PBDWNet: ein mehrskaliges Netzwerk zur Segmentierung von Porzellanglasblasen basierend auf Frequenzbereichs-Fusion und verformbarer Merkmalserfassung

Verborgene Hinweise im antiken Porzellan

Wenn Archäologen zerbrochene Stücke antiken Porzellans ausgraben, finden sie im Grunde winzige Zeitkapseln. Eingeschlossen in der glasigen Glasur jeder Scherbe befinden sich mikroskopische Blasen, die still aufzeichnen, wie und wo das Objekt hergestellt wurde. Diese Blasen zu lesen ist jedoch sowohl für das menschliche Auge als auch für gewöhnliche Computerprogramme äußerst schwierig. Diese Studie stellt ein spezialisiertes KI‑System vor, PBDWNet, das entwickelt wurde, um diese winzigen Blasen mit hoher Präzision zu erkennen und nachzuzeichnen und so neue Möglichkeiten zur Datierung, Klassifizierung und Erforschung von Kulturgütern eröffnet.

Warum winzige Blasen wichtig sind

Porzellan ist mehr als schönes Geschirr; es ist ein materielles Zeugnis chinesischer Zivilisation und ihres Welthandels. Die traditionelle Analyse von Scherben stützt sich auf sichtbare Merkmale wie Form, Farbe und bemalte Dekoration und erfordert daher jahrelange Expertenerfahrung. Bei vielen Ausgrabungen sind Fragmente jedoch klein, abgenutzt oder visuell ähnlich, sodass es schwer ist, Herkunft und Herstellungszeitpunkt zu bestimmen. Mikroskopische Blasen in der Glasur bieten eine objektive Alternative. Ihre Größe, Form, Dichte und räumliche Anordnung verändern sich je nach Rohmaterialien, Brenntemperatur, Glasurdicke und Atmosphäre im Ofen. Durch sorgfältige Messung dieser Muster können Forschende „Mikro‑Fingerabdrücke“ erstellen, die bei der Bestimmung der Herkunft und der Fertigungstechnik eines Fragments helfen.

Die Herausforderung, das Unsichtbare zu sehen

Obwohl diese Glasblasen reich an Informationen sind, sind sie auch extrem schwer zu entdecken. Unter dem Mikroskop sind Blasen winzig, kontrastarm und verschmelzen oft mit einem lauten, strukturierten Hintergrund. Klassische Bildverarbeitungs‑Methoden – wie einfache Schwellenwerte, Kantendetektoren oder Formoperationen – neigen dazu, ihre Konturen zu zerstückeln, sie mit Hintergrundmustern zu verwechseln oder die kleinsten Exemplare zu übersehen. Selbst moderne Deep‑Learning‑Systeme, die bei Alltagsfotos glänzen, haben hier Schwierigkeiten, weil sie nicht auf schwache, unregelmäßige Strukturen auf komplexen Keramikoberflächen abgestimmt sind. Sie verlieren häufig feine Details, ignorieren subtile Begrenzungen und lassen sich leicht durch Reflexionen oder raue Texturen in der Glasur ablenken.

Ein dreipfadiges Netzwerk, entwickelt für Blasen

PBDWNet ist ein maßgeschneidertes neuronales Netzwerk, das diese Schwierigkeiten angeht, indem es jedes Bild entlang von drei koordinierten Pfaden verarbeitet. Der Hauptpfad basiert auf einer bewährten tiefen Architektur, die das rohe Mikroskopbild schrittweise in eine reiche interne Darstellung überführt und dabei eine relativ hohe Auflösung bewahrt. Darüber hinaus fügen die Autoren einen Zweig zur „verformbaren Merkmalswahrnehmung“ hinzu, der dem Netzwerk erlaubt, sein Abtastgitter um die unregelmäßigen Formen realer Blasen zu biegen. Statt mit einem starren quadratischen Fenster zu schauen, kann es strecken und verschieben, um gekrümmten Umrissen zu folgen und sich präziser auf den tatsächlichen Blasenbereich zu konzentrieren.

Parallel dazu zerlegt ein „Wavelet“‑Zweig das Bild in nieder‑ und hochfrequente Komponenten, die grob mit der Gesamtstruktur beziehungsweise scharfen Kanten übereinstimmen. Diese frequenzbasierte Sichtweise ermöglicht es dem Modell, die allgemeine Glasurstruktur beizubehalten, dünne Blasenkanten und andere feine Texturen hervorzuheben und gleichzeitig Rauschen zu unterdrücken, das nicht blasenähnlichen Mustern folgt. Sorgfältig gestaltete Fusionsschritte kombinieren dann Informationen aus allen drei Pfaden so, dass globaler Kontext, detaillierte Formen und saubere Kanten einander stärken, anstatt zu konkurrieren. Das Netzwerk wird mit einer Dual‑Output‑Konfiguration trainiert, die sowohl Zwischen‑ als auch Endvorhersagen anleitet, auf Pixelebene genau zu sein.

Erprobung der Methode

Um PBDWNet zu bewerten, nutzten die Forschenden einen speziellen Datensatz hochvergrößerter Mikroskopbilder von Porzellanscherben, der an der Northwest University gesammelt und fachkundig annotiert wurde. Dieser Datensatz, PRMI genannt, erfasst ein breites Spektrum an Blasengrößen, Dichten und Oberflächenerscheinungen. Das Team verglich sein Modell mit zehn führenden Segmentierungssystemen, die in der Computer Vision weit verbreitet sind. Über standardisierte Messgrößen für Genauigkeit und Überlappung zwischen vorhergesagten Blasenformen und von Menschen gezeichneten Konturen erzielte PBDWNet durchgängig die besten Ergebnisse: den höchsten Gesamt‑F1‑Score und die beste Intersection‑over‑Union sowohl für Blasen als auch für den Hintergrund. Visuelle Vergleiche zeigen, dass es kleine Blasen intakt hält, benachbarte Blasen sauber trennt und ein „Auslaufen“ in die umgebende Glasur vermeidet, selbst wenn Kanten unscharf sind.

Was das für das Kulturerbe bedeutet

Für Nicht‑Spezialisten ist die wichtigste Erkenntnis, dass diese Arbeit ansonsten unsichtbare Muster in Keramikglasuren in verlässliche, messbare Hinweise über die Vergangenheit verwandelt. Durch das präzise Nachzeichnen mikroskopischer Blasen hilft PBDWNet, jede Porzellanscherbe in ein datenreiches Objekt zu verwandeln, aus dem Herstellung, Herkunft und technischer Reifegrad objektiver erschlossen werden können. Obwohl das aktuelle System noch auf sorgfältig beschriftete Trainingsdaten angewiesen ist und möglicherweise an sehr unterschiedliche Beleuchtungs‑ oder Materialbedingungen angepasst werden muss, zeigt es bereits, wie maßgeschneiderte KI‑Werkzeuge unser Verständnis von Kulturgütern vertiefen können. Praktisch kann diese Technologie genauere Datierungen, Provenienzstudien und sogar Echtheitsprüfungen unterstützen und so die wissenschaftliche Basis der Archäologie und Museumsarbeit stärken.

Zitation: Xing, J., Zhang, R., Liu, Y. et al. PBDWNet: a multi-scale porcelain surface bubble segmentation network based on frequency-domain fusion and deformable feature awareness. npj Herit. Sci. 14, 260 (2026). https://doi.org/10.1038/s40494-026-02440-8

Schlüsselwörter: Porzellanglasblasen, Bildgebung im Kulturerbe, semantische Segmentierung, mikroskopische Analyse, archäologische Provenienz