PBDWNet：一种基于频域融合与可形变特征感知的多尺度瓷釉表面气泡分割网络

古瓷中的隐秘线索

当考古学家发掘出破碎的古瓷片时，实质上是发现了微小的时间胶囊。每块碎片玻璃状釉面中封存着微观气泡，默默记录着物件的制作方式和产地。然而，这些气泡对肉眼和常规计算机程序来说都极难识别。本研究提出了一种专门的人工智能系统PBDWNet，旨在高精度地检测和追踪这些微小气泡，为测定年代、分类和理解文物提供新的途径。

为何微小气泡重要

瓷器不仅是美丽的器皿，也是中华文明及其全球贸易的物质记录。传统的碎片分析依赖形状、色彩和釉上装饰等可见特征，因此需要多年专家经验。但在许多发掘中，碎片体积小、磨损严重或外观相似，使得判断产地与年代变得困难。釉层中的微观气泡提供了一种客观替代手段：它们的大小、形状、密度及空间分布随原料、烧成温度、釉层厚度和窑内气氛而变化。通过精确测量这些模式，研究者可以构建“微型指纹”，帮助确定碎片的来源与制造工艺。

看不见之物的挑战

尽管这些釉内气泡信息量丰富，但检测难度很大。在显微镜下，气泡体积极小、对比度低，且常与嘈杂的纹理背景融为一体。经典图像处理方法——如简单阈值、边缘检测或形态学操作——往往会破坏气泡轮廓、将其与背景纹理混淆，或漏检最小的样本。即便是对日常照片表现优异的现代深度学习系统，也难以处理此类在复杂陶瓷表面上呈现的微弱、不规则结构：它们常丢失精细细节、忽视微妙边界，并容易被釉面眩光或粗糙纹理干扰。

为气泡而构建的三通道网络

PBDWNet是一种定制神经网络，通过沿三条协同通路处理每幅图像来应对这些困难。主干路径基于成熟的深度架构，将原始显微图像逐步转换为丰富的内部表征，同时保持相对较高的分辨率。在此基础上，作者引入了“可形变特征感知”分支，使网络能够围绕真实气泡的不规则形状弯曲其采样格点。网络不再以刚性的方形窗口观察，而是能够拉伸和偏移以跟随曲线轮廓，更精确地聚焦气泡实际所在的位置。

并行的“小波”分支将图像分解为低频与高频分量，分别对应宏观结构与锐利边缘。这种基于频域的视角使模型既能保留整体釉面结构，又能突出薄弱的气泡边缘和其它细微纹理，同时抑制不符合气泡形态的噪声。精心设计的融合步骤随后将三路信息重组合，使全局上下文、细节形状与清晰边缘相互加强而非相互竞争。该网络采用双输出设置进行训练，引导中间与最终预测在像素级别上都达到高精度。

方法验证

为评估PBDWNet，研究团队使用了西北大学采集并专家注释的一套高倍显微瓷片图像数据集，命名为PRMI。该数据集覆盖了广泛的气泡尺寸、密度与表面形态。团队将其模型与计算机视觉领域中十种主流分割系统进行了对比。在预测气泡形状与人工描绘轮廓的准确性与重叠度等标准衡量上，PBDWNet持续领先，获得了最高的整体F1分数以及气泡与背景的最佳交并比（IoU）。可视化对比表明，它能保持微小气泡的完整、清晰分离相邻气泡，并在边缘模糊时避免向周围釉面“溢出”。

对文化遗产的意义

对非专业读者而言，关键结论是：这项工作将原本难以察觉的釉面微纹转换为可依赖、可测量的历史线索。通过精确追踪微观气泡，PBDWNet有助于将每块瓷片转化为富含数据的对象，从而更客观地推断其制造方式、来源与技术水平。尽管当前系统仍依赖精心标注的训练数据，且可能需要针对截然不同的照明或材料进行适配，它已展示出定制化AI工具如何深化我们对文化文物的理解。在实际应用中，该技术能够支持更精确的年代判定、产地研究，乃至真伪鉴定，强化考古学与博物馆工作的科学基础。

引用: 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

关键词: 瓷釉气泡, 文化遗产成像, 语义分割, 显微镜分析, 考古产地研究