PBDWNet: frekans-düzlem kaynaştırması ve deforme edilebilir özellik farkındalığına dayalı çok ölçekli porselen yüzey kabarcık segmentasyon ağı

Antik Porselende Gizli İpuçları

Arkeologlar antik porselenin kırık parçalarını çıkardıklarında aslında küçük zaman kapsülleri bulmuş olurlar. Her bir parçanın camımsı sır tabakasının içinde, nesnenin nasıl ve nerede yapıldığını sessizce kaydeden mikroskobik kabarcıklar bulunur. Ancak bu kabarcıkları okumak hem insan gözü hem de sıradan bilgisayar programları için son derece zordur. Bu çalışma, bu küçük kabarcıkları yüksek doğrulukla tespit edip izlemek üzere tasarlanmış özelleşmiş bir yapay zeka sistemi olan PBDWNet’i tanıtıyor; bu sayede eserlerin tarihlendirilmesi, sınıflandırılması ve anlaşılması için yeni olanaklar açılıyor.

Neden Küçük Kabarcıklar Önemli

Porselen sadece güzel sofra eşyası değildir; Çin uygarlığının ve onun küresel ticaretinin maddi kaydıdır. Parçaların geleneksel analizi şekil, renk ve boyalı süslemeler gibi görünür özelliklere dayanır ve bu nedenle yılların uzman deneyimini gerektirir. Ancak birçok kazıda kırıntılar küçük, aşınmış ya da görsel olarak benzerdir; bunlar nerede ve ne zaman üretildiklerini belirlemeyi zorlaştırır. Sır içindeki mikroskobik kabarcıklar nesnel bir alternatif sunar. Kabarcıkların boyutu, şekli, yoğunluğu ve mekânsal düzeni kullanılan ham maddelere, pişirme sıcaklığına, sır kalınlığına ve fırın içindeki atmosfere bağlı olarak değişir. Bu desenler dikkatle ölçülerek, bir parçanın kökeni ve üretim teknolojisini belirlemeye yardımcı olan “mikro parmak izleri” oluşturulabilir.

Görünmeyeni Görmenin Zorluğu

Bu sır kabarcıkları bilgi açısından zengin olsa da tespit edilmeleri son derece zordur. Mikroskop altında kabarcıklar çok küçük, kontrastları düşük ve sıklıkla gürültülü, dokulu bir arka plana karışır. Basit eşikleme, kenar algılama veya şekil işlemleri gibi klasik görüntü işleme yöntemleri kabarcıkların sınırlarını bozma, onları arka plan desenleriyle karıştırma veya en küçük örnekleri kaçırma eğilimindedir. Günlük fotoğraflarda başarılı olan modern derin öğrenme sistemleri bile burada zorlanır; çünkü bu sistemler karmaşık seramik yüzeylerindeki zayıf, düzensiz yapılar için ayarlanmamıştır. İnce ayrıntıları kaybedebilir, hafif sınırları göz ardı edebilir ve sırdaki parlama veya kaba dokular tarafından kolayca yanıltılabilirler.

Kabarcıklar İçin Üç Yollu Bir Ağ

PBDWNet, her görüntüyü üç koordineli yol boyunca işleyerek bu zorlukların üstesinden gelen özel bir sinir ağıdır. Ana yol, ham mikroskop görüntüsünü nispeten yüksek çözünürlüğü koruyarak zengin bir iç temsile dönüştüren kanıtlanmış derin bir mimariye dayanır. Bunun üzerine yazarlar, ağın gerçek kabarcıkların düzensiz şekilleri etrafında örnekleme ızgarasını eğmesine izin veren “deforme edilebilir özellik farkındalığı” kolunu eklerler. Ağ sert bir kare pencere ile bakmak yerine, kıvrımlı konturları takip etmek için esneyip kayabilir ve kabarcığın gerçekten bulunduğu yere daha hassas odaklanabilir.

Paralel olarak, bir “dalgalet” (wavelet) kolu görüntüyü geniş yapı ve keskin kenarlara tekabül eden düşük ve yüksek frekans bileşenlerine ayırır. Bu frekans temelli görünüm, modelin genel sır yapısını korurken ince kabarcık kenarlarını ve diğer ince dokuları vurgulamasına ve aynı zamanda kabarcık benzeri desenleri takip etmeyen gürültüyü bastırmasına imkân tanır. Özenle tasarlanmış kaynaştırma adımları daha sonra üç yoldan gelen bilgileri yeniden birleştirir, böylece küresel bağlam, ayrıntılı şekiller ve temiz kenarlar birbirleriyle rekabet etmek yerine birbirlerini güçlendirir. Ağ, ara ve son tahminlerin bireysel piksel düzeyinde doğru olmasını yönlendiren çift çıkışlı bir düzen kullanılarak eğitilir.

Yöntemi Teste Sokmak

PBDWNet’i değerlendirmek için araştırmacılar, Kuzeybatı Üniversitesi’nde toplanmış ve uzmanlarca anotlanmış porselen kırıklarının yüksek büyütmeli mikroskop görüntülerinden oluşan özel bir veri kümesini kullandılar. PRMI adını taşıyan bu veri kümesi, geniş bir kabarcık boyutu, yoğunluğu ve yüzey görünümü yelpazesini kapsar. Ekip modellerini bilgisayarlı görüde yaygın olarak kullanılan on önde gelen segmentasyon sistemiyle karşılaştırdı. Tahmin edilen kabarcık şekilleri ile insan çizimi sınırlar arasındaki doğruluk ve örtüşme için standart ölçütlerde PBDWNet tutarlı şekilde en iyi performansı gösterdi; en yüksek genel F1 puanını ve hem kabarcıklar hem de arka plan için en iyi kesişim-birleşim (IoU) değerlerini elde etti. Görsel karşılaştırmalar, küçük kabarcıkları bütün halinde tuttuğunu, bitişik kabarcıkları temizce ayırdığını ve kenarlar bulanık olsa bile çevreleyen sır içine “taşma” yapmadığını gösteriyor.

Kültürel Miras İçin Anlamı

Uzman olmayanlar için temel çıkarım, bu çalışmanın seramik sırındaki aksi halde görünmez desenleri geçmiş hakkında güvenilir, ölçülebilir ipuçlarına dönüştürmesidir. Mikroskobik kabarcıkları hassas şekilde izleyerek PBDWNet, her porselen parçasını üretimi, kökeni ve teknolojik düzeyi daha nesnel biçimde çıkarılabilecek veri zengini bir nesneye dönüştürmeye yardımcı olur. Mevcut sistem hâlâ özenle etiketlenmiş eğitim verilerine bağımlı olabilir ve çok farklı aydınlatma veya malzemelere uyarlanması gerekebilir, ancak bu teknoloji özelleştirilmiş yapay zeka araçlarının kültürel eserler hakkındaki anlayışımızı nasıl derinleştirebileceğini şimdiden göstermektedir. Pratikte böyle bir teknoloji daha doğru tarihleme, kaynak belirleme çalışmalarını ve hatta özgünlük kontrollerini destekleyerek arkeoloji ve müzecilik çalışmalarının bilimsel temellerini güçlendirebilir.

Atıf: 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

Anahtar kelimeler: porselen sır kabarcıkları, kültürel miras görüntüleme, semantik segmentasyon, mikroskopi analizi, arkeolojik köken belirleme