PBDWNet: wieloskalowa sieć do segmentacji pęcherzyków na powierzchni porcelany oparta na fuzji w dziedzinie częstotliwości i świadomej deformowalności cech

Ukryte wskazówki w starożytnej porcelanie

Kiedy archeolodzy wydobywają potłuczone fragmenty starożytnej porcelany, tak naprawdę znajdują małe kapsuły czasu. W szklistym szkliwie każdego odłamu zamknięte są mikroskopijne pęcherzyki, które cicho rejestrują, jak i gdzie przedmiot został wykonany. Odczytanie tych pęcherzyków jest jednak niezwykle trudne zarówno dla ludzkiego oka, jak i dla standardowych programów komputerowych. Niniejsze badanie przedstawia wyspecjalizowany system sztucznej inteligencji, PBDWNet, zaprojektowany do wykrywania i śledzenia tych drobnych pęcherzyków z wysoką precyzją, otwierając nowe możliwości datowania, klasyfikacji i zrozumienia zabytków.

Dlaczego drobne pęcherzyki mają znaczenie

Porcelana to więcej niż piękne naczynia; to materiałowy zapis cywilizacji chińskiej i jej handlu międzynarodowego. Tradycyjna analiza odłupków opiera się na widocznych cechach, takich jak kształt, kolor i dekoracja malowana, co wymaga wieloletniego doświadczenia specjalistów. Jednak w wielu wykopaliskach fragmenty są małe, starte lub wizualnie podobne, co utrudnia ustalenie miejsca i czasu produkcji. Mikroskopijne pęcherzyki w szkliwie oferują obiektywną alternatywę. Ich rozmiar, kształt, gęstość i rozmieszczenie przestrzenne zmieniają się w zależności od surowców, temperatury wypału, grubości szkliwa oraz atmosfery w piecu. Poprzez staranne mierzenie tych wzorców badacze mogą budować „mikro‑odciski palców”, które pomagają określić pochodzenie i technologię wytwarzania fragmentu.

Wyzwanie widzenia tego, co niewidoczne

Chociaż pęcherzyki w szkliwie zawierają bogate informacje, są też niezwykle trudne do wykrycia. Pod mikroskopem pęcherzyki są malutkie, o niskim kontraście i często wtapiają się w zaszumione, teksturowane tło. Klasyczne techniki przetwarzania obrazów — takie jak proste progi, detektory krawędzi czy operacje morfologiczne — zwykle rozrywają ich kontury, mylą je z wzorami tła albo pomijają najmniejsze egzemplarze. Nawet nowoczesne systemy głębokiego uczenia, które świetnie radzą sobie z fotografiami codziennymi, mają tu problemy, ponieważ nie są dostrojone do słabo widocznych, nieregularnych struktur na złożonych powierzchniach ceramicznych. Często tracą drobne detale, ignorują subtelne granice i łatwo rozpraszają się na połyskach lub chropowatościach szkliwa.

Trójścieżkowa sieć stworzona dla pęcherzyków

PBDWNet to specjalnie zaprojektowana sieć neuronowa, która radzi sobie z tymi trudnościami, przetwarzając każdy obraz trzema skoordynowanymi ścieżkami. Główna ścieżka opiera się na sprawdzonej głębokiej architekturze, która stopniowo przekształca surowy obraz mikroskopowy w bogatą wewnętrzną reprezentację, przy relatywnie wysokiej zachowanej rozdzielczości. Do tego autorzy dodali gałąź „świadomej deformowalności cech” (deformable feature awareness), która pozwala sieci wyginać siatkę próbkowania wokół nieregularnych kształtów rzeczywistych pęcherzyków. Zamiast patrzeć przez sztywne, kwadratowe okno, może rozciągać i przesuwać próbki, podążając za zakrzywionymi konturami i precyzyjniej skupiając się na miejscu, w którym pęcherzyk rzeczywiście się znajduje.

Równolegle działająca gałąź „falkowa” (wavelet) dekomponuje obraz na składowe niskiej i wysokiej częstotliwości, odpowiadające w przybliżeniu szerokiej strukturze i ostrym krawędziom. Widok oparty na częstotliwościach pozwala modelowi zachować ogólną strukturę szkliwa przy jednoczesnym uwypukleniu cienkich obrzeży pęcherzyków i innych drobnych tekstur, a także tłumić szumy, które nie przypominają wzorców pęcherzykowych. Starannie zaprojektowane etapy fuzji ponownie łączą informacje ze wszystkich trzech ścieżek, tak aby kontekst globalny, szczegółowe kształty i czyste krawędzie wzajemnie się wzmacniały zamiast konkurować. Sieć jest trenowana w układzie z podwójnym wyjściem, co kieruje zarówno prognozy pośrednie, jak i końcowe do uzyskania dokładności na poziomie pojedynczych pikseli.

Testy metody

Aby ocenić PBDWNet, badacze wykorzystali dedykowany zestaw danych z obrazami mikroskopowymi o dużym powiększeniu fragmentów porcelany, zebranymi i specjalistycznie anotowanymi na Northwest University. Ten zbiór danych, nazwany PRMI, obejmuje szerokie spektrum rozmiarów pęcherzyków, gęstości i wyglądu powierzchni. Zespół porównał swój model z dziesięcioma wiodącymi systemami segmentacji powszechnie stosowanymi w wizji komputerowej. Według standardowych miar dokładności i nakładania się przewidywanych kształtów pęcherzyków z ręcznie narysowanymi obrysami przez ekspertów, PBDWNet konsekwentnie plasował się na czele, osiągając najwyższy ogólny wynik F1 oraz najlepszy wskaźnik intersection-over-union zarówno dla pęcherzyków, jak i tła. Porównania wizualne pokazują, że zachowuje małe pęcherzyki w całości, czysto oddziela sąsiednie pęcherzyki i unika „rozlewania” się na otaczające szkliwo nawet wtedy, gdy krawędzie są rozmyte.

Co to oznacza dla dziedzictwa kulturowego

Dla osób niebędących specjalistami najważniejszy wniosek jest taki, że praca ta przekształca inaczej niewidoczne wzorce w szkliwie ceramicznym w wiarygodne, mierzalne wskazówki dotyczące przeszłości. Poprzez precyzyjne śledzenie mikroskopijnych pęcherzyków PBDWNet pomaga przekształcić każdy fragment porcelany w obiekt bogaty w dane, których sposób wytworzenia, pochodzenie i zaawansowanie technologiczne można wywnioskować w sposób bardziej obiektywny. Choć obecny system wciąż zależy od starannie oznakowanych danych treningowych i może wymagać dostosowania do bardzo różnych warunków oświetleniowych czy materiałów, już pokazuje, jak dostosowane narzędzia AI mogą pogłębiać nasze rozumienie artefaktów kulturowych. W praktycznym ujęciu taka technologia może wspierać dokładniejsze datowanie, badania pochodzenia, a nawet weryfikację autentyczności, wzmacniając naukowe podstawy archeologii i pracy muzeów.

Cytowanie: 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

Słowa kluczowe: pęcherzyki w szkliwie porcelany, obrazowanie dziedzictwa kulturowego, segmentacja semantyczna, analiza mikroskopowa, pochodzenie archeologiczne