具有以下重要优点：

1)铜镜的整个识别过程步骤简单、数据清晰、过程可重现；

2)铜镜的识别速度和识别精度都大大超出了现有的识别系统；

3)本发明的应用前景广阔，不仅可以为私人收藏者规避风险，更重要的是可以为各地“文化艺术品交易所”及文博单位收藏提供科学支撑，稳定文物市场。

附图说明

图1为铜镜识别系统总体框架图；

图2为铜镜识别系统构建及工作流程图；

图3为CNN模型的核心部分，即卷积层；

图4为神经网络模型的构建示意图；

图5为铜镜文物识别系统识别流程图；

图6为铜镜文物识别系统具体识别过程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合实施例附图对本发明作进一步详细的说明。本领域技术人员可以明确的是，在缺少部分或全部这些具体细节的情况下也可以实现本发明。在其他情况下，为了不会使本发明存在不必要的不清楚之处，没有具体描述公知的处理步骤和/或结构。另外，尽管结合特定的实施例对本发明进行描述，但是应该理解的是，该描述并不旨在将发明限制于所描述的实施例。相反，该描述旨在覆盖可包括在由所附权利要求书限定的本发明的精神和范围内的替换、改进和等同方案。

本发明提出的铜镜识别系统总体框架如图1所示，数据层经由标注平台对铜镜文物真品库图片进行标注；分析层则对标注的数据集进行分类识别，将识别的多维度标注结果入库；业务层则在入库标注数据的基础上完成征矩阵构建和神经网络模型的训练，从而构成完整的铜镜文物识别系统。

识别系统构建及工作流程如图2所示，其中，预处理阶段主要是将图片库数据进行裁剪、压缩操作，方便后续的操作步骤。

基于铜镜文物特征矩阵和神经网络模型的构建。

一、特征矩阵构建

提取铜镜图像的特征集合，主要包括(器型：圆型、方型、葵花型、菱花型、带柄型、异型；工艺：错金银、鎏金、镂空、金银平脱、螺钿镶嵌等；纹饰：素面镜、山字镜、星云纹镜、连弧纹镜、神兽镜、规矩镜、画像镜、龙纹镜、车马镜、花鸟镜、商标镜、铭文镜等)。根据特征集进行分级灰度共生矩阵的构建，得到能够真实表达铜镜文物的特征矩阵。

将得到的铜镜特征集进行分级灰度共生矩阵的构建，其级数依赖于每个特征对于铜镜识别而言所占的比重，所占比重越大则级别越高。在本实施例中铜镜文物的特征数设定为3，其各自在铜镜识别中所占比重为0.3、0.4、0.3。铜镜文物A通过拍摄获取其显微特征，将其转换为特征表达矩阵基于此矩阵进行灰度共生矩阵构建，在传统的构建方法基础上，加入级数调整，即每个特征的灰度计算结果与特征比重的平方相乘，此处采取平方相乘的方法进行分级处理并非唯一，可根据识别效果改变级数的灰度调整方法，最终得到特征矩阵

二、神经网络模型的构建

图3所示为CNN模型的核心部分，即卷积层。卷积操作通过使用滤波器从输入数据中提取特征。在此我们构建有别于传统CNN模型的神经网络模型，即应用于铜镜识别的自反馈调参神经网络模型。我们构建了更深的层数，本实施例中采用了16层，为了避免梯度消失问题，在不同深度处增加了两个loss来保证梯度回传消失的现象。同时增加了多种核1x1，3x3，5x5，还有直接max pooling的，在3x3前，5x5前，max pooling后分别加上了1x1的卷积核以降低 feature map厚度。5x5的卷积核会带来巨大的计算量，所以采用1x1的卷积核进行降维。本发明在模型应用过程中根据铜镜识别结果的反馈数据进行模型的参数调整，主要是卷积核的选取，从而得到最优的铜镜识别模型，如图4所示。

模型的训练分成多个阶段，在第一个阶段中，首先对CNN层进行训练，然后是用第一阶段产生的方案(propasal)对RPN网络进行训练，最后是ROI层得到训练的结果。本实施例中利用铜镜真品库的数据对神经网络模型进行训练。

三、铜镜文物识别系统

识别过程如图5所示，首先根据程序运行的识别参数进入对应的识别模块。如果是一级识别，即浅层识别，则根据设定的各维特征权重进行融合权重的相似度计算，计算双方为铜镜文物真品库特征矩阵和待识别的铜镜文物特征矩阵，相似度计算的公式为：

Sim(u，w)＝f(T₁)×CoSim(u₁，w₁)+f(T₂)×CoSim(u₂，w₂)+f(T₃) ×CoSim(u₃，w₃)

其中u，w为相似度对比的两个特征矩阵，f为特征权值函数，其构造方式可根据识别效果进行调整，并不唯一。T1、T2和T3为3个特征权值，u1、u2和u3为特征矩阵u的3个特征向量，w1、w2和w3为特征矩阵w的3个特征向量，Cosim为传统的余弦相似度计算公式，即

如果是二级识别，即深层识别，则将待识别的铜镜文物图像输入到自反馈参数可调的学习模型中进行对象识别。接下来根据用户对识别结果的反馈进行更新系数的增减，如果更新系数增加到设定的阈值时，说明需要对识别算法进行调整，依此机制完成铜镜识别系统的自反馈优化。具体识别过程可参看图6所示。

通过上述内容可以看出，本发明不仅可以对铜镜文物进行不同层次的有效识别，而且通过收集用户对识别结果的反馈信息，加强对铜镜文物识别系统的迭代优化。目前，铜镜文物识别系统已经在100G真品数据量的实验环境中运行，从2016年11月至2017年7月系统已多次根据识别结果反馈信息进行参数优化调整，识别准确率均有明显提升。

上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种铜镜文物识别系统，其总体框架包括数据层、分析层和业务层，所述数据层经由标注平台对铜镜文物真品库图片进行标注；所述分析层则对标注的数据集进行分类识别，将识别的多维度标注结果入库；所述业务层则在入库标注数据的基础上完成特征矩阵构建和神经网络模型的训练，从而构成完整的铜镜文物识别系统；

所述特征矩阵构建为：首先获取铜镜的图像数据，按照特征集进行分级灰度共生矩阵的构建，得到能够真实表达铜镜文物特征的矩阵；

所述神经网络模型的构建为：利用构建的铜镜特征矩阵，基于深度学习领域的经典卷积神经网络CNN模型，构建应用于铜镜识别的自反馈调参神经网络模型，即在模型应用过程中根据铜镜识别结果的反馈数据自动进行模型的参数调整，以得到最优的铜镜识别模型；

铜镜识别系统分为基于特征矩阵的对比识别模块和基于神经网络模型的铜镜识别模块；

基于特征矩阵的对比识别模块为：主要对铜镜进行浅层识别，基于铜镜真品库的显微特征库，然后将待识别铜镜的显微特征与其进行多维权重融合相似度计算，从而得到铜镜的识别结果；

基于神经网络模型的铜镜识别模块为：主要对铜镜进行深层识别，基于铜镜识别的自反馈调参神经网络模型搭建铜镜识别系统，对待识别铜镜的显微特征进行识别判断。

2.如权利要求1所述的铜镜文物识别系统，其特征在于，所述铜镜的图像数据，主要包括：

器型：圆型、方型、葵花型、菱花型、带柄型、异型；

工艺：错金银、鎏金、镂空、金银平脱、螺钿镶嵌等；

纹饰：素面镜、山字镜、星云纹镜、连弧纹镜、神兽镜、规矩镜、画像镜、龙纹镜、车马镜、花鸟镜、商标镜、铭文镜。

3.如权利要求1所述的铜镜文物识别系统，其特征在于，将得到的铜镜特征集进行分级灰度共生矩阵的构建，其级数依赖于每个特征对于铜镜识别而言所占的比重，所占比重越大则级别越高；铜镜文物通过拍摄获取其显微特征，将其转换为特征表达矩阵，基于此矩阵进行灰度共生矩阵构建，在传统的构建方法基础上，加入级数调整，即每个特征的灰度计算结果与特征比重的平方相乘，并根据识别效果改变级数的灰度调整方法，最终得到特征矩阵。

4.如权利要求1所述的铜镜文物识别系统，其特征在于，神经网络模型的构建时，所述神经网络模型的训练分成多个阶段，在第一个阶段中，首先对CNN层进行训练，然后用第一阶段产生的方案对RPN网络进行训练，最后是ROI层得到训练的结果。

5.如权利要求4所述的铜镜文物识别系统，其特征在于，所述神经网络模型的训练利用铜镜真品库的数据对神经网络模型进行训练。

6.一种如权利要求1-5任一所述的铜镜文物识别系统的识别方法，其特征在于：

根据程序运行的识别参数进入对应的识别模块；如果是一级识别，即浅层识别，则根据设定的各维特征权重进行融合权重的相似度计算，计算双方为铜镜文物真品库特征矩阵和待识别的铜镜文物特征矩阵，相似度计算的公式为：

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>S</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>w</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>C</mi> <mi>o</mi> <mi>S</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>C</mi> <mi>o</mi> <mi>S</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mn>3</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>&amp;times;</mo> <mi>C</mi> <mi>o</mi> <mi>S</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>3</mn> </msub> <mo>,</mo> <msub> <mi>w</mi> <mn>3</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>

其中u，w为相似度对比的两个特征矩阵，f为特征权值函数，其构造方式可根据识别效果进行调整，T1、T2和T3为3个特征权值，u1、u2和u3为特征矩阵u的3个特征向量，w1、w2和w3为特征矩阵w的3个特征向量，

如果是二级识别，即深层识别，则将待识别的铜镜文物图像输入到自反馈参数可调的学习模型中进行对象识别，接下来根据用户对识别结果的反馈进行更新系数的增减，如果更新系数增加到设定的阈值时，说明需要对识别算法进行调整，依此机制完成铜镜识别系统的自反馈优化。