MOEAD tabanlı Song Hanedanı bakır ayna desen tanıma üzerine araştırma

Neden antik aynalar modern makinelerle buluşuyor

Telefonunuzun kamerasını kullanarak bin yıllık bir bronz aynada hangi efsanevi yaratıkların kazılı olduğunu anında söyleyebildiğinizi hayal edin. Bu çalışma o vizyona bir adım daha yaklaşıyor. Yazarlar, gelişmiş görüntü tanıma yazılımını akıllı bir optimizasyon stratejisiyle birleştirerek Song Hanedanı bronz aynalarındaki hayvan figürlerini otomatik olarak tanımlıyor; bu, küratörlerin, arkeologların ve halkın kültürel hazineleri daha hızlı ve doğru biçimde keşfetmesine yardımcı oluyor.

Song dönemi bronz aynalara ışık tutmak

Bronz aynalar eski Çin’de gündelik nesnelerdi, ama aynı zamanda derin toplumsal ve ruhsal anlamlar taşırdı. Song döneminde arkaları karmaşık sahnelerle süslenmişti: ejderhalar ve fenghuanglar, turnalar ve kaplumbağalar, aslanlar ve geyikler — her biri güç, şans ve inançla ilgili sembolizmi barındırırdı. Bu aynalardan çok sayıda kazı sonucu çıkarılmış olsa da, ayrıntılı desenlerin tanımlanması uzun zamandır uzman gözlere bağlıydı—yavaş, öznelliğe açık ve ölçeklendirmesi güç bir yöntem. Yazarlar, eğer bilgisayarlar bu motifleri güvenilir biçimde tanıyabilseydi, bunun daha tutarlı kataloglama, dijital koruma ve yeni tür kültürel analizleri destekleyeceğini savunuyorlar.

Motifleri bilgisayarın okuyabileceği verilere dönüştürmek

Bilgisayara bu desenleri “görmeyi” öğretmek için ekip önce 14 farklı hayvan türünü içeren 140 Song dönemi bronz aynadan oluşan özel bir görüntü koleksiyonu topladı; ejderhalar ve fenghuanglardan balıklara, kaplanlara ve ördeklere kadar. Her görüntü motifine göre dikkatle etiketlendi ve ardından eğitim, doğrulama ve test setlerine ayrıldı. Veri seti küçük olduğu ve bazı hayvanlar nadir bulunduğu için araştırmacılar eğitim verisini sistematik dönüşümlerle genişlettiler—kırpma, çevirme, döndürme, renk ve parlaklık değişiklikleri ve hatta küçük yamaları silme. Bu varyasyonlar, gerçek eserlerin farklı aydınlatma, kamera açıları veya aşınma altında nasıl görünebileceğini taklit ederek modelin her motifin özünü öğrenmesine, birkaç kusursuz örneği ezberlemektense genelleme yapmasına yardımcı olur.

Akıllı tanıma sistemi nasıl çalışıyor

Sistemin merkezinde ResNet50 adlı bir derin öğrenme modeli var; görüntülerden görsel desenleri çıkarmayı öğrenen dijital bir göz gibi. Tasarımı, bilgi akışının birçok katman boyunca kaybolmadan sürmesine yardımcı olan “kısa yol” bağlantılarını içerir; bu sayede hem ince yüzey ayrıntılarını hem de daha yüksek düzeydeki şekilleri yakalayabilir. Bunun üzerine yazarlar, evrimsel hesaplamadan gelen MOEA/D olarak bilinen bir strateji getiriyor. Eğitim ayarlarını el ile tahmin etmek yerine, sanal bir aday popülasyonunun birçok tur boyunca “evrimleşmesine” izin veriyorlar. Her aday aynı anda birkaç hedefe göre değerlendiriliyor: tahmin hatalarını düşük tutmak, etiketler arasında doğruluğu en üst düzeye çıkarmak ve kararlı davranışı korumak. Zamanla, algoritma doğruluk ve güvenilirlik arasında en iyi ödünleşmeyi sağlayan öğrenme hızı ve düzenleme gücü kombinasyonlarına yakınsıyor.

Sistemi teste sokmak

Araştırmacılar ardından optimize edilmiş modellerini üç popüler alternatifle karşılaştırdı: VGG16, EfficientNet-B0 ve optimize edilmemiş bir ResNet50 sürümü. Tüm modeller aynı ayna görüntüleri üzerinde eğitildi ve görülmemiş örnekler üzerinde test edildi. Optimize edilmiş sistem öne çıktı. Doğrulama setinde etiketlerin ne kadar tutarlı tahmin edildiğini ölçen Hamming doğruluğu %94’ün üzerinde ve test setinde %91’in üzeri olarak ulaştı; diğer ağları geride bıraktı. Ayrıca kategoriler arasında daha dengeli bir performans gösterdi, bazı hayvanların neredeyse kusursuz tanınup diğerlerinin tamamen kaçırıldığı deseni önledi. Bölgesel gizleme çalışmalarıyla görüntünün parçalarını saklayarak yapılan ek deneyler ve istatistiksel testler, kazançların sadece şans olmadığını; modelin gerçekten motif bölgelerine odaklandığını ve daha nadir bazı hayvanlar için bile bunu tekrarlanabilir şekilde yaptığını gösterdi.

Bu kültürel miras için ne anlama geliyor

Uzman olmayanlar için çıkarım açıktır: çalışma, dikkatle ayarlanmış yapay zekânın yüzyıllık bronz aynalardaki hayvanları güvenilir şekilde tespit edebileceğini gösteriyor; ek hesaplama maliyeti az ve yalnızca uzman yargısına daha az bağımlılık gerektiriyor. Model hâlâ çok nadir veya görsel olarak birbirine benzeyen motiflerle zorlanıyor olsa da, müzeler ve araştırmacılar için kataloglamayı hızlandıracak ve dijital arşivleri destekleyecek pratik bir araç sunuyor. Daha büyük görüntü koleksiyonları kullanılabilir hale geldikçe ve yöntem—muhtemelen daha güçlü veri üretimi ve açıklanabilir görselleştirmelerle—iyileştirildikçe, benzer yaklaşımlar oyma taşlardan boyalı tekstillere kadar diğer eser türlerine de genişletilebilir ve maddi geçmişimizin görünmez yapısını hem akademisyenler hem de daha geniş bir kamu için yeni bir şekilde görünür kılabilir.

Atıf: Feng, Q., Yu, K., Li, Y. et al. Research on Song dynasty copper mirror pattern recognition based on MOEAD. npj Herit. Sci. 14, 158 (2026). https://doi.org/10.1038/s40494-026-02413-x

Anahtar kelimeler: Song Hanedanı bronz aynalar, kültürel miras yapay zekâsı, görüntü desen tanıma, derin öğrenme optimizasyonu, eser motif sınıflandırması