CN109948539A - 基于人工智能的文物鉴定方法、装置、设备和存储介质 - Google Patents

Abstract

本申请实施例公开了基于人工智能的文物鉴定方法、装置、设备和存储介质，该方法包括：获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征，通过基于人工智能的鉴定，初步解决现有技术中普通收藏者和投资者对文物的鉴定能力较弱的问题。

Description

基于人工智能的文物鉴定方法、装置、设备和存储介质

技术领域

本申请实施例涉及计算机智能技术，尤其涉及基于人工智能的文物鉴定方法、装置、设备和存储介质。

背景技术

随着经济的快速发展，文化领域也越来越活跃，很多人一方面为了满足自身的收藏爱好，另一方面作为一种投资行为，文物的买卖越来越多。

伴随着文物市场的日益繁荣，许多文物造假者通过高超的技艺制作出普通投资者无法识别出的仿品或赝品文物，并投入收藏市场，严重扰乱了收藏市场的规范化运行，给收藏者和投资者带来了巨大的经济损失，投资者需要更好的文物鉴定方案。

发明内容

本申请提供了基于人工智能的文物鉴定方法、装置和设备，以解决现有技术中普通收藏者和投资者对文物的鉴定能力较弱的问题。

本申请采用如下技术方案：

第一方面，本申请实施例提供了一种基于人工智能的文物鉴定方法，该方法，包括：

获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；

根据所述数字化资料提取所述待鉴定文物的特征形成特征集；

将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；

输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

所述神经网络模型通过以下步骤训练得到：

从所述史料数据库中提取多示例学习特征数据；

通过基于互信息变化率的属性约简算法对所述多示例学习特征数据进行属性约简得到简化特征数据；

采用K均值聚类算法从所述简化特征数据构建包空间；

基于BP算法对所述包空间进行特征关联训练得到神经网络模型。

其中，所述包空间包括初始包空间和新包空间；

所述采用K均值聚类算法从所述简化特征数据构建包空间，包括：

采用K均值聚类算法从所述简化特征数据确认初始包空间；

从所述初始包空间根据所述简化特征数据到初始包空间的聚类中心的最小欧氏距离确认新包空间。

其中，所述输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征之后，还包括：

若人工确认的结果与特征互斥性判断的结果不一致，对所述神经网络模型进行修正训练。

其中，所述仪器检测数据包括断代数据、成分数据和结构扫描数据中的至少一种。

第二方面，本申请提供了一种基于人工智能的文物鉴定装置，包括：

数据获取单元，用于获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；

特征提取单元，用于根据所述数字化资料提取所述待鉴定文物的特征形成特征集；

输入判断单元，用于将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；

特征输出单元，用于输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

其中，还包括用于训练所述神经网络模型的模型训练单元，所述模型训练单元包括：

数据提取模块，用于从所述史料数据库中提取多示例学习特征数据；

数据约简模块，用于通过基于互信息变化率的属性约简算法对所述多示例学习特征数据进行属性约简得到简化特征数据；

包空间构建模块，用于采用K均值聚类算法从所述简化特征数据构建包空间；

模型训练模块，用于基于BP算法对所述包空间进行特征关联训练得到神经网络模型。

其中，所述包空间包括初始包空间和新包空间；

所述包空间构建模块，包括：

第一构建子模块，用于采用K均值聚类算法从所述简化特征数据确认初始包空间；

第二构建子模块，用于从所述初始包空间根据所述简化特征数据到初始包空间的聚类中心的最小欧氏距离确认新包空间。

其中，还包括：

模型修正单元，用于若人工确认的结果与特征互斥性判断的结果不一致，对所述神经网络模型进行修正训练。

其中，所述仪器检测数据包括断代数据、成分数据和结构扫描数据中的至少一种。

第三方面，本申请提供了一种电子设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面任一所述的基于人工智能的文物鉴定方法。

第四方面，本申请提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面任一所述的基于人工智能的文物鉴定方法。

本申请采用的技术方案中有如下有益效果：本方案通过获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征，通过基于人工智能的鉴定，初步解决现有技术中普通收藏者和投资者对文物的鉴定能力较弱的问题。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例提供的一种基于人工智能的文物鉴定方法的流程图；

图2是本申请实施例提供的另一种基于人工智能的文物鉴定方法的流程图；

图3是BP神经网络的结构示意图；

图4是本申请实施例提供的一种基于人工智能的文物鉴定装置的结构示意图；

图5是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

首先对本申请实施例的应用场景进行介绍，该基于人工智能的文物鉴定方法可以有效处理文物类收藏品交流和交易过程中，对文物类收藏品真伪的鉴定，以辅助收藏者和投资者对文物类收藏品的价值进行判断，能有力维护文物类收藏品市场的秩序；此外在博物馆进行文物类藏品进行收集和核对时，也可以实现同样的辅助作用。

图1给出了本申请实施例提供的一种基于人工智能的文物鉴定方法的流程图，本实施例提供的基于人工智能的文物鉴定方法可以由本申请实施例中的基于人工智能的文物鉴定装置来执行，该基于人工智能的文物鉴定装置可通过硬件和/或软件的方式实现。参考图1，该方法具体可以包括：

S101、获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种。

在正规的文物交流活动和文物研究过程中，通常都会获得待鉴定文物全面的资料，在本方案中，这些资料需要以计算机数据的方式存在，即数字化资料，通常来说，这类资料包括图像数据和仪器检测数据中的至少一种，图像数据可以有多种类型，例如从不同角度拍摄的多张静态图片数据、动态拍摄的视频数据、通过实景技术采集的立体图像等。仪器检测数据例如X光机、核磁共振等仪器检测到的数据，当然，不是所有的文物需要检测的仪器都是一样的，甚至因为文物本身的特性，某种仪器的检测方式会对其有伤害，需要避免这类检测。通常来说，如果同时具备图像数据和仪器检测数据，已经能对文物进行初步的自动判断。

S102、根据所述数字化资料提取所述待鉴定文物的特征形成特征集。

基于图像数据和仪器检测数据，已经能够获得待鉴定文物的许多信息。例如基于图像数据至少可以获得待鉴定文物表面的图案信息和文字信息，具体从图像数据中的信息提取可以基于人工智能实现。基于仪器检测数据可以获得待检测文物的组分信息、加工工艺等。

S103、将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到。

本实施例中所说的神经网络模型是指基于史料数据库，该史料数据库中具体可以包括野史、正史、地方志、已经明确的文物研究资料等，从这些史料中通过不断训练，得到不同时期和不同类型文物的基础模型，将不同类型的文物判断方案数据化。

特征互斥性是指两个特征的产生具有相同的历史关联性，如果两个特征对应的历史状态是不同的，那么则认为两个特征互斥，不应出现在同一物品上，此时可以初步判断该待鉴定文物是仿品或赝品。例如，某件待鉴定文物是瓷器，从组分信息上分析该瓷器具有雍正年间某个瓷窑的组分特征，但是从加工工艺上明显具有现代瓷器烧制才能达到的温度产生的烧制效果，那么可以初步判断该待鉴定文物可能是用在那个瓷窑获得的制坯原料，参考该瓷窑当时的风格进行坯体制作，然后采用现代烧制工艺得到，该待鉴定文物的组分信息和加工工艺具有特征互斥性，可以初步判断该待鉴定文物为仿品。又例如，某件待鉴定文物是书画，从该书画作品采集到多个题跋，其中有两个题跋对应的甲和乙是同时代人，但是从史料记载甲乙二人从未有过交集，也就是说两个题跋具有特征互斥性，进而可以初步判断该待鉴定文物为赝品。

如果同时获取有待鉴定文物的图像数据和仪器检测数据，从具体的判断过程而言，可以先基于图像数据进行图像匹配，初步完成图像鉴定，如果最直观的图像鉴定不能通过，后续基于仪器检测数据的判断可以取消；如果图像鉴定通过，进一步可以基于仪器检测数据进行判断。需要说明的是，本方案中的文物鉴定不是完全确认待鉴定的文物是否是已确定的某一个或某一类文物，而是根据从待鉴定文物得到的数字化资料初步判断其是否存在疑似赝品的疑点，如果不存在这类疑点，也只是根据已有的数字化资料输出初步的断代结果。具体来说，本方案中对待鉴定文物的鉴定过程不是与已确定的文物的相关信息逐个进行比对，而是基于已有文物的各个特征之间的关联关系构建基于特征的神经网络模型，然后实现对待鉴定文物的特征之间关系的判断，如果特征之间是互斥，那么初步确认该待鉴定文物是赝品，如果特征之间不是互斥，那么初步确认该待鉴定文物是真品。该方案基于局部特征的关系实现对文物真假的鉴定，能实现对文物的初步鉴定，尤其对于初次发现或者还没有形成数字化记录的文物的初步鉴定。当然，如果初步判断待鉴定文物是真品，也可以根据其特征对应的时代和/或区域初步给出对该文物更详细的鉴定的结果，并给出与该特征组合的匹配度高的已知文物信息，以供人工参考。例如从某个待鉴定文物中提取到的特征属性包括三个部位的局部形状、整体形状、图案、线条、色彩、文字、工艺痕迹以及制作材料，在确认这些特征属性之间不存在互斥之后，可以给出同时具备这些特征属性或者具备大部分这些特征属性的已知文物信息，提供给人工判断。整体来说，本方案不是直接将待鉴定文物与已有文物匹配，而是先判断待鉴定文物存在的合理性，在其合理存在的基础上，确认可能相关的已有文物。

以上为神经网络模型实现的目标功能，在具体进行训练时，需要对史料数据库进行预处理。通常来说，史料数据库中提取出的特征属性的重要程度不同，甚至有些特征属性对最后的判断结果没有影响，对结果没有影响的特征属性的存在消耗数据资源(包括存储资源和计算资源)，也可能对最后的决策造成干扰，因此，需要对步骤S102中生成的特征集中的特征属性进行约简，属性约简的主要依据是特征属性之间的依赖程度，简单来说，依赖程度越高，特征属性保留的可能性越高；依赖程度越低，特征属性保留的可能性越低。进一步的，从特征属性构造包空间，然后对包空间进行特征关联训练生成神经网络模型。

S104：输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

在具体实施过程中，可能因为在线训练的模型的参数调整不合适，导致最后的识别结果有误，因此，对于判断为互斥的两个特征，需要输出这两个特征进行人工确认，主要是对特征的确认以及根据对史料的认识判断特征的互斥状态，最终实现对文物真假与否的判断。

综上所述，本方案通过获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征，通过基于人工智能的鉴定，初步解决现有技术中普通收藏者和投资者对文物的鉴定能力较弱的问题。

在上述实施例的基础上，图2给出了本申请实施例提供的另一种基于人工智能的文物鉴定方法的流程图。该基于人工智能的文物鉴定方法是对上述基于人工智能的文物鉴定方法的具体化。参考图2，该基于人工智能的文物鉴定方法包括：

S201、获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种。

基于常规相机对待鉴定文物的图像数据的采集可能无法采集到细微的表面特征，此时可以通过光学显微镜、扫描电镜、透射电镜、红外反射光谱等方式进行细节分析，当然，需要注意的是，只能采用待鉴定文物能承受的检测方式，以免对待鉴定文物造成损害。所述仪器检测数据包括断代数据、成分数据和结构扫描数据中的至少一种。断代数据例如通过碳十四断代，热释光断代等，结构分析列入红外吸收光谱、核磁共振等，组分分析例如通过射线荧光分析、离子束分析等。

S202、根据所述数字化资料提取所述待鉴定文物的特征形成特征集。

需要说明的是，从数字化资料中提取的特征表示是相对死板的，有很多因为人的操作而形成的风格属性很难通过数据方式进行呈现，只能通过人为感知进行体验，因为特征提取以及由此产生的判断结果只能作为鉴定参考，而不能作为最终的鉴定结果。

S203、将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到。

在具体的训练过程中，可以构建以卷积层为核心的自反馈调参神经网络模型，卷积操作通过使用滤波器从特征集中提取特征，考虑到文物判断的影响因素的复杂性，本实施例中采用相对较深的层数，同时增加了多种可选卷积核的尺寸，必要时还可以采用1×1的卷积核进行降维。在后续实施过程中，根据文物识别结果的反馈参数进行神经网络模型的参数调整，主要是卷积核的尺寸大小的选取，从而得到最优的神经网络模型进行文物鉴定。

在具体训练的过程中，首先从史料数据库中提取多示例学习特征数据。提取多实例学习特征数据的过程可以描述为寻找一个分类函数f：X→Ω，X表示包含所有数据元素的集合，Ω＝{+1，-1}是包的标记集合。所找到的分类函数f需要正确预测未知包B_i的标记f(B_i)＝Lable(B_i)，i＝1,…,s。在这里未知包的标记满足下面条件：f(B_i)＝+1，如果B_i存在示例为正；f(B_i)＝-1，如果B_i存在示例为负。

在提取到的多示例学习特征数据的基础上需要进一步进行约简得到简化特征数据，具体的约简可以通过前向贪心粗糙集算法、基于正域的启发式算法、基于互信息变化率的属性约简方法实现。以基于互信息变化率的属性约简方法为例，具体可以是以决策表的条件属性集为起点，也可以是以决策表核属性集为起点。如果是以决策表的条件属性集为起点，则以核属性为基础，然后采用逐步法去掉可以省略属性集中的可省略属性来达到约简的目的，即基于互信息变化率的核补集递减的决策表属性约简算法；如果是以决策表核属性集为起点，则逐次选择与某一属性集的互信息变化率达到最大值的非核条件属性添加到该属性集，直到得到相对属性约简为止，即基于互信息变化率的核属性集递增的决策表属性约简算法。

在简化特征数据的基础上，采用K均值聚类算法构建包空间，核心上是从简化特征数据中找出K个聚类中心，使得每一个数据点和其最近的聚类中心的平方距离和被最小化，平方和公式为：

其中表示数据点，O_r表示聚类中心，通过这种方式构建的包空间定义为初始包空间。在初始包空间的基础上，可以进一步构建新包空间，具体来说包B_i在新包空间中的坐标定义为包中示例到聚类中心最小的欧氏距离：

Y_i表示初始包空间在新包空间中的坐标向量。

在包空间的基础上训练BP神经网络模型，BP(Back Propagation)神经网络是一种前馈神经网络，如图3所示，其主要思想是从后向前逐层传递输出层的误差以间接计算隐含层的误差。

设定有N个包空间{B₁,B₂,…,B_N},第i个包包含Mi个示例{B_i1,B_i2,…,B_iMi}，每个示例是一个p维特征向量，则第i个包的第j个示例为{B_ij1,B_ij2,…,B_ijp}^T，T表示向量的转置。设BP神经网络有p个输入单元，一个输出单元和一个隐含层。激活函数可以采用Sigmoid函数。多示例学习的目标是判定未知包的标记，因此定义包级别的全局误差函数为：

其中E_i为B_i上的误差。

设定对任意示例，如果神经网络实际输出不小于0.5，则示例为正示例，否则该示例为负示例。因此E_i可以被定义为：

其中，B_i＝+和B_i＝-分别表示B_i为正包和负包，E_ij为B_ij上的误差有：

其中，O_ij是B_ij的实际输出。

通过以上定义的误差函数，BP算法可以很方便地应用到多示例学习中。在每次训练过程中，训练包被逐一提供给输入层。当输入示例B_ij时，E_ij通过公式(b)计算得到。对于正包B_i，如果E_ij为0，则B_i的其余示例无需输入，BP网络各层连接的权系数w_i不作调整；如果E_ij不为0，在所有B_i的示例输入后，由公式(a)进一步计算E_i，并且次误差即作为修正各层权系数w_i的依据。这种实力正向传播与误差反向传播的各层权系数调整过程，是周而复始进行的。权系数不断调整的过程，即神经网络模型的学习训练过程。此过程一直进行到网络输出的误差E减小到预先设定的一个阈值，或网络的训练次数达到预先设定的最多学习次数为止。

S204、输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

在具体实施过程中，可能因为在线训练的模型的参数调整不合适，导致最后的识别结果有误，因此，对于判断为互斥的两个特征，需要输出这两个特征进行人工确认，主要是对特征的确认以及根据对史料的认识判断特征的互斥状态，最终实现对文物真假与否的判断。

S205、若人工确认的结果与特征互斥性判断的结果不一致，对所述神经网络模型进行修正训练。

该步骤的实施主要参考步骤S203中对神经网络模型的反馈调整，即实现神经网络模型的修正训练。也就是说，反馈过程的结果可以作为步骤S203中权系数的调整依据，参与到神经网络模型的学习训练过程。

在上述实施例的基础上，图4为本申请实施例提供的一种基于人工智能的文物鉴定装置的结构示意图。参考图4，本实施例提供的基于人工智能的文物鉴定装置具体包括：数据获取单元301、特征提取单元302和输入判断单元303。

其中，数据获取单元301，用于获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；特征提取单元302，用于根据所述数字化资料提取所述待鉴定文物的特征形成特征集；输入判断单元303，用于将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；特征输出单元304，用于输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

本申请采用的技术方案中有如下有益效果：本申请采用基于人工智能的方法对文物进行初步鉴定，具体是，通过获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征，通过基于人工智能的鉴定，初步解决现有技术中普通收藏者和投资者对文物的鉴定能力较弱的问题。

可选的，该文物鉴定装置，还包括用于训练所述神经网络模型的模型训练单元，所述模型训练单元包括：

数据提取模块，用于从所述史料数据库中提取多示例学习特征数据；

数据约简模块，用于通过基于互信息变化率的属性约简算法对所述多示例学习特征数据进行属性约简得到简化特征数据；

包空间构建模块，用于采用K均值聚类算法从所述简化特征数据构建包空间；

模型训练模块，用于基于BP算法对所述包空间进行特征关联训练得到神经网络模型

特征输出单元，用于输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

可选的，所述包空间包括初始包空间和新包空间；

所述包空间构建模块，包括：

第一构建子模块，用于采用K均值聚类算法从所述简化特征数据确认初始包空间；

第二构建子模块，用于从所述初始包空间根据所述简化特征数据到初始包空间的聚类中心的最小欧氏距离确认新包空间。

可选的，该文物鉴定装置还包括：

模型修正单元，用于若人工确认的结果与特征互斥性判断的结果不一致，对所述神经网络模型进行修正训练。

可选的，所述仪器检测数据包括断代数据、成分数据和结构扫描数据中的至少一种。

本申请实施例提供的基于人工智能的文物鉴定装置可以用于执行上述实施例提供的基于人工智能的文物鉴定方法，具备相应的功能和有益效果。

本申请实施例提供了一种电子设备，且该电子设备中可集成本申请实施例提供的基于人工智能的文物鉴定装置。图5是本申请实施例提供的一种电子设备的结构示意图。参考图5，该电子设备包括：处理器110、存储器111。该电子设备中处理器110的数量可以是一个或者多个，图5中以一个处理器110为例。该电子设备中存储器111的数量可以是一个或者多个，图5中以一个存储器111为例。该电子设备的处理器110和存储器111可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器111作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的基于人工智能的文物鉴定方法对应的程序指令/模块(例如数据获取单元301、特征提取单元302、输入判断单元303和特征输出单元304)。存储器111可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器111可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器111可进一步包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器110通过运行存储在存储器111中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的基于人工智能的文物鉴定方法，该基于人工智能的文物鉴定方法包括：获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

上述提供的电子设备可用于执行上述实施例提供的基于人工智能的文物鉴定方法，具备相应的功能和有益效果。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于人工智能的文物鉴定方法，该基于人工智能的文物鉴定方法包括：获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；根据所述数字化资料提取所述待鉴定文物的特征形成特征集；将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

存储介质——任何的各种类型的存储器电子设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于人工智能的文物鉴定方法，还可以执行本申请任意实施例所提供的基于人工智能的文物鉴定方法中的相关操作。

上述实施例中提供的基于人工智能的文物鉴定装置、存储介质及电子设备可执行本申请任意实施例所提供的基于人工智能的文物鉴定方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于人工智能的文物鉴定方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.基于人工智能的文物鉴定方法，其特征在于，包括：

获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；

根据所述数字化资料提取所述待鉴定文物的特征形成特征集；

将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；

输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

2.根据权利要求1所述的文物鉴定方法，其特征在于，所述神经网络模型通过以下步骤训练得到：

从所述史料数据库中提取多示例学习特征数据；

通过基于互信息变化率的属性约简算法对所述多示例学习特征数据进行属性约简得到简化特征数据；

采用K均值聚类算法从所述简化特征数据构建包空间；

基于BP算法对所述包空间进行特征关联训练得到神经网络模型。

3.根据权利要求2所述的文物鉴定方法，其特征在于，所述包空间包括初始包空间和新包空间；

所述采用K均值聚类算法从所述简化特征数据构建包空间，包括：

采用K均值聚类算法从所述简化特征数据确认初始包空间；

从所述初始包空间根据所述简化特征数据到初始包空间的聚类中心的最小欧氏距离确认新包空间。

4.根据权利要求1所述的文物鉴定方法，其特征在于，所述输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征之后，还包括：

若人工确认的结果与特征互斥性判断的结果不一致，对所述神经网络模型进行修正训练。

5.根据权利要求1所述的文物鉴定方法，其特征在于，所述仪器检测数据包括断代数据、成分数据和结构扫描数据中的至少一种。

6.基于人工智能的文物鉴定装置，其特征在于，包括：

数据获取单元，用于获取待鉴定文物的数字化资料，所述数字化资料包括图像数据和仪器检测数据中的至少一种；

特征提取单元，用于根据所述数字化资料提取所述待鉴定文物的特征形成特征集；

输入判断单元，用于将所述特征集输入到预设训练生成的神经网络模型进行特征互斥性判断，所述神经网络模型从史料数据库中训练得到；

特征输出单元，用于输出所述特征集中判断为互斥的特征，以供人工确认互斥的特征。

7.根据权利要求6所述的文物鉴定装置，其特征在于，还包括用于训练所述神经网络模型的模型训练单元，所述模型训练单元包括：

数据提取模块，用于从所述史料数据库中提取多示例学习特征数据；

数据约简模块，用于通过基于互信息变化率的属性约简算法对所述多示例学习特征数据进行属性约简得到简化特征数据；

包空间构建模块，用于采用K均值聚类算法从所述简化特征数据构建包空间；

模型训练模块，用于基于BP算法对所述包空间进行特征关联训练得到神经网络模型。

8.根据权利要求7所述的文物鉴定装置，其特征在于，所述包空间包括初始包空间和新包空间；

所述包空间构建模块，包括：

第一构建子模块，用于采用K均值聚类算法从所述简化特征数据确认初始包空间；

第二构建子模块，用于从所述初始包空间根据所述简化特征数据到初始包空间的聚类中心的最小欧氏距离确认新包空间。

9.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5任一所述的基于人工智能的文物鉴定方法。

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5任一所述的基于人工智能的文物鉴定方法。