PBDWNet: una red de segmentación de burbujas en superficies de porcelana a múltiples escalas basada en fusión en el dominio de la frecuencia y conciencia deformable de características

Pistas ocultas en la porcelana antigua

Cuando los arqueólogos desentierran fragmentos rotos de porcelana antigua, en realidad encuentran pequeñas cápsulas del tiempo. Encerradas en el vidriado vítreo de cada fragmento hay burbujas microscópicas que registran de forma silenciosa cómo y dónde se fabricó el objeto. Leer esas burbujas, sin embargo, es extremadamente difícil para el ojo humano y para los programas informáticos comunes. Este estudio presenta un sistema de inteligencia artificial especializado, PBDWNet, diseñado para detectar y trazar estas diminutas burbujas con gran precisión, abriendo nuevas vías para datar, clasificar y comprender los bienes culturales.

Por qué importan las burbujas diminutas

La porcelana es más que una hermosa vajilla; es un registro material de la civilización china y de su comercio global. El análisis tradicional de fragmentos se basa en características visibles como forma, color y decoración pintada, y por ello exige años de experiencia experta. Pero en muchas excavaciones, los fragmentos son pequeños, desgastados o visualmente semejantes, lo que dificulta determinar dónde y cuándo se produjeron. Las burbujas microscópicas dentro del esmalte ofrecen una alternativa objetiva. Su tamaño, forma, densidad y distribución espacial cambian según las materias primas, la temperatura de cocción, el espesor del esmalte y la atmósfera dentro del horno. Midiendo cuidadosamente estos patrones, los investigadores pueden construir “microhuellas” que ayudan a determinar el origen y la tecnología de fabricación de un fragmento.

El desafío de ver lo invisible

Aunque estas burbujas del esmalte están llenas de información, también son extremadamente difíciles de detectar. Bajo el microscopio, las burbujas son pequeñas, de bajo contraste y con frecuencia se funden en un fondo ruidoso y texturizado. Los trucos clásicos de procesamiento de imagen—como umbrales simples, detectores de bordes u operaciones morfológicas—tienden a fragmentar sus contornos, confundirlas con patrones del fondo o pasar por alto los ejemplos más pequeños. Incluso los sistemas modernos de aprendizaje profundo que rinden bien en fotografías cotidianas tienen problemas aquí, porque no están afinados para estructuras tenues e irregulares sobre superficies cerámicas complejas. A menudo pierden detalles finos, ignoran límites sutiles y se distraen fácilmente por reflejos o texturas rugosas en el esmalte.

Una red de tres vías diseñada para burbujas

PBDWNet es una red neuronal construida a medida que aborda estas dificultades procesando cada imagen a través de tres vías coordinadas. La ruta principal se basa en una arquitectura profunda probada que transforma gradualmente la imagen cruda del microscopio en una representación interna rica manteniendo una resolución relativamente alta. Sobre esta base, los autores añaden una rama de “conciencia deformable de características”, que permite a la red modificar su rejilla de muestreo alrededor de las formas irregulares de las burbujas reales. En lugar de mirar con una ventana cuadrada rígida, puede estirarse y desplazarse para seguir contornos curvos, enfocándose con más precisión en donde la burbuja realmente se sitúa.

En paralelo, una rama de “wavelet” descompone la imagen en componentes de baja y alta frecuencia, correspondientes aproximadamente a la estructura amplia y a los bordes agudos. Esta visión basada en la frecuencia permite al modelo conservar la estructura general del esmalte mientras resalta los delgados bordes de las burbujas y otras texturas finas, y al mismo tiempo suprimir el ruido que no sigue patrones parecidos a burbujas. Pasos de fusión cuidadosamente diseñados recombinan la información de las tres vías, de modo que el contexto global, las formas detalladas y los bordes limpios se refuercen entre sí en lugar de competir. La red se entrena usando una configuración de doble salida, que guía tanto las predicciones intermedias como las finales para que sean precisas a nivel de píxel.

Poniendo el método a prueba

Para evaluar PBDWNet, los investigadores utilizaron un conjunto de datos dedicado de imágenes microscópicas de alta magnificaci3n de fragmentos de porcelana, recopiladas y anotadas por expertos en la Northwest University. Este conjunto de datos, llamado PRMI, captura una amplia gama de tamaños de burbujas, densidades y apariencias superficiales. El equipo comparó su modelo con diez sistemas de segmentación líderes ampliamente usados en visión por computador. Según medidas estándar de precisión y solapamiento entre las formas de burbuja predichas y los contornos dibujados por humanos, PBDWNet se situó consistentemente en cabeza, alcanzando la puntuación F1 global más alta y la mejor intersección sobre unión para tanto las burbujas como el fondo. Las comparaciones visuales muestran que mantiene las burbujas pequeñas intactas, separa limpiamente burbujas vecinas y evita el “sangrado” hacia el esmalte circundante incluso cuando los bordes están difuminados.

Qué significa esto para el patrimonio cultural

Para los no especialistas, la conclusión clave es que este trabajo convierte patrones invisibles en el esmalte cerámico en pistas fiables y medibles sobre el pasado. Al trazar con precisión burbujas microscópicas, PBDWNet ayuda a convertir cada fragmento de porcelana en un objeto rico en datos cuya fabricación, origen y sofisticación tecnológica pueden inferirse de forma más objetiva. Aunque el sistema actual aún depende de datos de entrenamiento cuidadosamente etiquetados y puede necesitar adaptarse a condiciones de iluminación o materiales muy diferentes, ya demuestra cómo herramientas de IA a medida pueden profundizar nuestra comprensión de los artefactos culturales. En términos prácticos, dicha tecnología puede apoyar dataciones más precisas, estudios de procedencia e incluso comprobaciones de autenticidad, fortaleciendo las bases científicas de la arqueología y el trabajo museístico.

Cita: 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

Palabras clave: burbujas del esmalte de porcelana, imagenología del patrimonio cultural, segmentación semántica, análisis por microscopía, procedencia arqueológica