Onderzoek naar detectie van batikpatronen in afbeeldingen gebaseerd op verbeterde YOLOv11

Oud textiel ontmoet moderne code

Batikstoffen van de Miao-gemeenschappen in China zijn meer dan versiering: hun vlinders, draken, vogels en bloemen leggen stilletjes geschiedenis, geloofsovertuigingen en het dagelijks leven vast in afwezigheid van een schrift. Nu deze textielen verouderen en jongere generaties zich van traditionele ambachten afkeren, loopt belangrijke culturele informatie het risico verloren te raken in stapels ongeëtiketteerde foto’s en vervagende stoffen. Deze studie laat zien hoe geavanceerde beeldherkenningssoftware automatisch kleine, overlappende motieven in complexe batikbeelden kan vinden en identificeren, en zo een nieuwe methode biedt om deze levende kunstvorm op grote schaal te bewaren en te onderzoeken.

Waarom deze patronen er toe doen

Chinese batik is een handverftechniek die al meer dan twee millennia floreert, vooral onder het Miao-volk in de provincie Guizhou. Omdat deze gemeenschap historisch geen schrift kende, werden batikmotieven een visueel archief van mythen, rituelen, esthetiek en sociale gewoonten. Wetenschappers zijn begonnen deze patronen te digitaliseren en te analyseren met hulpmiddelen uit de wiskunde, ontwerpdiscipline en kunstmatige intelligentie. Eerder onderzoek kon geïsoleerde motieven redelijk goed classificeren, maar vereiste meestal dat die motieven uit het originele textiel werden losgeknipt, waarmee de verbinding tussen elk symbool en de grotere compositie verloren ging. Daardoor was het lastig te begrijpen hoe motieven op een kledingstuk of weefsel met elkaar interageren om gelaagde betekenissen over te brengen.

Van eenvoudige labels naar slimme detectie

De auteurs betogen dat wat nodig is niet alleen classificatie is, maar volledige objectdetectie: elk motief in een volledige foto lokaliseren en benoemen. Dat is een lastige opgave in echte batikbeelden, waarin ontwerpen dicht opeengepakt zijn, sterk in grootte variëren en vaak vervaagd, gebarsten of gedeeltelijk verborgen zijn. Standaard detectiesystemen, inclusief eerdere versies van de populaire YOLO- (“You Only Look Once”) familie van algoritmen, hadden moeite met deze omstandigheden. Ze misten vaak zeer kleine symbolen, raakten in de war door ingewikkelde achtergronden of stokten bij ongelijkmatige belichting en wisselende beeldkwaliteit — precies het soort beelden dat conservatoren en veldonderzoekers het meest verzamelen.

Een neuraal netwerk leren textiel te lezen

Om deze uitdagingen aan te pakken, stelde het team eerst de nu grootste Chinese batik-detectiedataset samen: 861 hoogresolutiebeelden geannoteerd met 9933 begrenzingsvakken over zeven motiefcategorieën (vlinder, vis, draak, vogel, trommel, bloem en vrucht). Ze brachten zorgvuldig balans aan in beeldgrootte en -kwaliteit en vergrootten de beperkte data door gecontroleerde vervagingen, kleurveranderingen, spiegelen, mozaïeken en andere transformaties toe te passen, zodat het model de trainingsvoorbeelden niet eenvoudigweg zou memoriseren. Bovenop deze dataset bouwden ze een verbeterde versie van YOLOv11, een geavanceerd objectdetectiekader gekozen vanwege zijn snelheid en compacte omvang — belangrijke eigenschappen als het hulpmiddel op alledaagse computers in musea en culturele centra moet draaien.

Verder kijken en scherper zien

Het verbeterde model voegt twee kernideeën toe. Ten eerste laat een component, geïnspireerd op het VOLO “vision outlooker”-mechanisme, het netwerk tegelijkertijd naar ver verwijderde delen van het beeld kijken in plaats van alleen naar kleine lokale buurten. Dit helpt het te herkennen dat twee kleine vormen ver van elkaar kunnen behoren tot hetzelfde betekenisvolle patroon, en dat de rol van een motief afhankelijk is van zijn buren. Ten tweede herwerkte het team de manier waarop het netwerk beeldkenmerken verwerkt met een structuur genaamd Fused-MBConv. Deze herontwerpen houden de berekeningen efficiënt terwijl ze het vermogen van het model aanscherpen om subtiele details uit lawaaierige, verouderde stoffen te halen. In tests en zorgvuldige ablaties behaalde hun eindontwerp een hogere gemiddelde detectienauwkeurigheid dan de basislijn YOLOv11 en verschillende andere lichte detectoren, terwijl het nog steeds snel genoeg liep voor realtime of bijna-realtime gebruik.

Van automatische tags naar culturele verhalen

Naast ruwe detectiescores koppelden de onderzoekers hun model aan een batik-kennisgrafiek die elk motieftype verbindt met verhalen over oorsprong, symbolische betekenissen en gerelateerde voorbeelden. In een prototype-software kan een gebruiker een foto van een doek uploaden, de gedetecteerde motieven gemarkeerd zien en vervolgens doorklikken om hun culturele achtergrond te verkennen. Voor archivarissen betekent dit snellere, consistentere catalogisering van grote collecties. Voor docenten en bezoekers verandert patroonherkenning in een instapmoment om te leren over Miao-geloof, rituelen en esthetiek. Hoewel het huidige systeem alleen is getraind op Chinese batik, zien de auteurs het als een blauwdruk voor crossculturele hulpmiddelen die ooit textieltradities van Indonesië tot India kunnen helpen beschermen, zodat de ontwerpen op stoffen blijven spreken, ook als de stoffen zelf verouderen en vervagen.

Bronvermelding: Li, Y., Quan, H., Li, Q. et al. Research on batik image pattern detection based on improved YOLOv11. npj Herit. Sci. 14, 143 (2026). https://doi.org/10.1038/s40494-026-02404-y

Trefwoorden: detectie van batikpatronen, immaterieel cultureel erfgoed, computer vision, YOLO objectdetectie, Miao textielkunst