InSwAV: تعزيز التجميع الملامحي بالانقلاب وتبديل التعيينات لتصنيف صور مجهرية لمقتنيات الخزف

لماذا يهم الخزف المكسور في الحاضر

في أنحاء الصين وخارجها، تكشف الحفريات الأثرية عن جبال من قطع الخزف المحطمة. كل شظية تحمل دلائل عن أساليب المعيشة والتجارة وتقنيات الحرق العالي الحرارة منذ قرون. ومع ذلك، فإن فرز ومطابقة هذه الشظايا العديدة عمل بطيء ويتطلب خبرة. تقدم هذه الدراسة نهجًا جديدًا من الذكاء الاصطناعي، يسمى InSwAV، يتعلّم من صور مجهرية لأسطح الخزف ليجمّع الشظايا تلقائيًا حسب النوع. يمكن أن يؤدي تصنيف أسرع وأكثر موثوقية إلى تسريع أعمال الترميم بشكل كبير وتعميق فهمنا للتراث الثقافي.

رؤية التاريخ في فقاعات دقيقة

بالنظر المجرد، تبدو كثير من قطع الخزف متشابهة بشكل مخادع: طلاءات بيضاء أو خضراء شاحبة، نقوش متآكلة، وحواف تالفة. لكن تحت المجهر تظهر عوالم أخرى. تسجل الفقاعات الدقيقة المحبوسة في الطلاء تفاصيل الطين وتركيبة الطلاء ودرجة حرارة الحرق، وحتى عادات الأفران أو الورش الفردية. أظهرت أبحاث سابقة أن حجم وشكل وتوزيع هذه الفقاعات تختلف بين مراكز الإنتاج والفترات الزمنية، مما يجعلها بصمات فعّالة للتعرّف والتأريخ. لكن استخراج وتفسير هذه الأنماط الرقيقة يدويًا أو بأدوات معالجة الصور التقليدية يتطلب وقتًا ويكون حساسًا للضوضاء.

ترك الحاسوب يعلّم نفسه

عقبة رئيسية في هذا المجال هي ندرة البيانات المعنونة: يمكن للمتخصصين فقط ترقيم عدد محدود من الصور الميكروية، وبعض أنواع الشظايا نادرة. بدلًا من الاعتماد على آلاف الأمثلة المعنونة من الخبراء، يتجه المؤلفون إلى التعلّم الذاتي، حيث تُدرّب شبكة عصبية على اكتشاف البُنى في البيانات بنفسها. بنوا مجموعة بيانات صور الخزف الميكروية (PRMI)، التي تحتوي على 7425 صورة عالية التكبير من خمسة فئات خزفية. لكل صورة مجهرية أصلية، يخلق النظام نسخًا معدلة متعددة عبر القص، والانعكاس، وتعديل الألوان قليلاً، والطمس. تُظهر هذه "الآراء" نفس المادة بطرق مختلفة، مما يشجّع الحاسوب على التركيز على الميزات المستقرة والذات مغزى بدل التفاصيل السطحية.

طريقة أذكى لرصد الأنماط

جوهر الطريقة هو InSwAV، شبكة مبنية حول مُستخرج ميزات مخصص يُدعى ResInv. تستخدم شبكات الصور التقليدية مرشحات التلافيف الثابتة التي تحرّك عبر الصورة. أما ResInv فيدمج هذه مع عمليات "الانقلاب" (involution) التي تعدّل سلوكها اعتمادًا على الموضع، ما يساعد في التقاط الأشكال غير المنتظمة ومتعدّدة المقاييس للفقاعات والشقوق في الطلاء. بعد أن يحوّل ResInv كل صورة إلى توقيع مدمج، لا يقارن InSwAV الصور الفردية مباشرة. بل يعيّنها إلى مجموعة من "النماذج الأولية" المتعلمة، أو مراكز التجمع، ثم يتحقق مما إذا كانت الآراء المعززة المختلفة لنفس الشظية تقع في تجمعات متوافقة. خطوة موازنة رياضية تمنع النموذج من إغراق كل شيء في مجموعات قليلة فقط، مجبرةً إياه على اكتشاف بنى حقيقية وأكثر دقة.

الدقة والسرعة وما تكشفه

على مجموعة بيانات PRMI، يميّز InSwAV الفئات الخزفية الخمس بشكل صحيح بنسبة 96.2%، متفوقًا بوضوح على عدة طرق ذاتية التعلّم رائدة وحتى على أساس مشرف قوي أتيح له الوصول إلى التسميات. كما يتدرب بسرعة أكبر، ويصل إلى دقة عالية بعد بضع ساعات فقط على أجهزة رسومات حديثة. تُظهر تصورات نشاط الشبكة الداخلية أن ResInv يركّز على الفقاعات والتفاصيل الدقيقة للبنية، بينما تميل بنية قياسية إلى الانشغال بمناطق الخلفية. النهج أيضًا متين تجاه اختيارات مختلفة لعدد المجموعات التي يستخدمها النموذج، مما يوحي بأنه يمكن أن يتكيّف جيدًا مع مجموعات بيانات جديدة.

ما يعنيه هذا للقدور المكسورة وما بعدها

بعبارة بسيطة، تُظهر الدراسة أن الحاسوب يمكنه أن يتعلم تمييز مقتنيات الخزف المختلفة من خلال دراسة "مناظرها الفقاعية" المجهرية، حتى عندما يزوّد الخبراء بعدد قليل من التسميات. قد تساعد هذه القدرة المتاحف وعلماء الآثار على فرز مجموعات كبيرة بسرعة أكبر، ومطابقة الشظايا لإعادة تركيب افتراضية، ودعم دراسات تكنولوجيا الأفران وشبكات التجارة. يخطط المؤلفون لتوسيع مجموعة بياناتهم، واختبار الطريقة على مجموعات صور أوسع، وتبسيط النموذج للاستخدام الميداني. ومع نضوج مثل هذه الأدوات، تعد بتحويل الشظايا الهشة من ألغاز تستهلك وقتًا طويلًا إلى سجلات غنية وسريعة الوصول للماضي.

الاستشهاد: Liu, Y., Liu, J., Liu, X. et al. InSwAV: involution enhanced feature clustering and swapped assignments for porcelain relic microscopic image classification. npj Herit. Sci. 14, 117 (2026). https://doi.org/10.1038/s40494-026-02391-0

الكلمات المفتاحية: مقتنيات الخزف, التصوير المجهري, التعلّم الذاتي, ترميم التراث الثقافي, تصنيف الصور