InSwAV: porselen eser mikroskobik görüntü sınıflandırması için involution ile güçlendirilmiş özellik kümeleme ve değiştirilmiş atamalar

Kırık porselenin günümüz için önemi

Çin’de ve ötesinde arkeolojik kazılar dağlarca parçalanmış porselen ortaya çıkarıyor. Her bir kırık, insanların nasıl yaşadığına, ticaretine ve yüzyıllar önce yüksek sıcaklıkta pişirme tekniklerini nasıl ustalıkla uyguladıklarına dair ipuçları taşır. Ancak bu sayısız kırığı sınıflandırmak ve eşleştirmek uzman işi olarak yavaş ilerler. Bu çalışma, porselen yüzeylerinin mikroskobik görüntülerinden öğrenen ve parçaları otomatik olarak türlerine göre gruplayan InSwAV adlı yeni bir yapay zeka yaklaşımını sunuyor. Daha hızlı ve daha güvenilir sınıflandırma, restorasyon çalışmalarını önemli ölçüde hızlandırabilir ve kültürel mirasın anlaşılmasını derinleştirebilir.

Minik kabarcıklarda tarihi görmek

Gözle görülebilir şekilde birçok porselen parçanın benzer görünmesi şaşırtıcı olabilir: beyaz veya soluk yeşil sırlar, aşınmış desenler ve hasarlı kenarlar. Ancak mikroskop altında başka bir dünya ortaya çıkar. Sırda hapsolmuş küçük kabarcıklar kil, sır reçetesi, pişirme sıcaklığı ve hatta bireysel fırınların veya atölyelerin alışkanlıklarına dair ayrıntıları kaydeder. Önceki çalışmalar, bu kabarcıkların boyut, şekil ve dağılımının üretim merkezleri ve dönemler arasında değiştiğini göstererek onları tanımlama ve tarihlendirme için güçlü parmak izleri haline getiriyor. Ancak bu ince desenleri elle veya geleneksel görüntü işleme araçlarıyla çıkarmak ve yorumlamak emek yoğun ve gürültüye duyarlı bir süreçtir.

Bilgisayarın kendini öğretmesine izin vermek

Bu alandaki önemli bir engel etiketlenmiş veri eksikliğidir: uzmanlar yalnızca sınırlı sayıda mikroskobik görüntüyü açıklayabiliyor ve bazı kırık türleri nadir. Yazarlar, binlerce uzman etiketli örneğe güvenmek yerine, sinir ağının verideki yapıyı kendi başına keşfetmesi için eğitildiği öz denetimli öğrenmeye yöneliyor. Beş porselen kategorisinden 7425 yüksek büyütme görüntüsü içeren Porcelain Relic Microscopic Image (PRMI) veri setini oluşturuyorlar. Her orijinal mikrograf için sistem, kırpma, çevirme, renkleri hafifçe değiştirme ve bulanıklaştırma gibi işlemlerle çoklu değiştirilmiş versiyonlar oluşturuyor. Bu “görünümler” aynı malzemeyi farklı şekillerde göstererek bilgisayarın yüzeysel detaylar yerine kararlı, anlamlı özelliklere odaklanmasını teşvik ediyor.

Desenleri fark etmenin daha akıllı yolu

Yöntemin kalbinde ResInv adlı özel bir özellik çıkarıcı etrafında kurulu InSwAV yer alıyor. Standart görüntü ağları, görüntü üzerinde kayan sabit konvolüsyon filtreleri kullanır. ResInv bunun yerine konuma bağlı olarak davranışını ayarlayan “involution” işlemleriyle bunları harmanlıyor ve sır kabarcıklarının ve çatlakların düzensiz, çok ölçekli şekillerini daha iyi yakalıyor. ResInv her görüntüyü kompakt bir imzaya dönüştürdüğünde, InSwAV görüntüleri bire bir karşılaştırmıyor. Bunun yerine onları öğrenilmiş “prototip”lere veya küme merkezlerine atıyor ve aynı parçanın farklı artırılmış görünümlerinin uyumlu kümelere girip girmediğini kontrol ediyor. Matematiksel bir dengeleme adımı, modelin her şeyi tembelce birkaç gruba yığmasını engelleyerek gerçek, daha ince taneli yapıyı ortaya çıkarmaya zorlar.

Doğruluk, hız ve ortaya koydukları

PRMI veri setinde InSwAV, beş porselen kategorisini %96.2 doğrulukla ayırt ediyor ve birçok önde gelen öz denetimli yöntemi ve hatta etiketlere erişimi olan güçlü bir denetimli temel yöntemi açıkça geride bırakıyor. Ayrıca çok daha hızlı eğitiliyor; modern grafik donanımında yalnızca birkaç saat içinde yüksek doğruluğa ulaşıyor. Ağın içsel etkinliğinin görselleştirmeleri, ResInv’in kabarcıklara ve önemli mikro yapısal ayrıntılara yoğunlaştığını gösterirken standart bir mimarinin genellikle arka plan bölgeleriyle dikkatinin dağıldığını ortaya koyuyor. Yaklaşım, modelin kullandığı küme sayısı seçimlerine karşı da dayanıklı; bu da yeni veri setlerine iyi uyum sağlama potansiyeline işaret ediyor.

Kırık çanaklar ve ötesi için anlamı

Basitçe söylemek gerekirse çalışma, uzmanların az sayıda etiket sağlaması durumunda bile bir bilgisayarın mikroskobik “kabarcık manzaralarını” inceleyerek farklı porselen eserleri ayırt etmeyi öğrenebileceğini gösteriyor. Bu yetenek, müzelerin ve arkeologların büyük koleksiyonları daha hızlı sıralamasına, sanal yeniden birleştirmeler için parçaları eşleştirmesine ve fırın teknolojisi ve ticaret ağlarına ilişkin çalışmaları desteklemesine yardımcı olabilir. Yazarlar veri setlerini genişletmeyi, yöntemi daha geniş görüntü koleksiyonlarında test etmeyi ve alan kullanımına yönelik olarak modeli daha da sadeleştirmeyi planlıyor. Bu tür araçlar olgunlaştıkça, kırılgan parçaları zaman alıcı bulmacalardan geçmişin zengin, hızlı erişilebilir kayıtlarına dönüştürme sözü veriyor.

Atıf: Liu, Y., Liu, J., Liu, X. et al. InSwAV: involution enhanced feature clustering and swapped assignments for porcelain relic microscopic image classification. npj Herit. Sci. 14, 117 (2026). https://doi.org/10.1038/s40494-026-02391-0

Anahtar kelimeler: porselen eserler, mikroskobik görüntüleme, öz denetimli öğrenme, kültürel miras restorasyonu, görüntü sınıflandırma