PBDWNet : un réseau de segmentation multi‑échelle des bulles en surface de porcelaine basé sur la fusion dans le domaine fréquentiel et la prise en compte de caractéristiques déformables

Indices cachés dans la porcelaine ancienne

Lorsque les archéologues mettent au jour des tessons de porcelaine, ils découvrent en réalité de petits capsules temporelles. Enfermées dans l’émail vitreux de chaque éclat se trouvent des bulles microscopiques qui consignent discrètement la façon et le lieu de fabrication de l’objet. Lire ces bulles est toutefois extrêmement difficile pour l’œil humain et pour les programmes informatiques classiques. Cette étude présente un système d’intelligence artificielle spécialisé, PBDWNet, conçu pour repérer et suivre ces minuscules bulles avec une grande précision, ouvrant de nouvelles voies pour dater, classer et comprendre les reliques culturelles.

Pourquoi les petites bulles comptent

La porcelaine n’est pas seulement une belle vaisselle : elle constitue un enregistrement matériel de la civilisation chinoise et de ses échanges mondiaux. L’analyse traditionnelle des tessons repose sur des caractéristiques visibles comme la forme, la couleur et la décoration peinte, et exige donc des années d’expertise. Mais dans de nombreuses fouilles, les fragments sont petits, usés ou visuellement similaires, rendant difficile la détermination de leur origine et de leur époque. Les bulles microscopiques à l’intérieur de l’émail offrent une alternative objective. Leur taille, forme, densité et répartition spatiale varient selon les matières premières, la température de cuisson, l’épaisseur de l’émail et l’atmosphère du four. En mesurant soigneusement ces motifs, les chercheurs peuvent constituer des « micro‑empreintes » aidant à déterminer l’origine et la technologie de fabrication d’un fragment.

Le défi de voir l’invisible

Bien que ces bulles d’émail soient riches en informations, elles sont aussi extrêmement difficiles à détecter. Au microscope, les bulles sont minuscules, de faible contraste et se fondent souvent dans un fond structuré et bruyant. Les astuces classiques de traitement d’image — seuils simples, détecteurs de contours ou opérations morphologiques — ont tendance à fragmenter leurs contours, à les confondre avec les motifs de fond ou à manquer les plus petites. Même les systèmes modernes d’apprentissage profond, performants sur des photographies courantes, peinent ici car ils ne sont pas adaptés aux structures faibles et irrégulières présentes sur des surfaces céramiques complexes. Ils perdent souvent les détails fins, ignorent les frontières subtiles et sont facilement perturbés par les reflets ou la texture rugueuse de l’émail.

Un réseau à trois voies conçu pour les bulles

PBDWNet est un réseau neuronal conçu sur mesure pour surmonter ces difficultés en traitant chaque image selon trois voies coordonnées. La voie principale repose sur une architecture profonde éprouvée qui transforme progressivement l’image brute du microscope en une représentation interne riche tout en préservant une résolution relativement élevée. Par-dessus cela, les auteurs ajoutent une branche de « prise en compte de caractéristiques déformables », qui permet au réseau de courber sa grille d’échantillonnage autour des formes irrégulières des bulles réelles. Au lieu de regarder via une fenêtre carrée rigide, il peut s’étirer et se décaler pour suivre les contours courbes, se concentrant plus précisément sur l’emplacement réel de la bulle.

En parallèle, une branche « ondelettes » décompose l’image en composantes basse et haute fréquence, correspondant approximativement à la structure générale et aux arêtes nettes. Cette vision fondée sur les fréquences permet au modèle de conserver la structure globale de l’émail tout en mettant en évidence les fines jantes des bulles et autres textures délicates, tout en supprimant le bruit qui ne suit pas des motifs en forme de bulle. Des étapes de fusion soigneusement conçues recombinent ensuite les informations des trois voies, de sorte que le contexte global, les formes détaillées et les contours nets se renforcent mutuellement plutôt que de se concurrencer. Le réseau est entraîné selon une configuration à double sortie, qui guide à la fois les prédictions intermédiaires et finales pour qu’elles soient précises au niveau du pixel.

Évaluation de la méthode

Pour évaluer PBDWNet, les chercheurs ont utilisé un jeu de données dédié d’images microscopiques à fort grossissement de tessons de porcelaine, collectées et annotées par des experts à la Northwest University. Ce jeu de données, appelé PRMI, couvre une large gamme de tailles, de densités et d’apparences de bulles. L’équipe a comparé son modèle à dix systèmes de segmentation de pointe largement utilisés en vision par ordinateur. Sur les métriques standards d’exactitude et de recouvrement entre les formes de bulles prédites et les contours dessinés par des humains, PBDWNet s’est montré systématiquement supérieur, obtenant le F1‑score global le plus élevé et la meilleure intersection-over-union tant pour les bulles que pour le fond. Les comparaisons visuelles montrent qu’il préserve les petites bulles, sépare proprement les bulles voisines et évite les « débordements » dans l’émail environnant même lorsque les bords sont flous.

Ce que cela signifie pour le patrimoine culturel

Pour les non‑spécialistes, la conclusion principale est que ce travail transforme des motifs autrement invisibles dans l’émail céramique en indices fiables et mesurables sur le passé. En retraçant précisément les bulles microscopiques, PBDWNet contribue à convertir chaque fragment de porcelaine en un objet riche en données dont la fabrication, l’origine et le niveau technologique peuvent être déduits de manière plus objective. Bien que le système actuel dépende encore de données d’entraînement soigneusement étiquetées et puisse nécessiter une adaptation à des éclairages ou matériaux très différents, il montre déjà comment des outils d’IA spécifiquement conçus peuvent approfondir notre compréhension des artefacts culturels. En pratique, une telle technologie peut soutenir des datations plus précises, des études de provenance et même des contrôles d’authenticité, renforçant les bases scientifiques de l’archéologie et du travail muséal.

Citation: 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

Mots-clés: bulles dans l’émail de porcelaine, imagerie du patrimoine culturel, segmentation sémantique, analyse microscopique, provenance archéologique