PBDWNet: ett flerskaligt nätverk för segmentering av porslinsglasyrbubblor baserat på frekvensdomänfusion och deformbar funktionsmedvetenhet

Dolda ledtrådar i antikt porslin

När arkeologer gräver fram trasiga bitar av antikt porslin hittar de i praktiken små tidskapslar. Inlåsta i varje skärvas glasartade glasyr finns mikroskopiska bubblor som tyst registrerar hur och var föremålet tillverkades. Att läsa dessa bubblor är dock mycket svårt för det mänskliga ögat och för vanliga datorprogram. Denna studie presenterar ett specialiserat artificiellt intelligenssystem, PBDWNet, utformat för att upptäcka och följa dessa små bubblor med hög precision, vilket öppnar nya möjligheter att datera, klassificera och förstå kulturföremål.

Varför små bubblor spelar roll

Porslin är mer än vacker servis; det är ett materialt vittnesbörd om kinesisk civilisation och dess globala handel. Traditionell analys av skärvor bygger på synliga kännetecken såsom form, färg och dekor, och kräver därför många års expertis. Men i många utgrävningar är fragmenten små, slitna eller visuellt lika, vilket gör det svårt att avgöra var och när de tillverkades. Mikroskopiska bubblor i glasyren erbjuder ett objektivt alternativ. Deras storlek, form, täthet och rumsliga fördelning förändras med råmaterial, bränntemperatur, glasyrlager och atmosfär i ugnen. Genom noggranna mätningar av dessa mönster kan forskare skapa ”mikrofingerprint” som hjälper att bestämma en skärvas ursprung och tillverkningsteknik.

Utmaningen att se det osynliga

Även om dessa glasyrbubblor rymmer mycket information är de också extremt svåra att upptäcka. Under mikroskop är bubblorna små, har låg kontrast och smälter ofta ihop med en brusig, texturerad bakgrund. Klassiska bildbehandlingsmetoder — som enkla tröskelvärden, kantdetektorer eller formoperationer — tenderar att bryta deras konturer, förväxla dem med bakgrundsmönster eller missa de minsta exemplen. Även moderna djupa inlärningssystem som fungerar utmärkt på vardagsfotografier har problem här, eftersom de inte är anpassade för svaga, oregelbundna strukturer på komplexa keramiska ytor. De tappar ofta bort fina detaljer, ignorerar subtila gränser och distraheras lätt av blänk eller grov textur i glasyren.

Ett trespårigt nätverk byggt för bubblor

PBDWNet är ett skräddarsytt neuralt nätverk som tar sig an dessa svårigheter genom att bearbeta varje bild längs tre koordinerade banor. Huvudspåret bygger på en beprövad djup arkitektur som gradvis förvandlar den råa mikroskopbilden till en rik intern representation samtidigt som relativt hög upplösning bevaras. Ovanpå detta lägger författarna en gren för ”deformbar funktionsmedvetenhet”, som låter nätverket böja sitt provtagningsnätverk runt bubblornas oregelbundna former. Istället för att titta med ett stelt fyrkantigt fönster kan det tänjas och förskjutas för att följa kurvade konturer och fokusera mer precist där bubblan faktiskt ligger.

Parallellt dekomponerar en ”wavelet”-gren bilden i låg- och högfrekventa komponenter, vilka ungefär motsvarar breda strukturer respektive skarpa kanter. Detta frekvensbaserade perspektiv gör det möjligt för modellen att behålla den övergripande glasyrstrukturen samtidigt som tunna bubbelskal och andra fina texturer framhävs, och samtidigt dämpa brus som inte följer bubbellika mönster. Noggrant utformade fusionssteg återkombinerar information från alla tre spår så att global kontext, detaljerade former och rena kanter förstärker varandra istället för att konkurrera. Nätverket tränas med en dubbel-outputuppsättning som styr både mellanliggande och slutliga förutsägelser att vara pixelnoga.

Metoden på prov

För att utvärdera PBDWNet använde forskarna en dedikerad datamängd med mikroskopbilder i hög förstoring av porslinsskärvor, insamlade och experthandmärkta vid Northwest University. Denna datamängd, kallad PRMI, fångar ett brett spektrum av bubbelformer, -tätheter och ytors utseenden. Teamet jämförde sin modell med tio ledande segmenteringssystem som är allmänt använda inom datorseende. Över standardmått för noggrannhet och överlappning mellan förutsagda bubbelformer och handritade konturer presterade PBDWNet konsekvent bäst, med högst total F1-poäng och bästa intersection-over-union för både bubblor och bakgrund. Visuella jämförelser visar att den bevarar små bubblor intakta, tydligt separerar intilliggande bubblor och undviker ”utblödning” in i omgivande glasyr även när kanter är suddiga.

Vad detta betyder för kulturarvet

För icke-specialister är huvudbudskapet att detta arbete förvandlar annars osynliga mönster i keramisk glasyr till pålitliga, mätbara ledtrådar om det förflutna. Genom att exakt följa mikroskopiska bubblor hjälper PBDWNet till att omvandla varje porslinsfragment till ett datarikt objekt vars tillverkning, ursprung och tekniska nivå kan härledas mer objektivt. Även om det nuvarande systemet fortfarande är beroende av noggrant märkta träningsdata och kan behöva anpassas till mycket olika ljusförhållanden eller material, visar det redan hur skräddarsydda AI-verktyg kan fördjupa vår förståelse av kulturföremål. I praktiska termer kan sådan teknik stödja mer exakt datering, proveniensstudier och även äkthetskontroller, vilket stärker den vetenskapliga grunden för arkeologi och museiverksamhet.

Citering: 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

Nyckelord: porslinsglasyrbubblor, bildanalys av kulturarv, semantisk segmentering, mikroskopisk analys, arkeologisk proveniens