دقة التقييم تتجاوز 99%! يجمع إطار عمل ذكي لتصنيف السيراميك، قائم على YOLOv11، بين النمذجة البصرية والتحليل الاقتصادي لتصنيف الآثار الثقافية وتقدير قيمتها.

في مزاد بولي أوكشنز هونغ كونغ لربيع 2025، تجاوزت قيمة "وعاء تشينغ يونغتشنغ العائلي، المصنوع من مينا الورد والبرقوق والخيزران، والمُخصص للاحتفال بعيد ميلاد الربيع المبكر"، 8.8 مليون دولار هونغ كونغي، بينما بيعت "مزهرية مينغ يونغلي الزرقاء والبيضاء، المصنوعة من الخيزران والصخور والموز، بسعر مرتفع بلغ 78.125 مليون دولار هونغ كونغي في مزاد كريستيز لربيع هونغ كونغ 2025". وفي مزاد سوثبيز لخريف هونغ كونغ 2017، بيع "حوض غسيل مطلي بطبقة من السيلادون من فرن سونغ رو الشمالي" مقابل 260 مليون دولار هونغ كونغي بعد أكثر من 30 مزايدة، وبلغ إجمالي سعره 294 مليون دولار هونغ كونغي بعد إضافة العمولة. وقد فاز به جامع تحف آسيوي خاص مجهول الهوية، محطمًا بذلك الرقم القياسي العالمي لمزادات الخزف الصيني آنذاك.

ليس من الصعب أن نرى أن الآثار الثقافية الخزفية تظهر إمكانات اقتصادية كبيرة في جميع أنحاء العالم.في الوقت نفسه، تغلغلت صناعة السيراميك في جميع جوانب حياة الناس. فبالإضافة إلى أدوات المائدة والبلاط الشائعة، دخلت أيضًا مجالات المنتجات الإلكترونية والأجهزة/الغرسات الطبية، وغيرها. وتشير الإحصاءات إلى أنه بين عامي 2017 و2023، سيرتفع إنتاج الصين السنوي من السيراميك للاستخدام اليومي من 49.1 مليار قطعة إلى 67.9 مليار قطعة.ومن المتوقع أن يستمر حجم سوق السيراميك العالمي في التوسع بمعدل نمو سنوي مركب (CAGR) يبلغ 4.4%.لقد أدى النمو المستمر في تجارة السلع الخزفية إلى ظهور احتياجات تقييمية ضخمة، في حين أن طرق تصنيف السيراميك التقليدية قد حدت من مشاركة غير المتخصصين في هذا العمل.

مراجعة ممارسات البحث في تصنيف السيراميك،غالبًا ما تكون طرق تصنيف السيراميك التقليدية محدودة مثل عدم القدرة على التكيف والقدرة على التفسير.يفتقر التحديد التجريبي إلى معيار كمي موحد، ويعتمد بشكل كبير على "علم العين". قد يكون التصنيف غامضًا بسبب اختلاف الإدراك. قد تختلف قيمة قطعة الخزف نفسها اختلافًا كبيرًا بين المتخصصين، وبالتالي لا يكفي تحديد التقليد.يعتمد التحديد الدقيق مثل التأريخ باستخدام الأشعة السينية والفلورسنت والتحليل الطيفي بشكل كبير على الأدوات المعقدة.

مع التطور السريع لتقنيات التعلم العميق والرؤية الحاسوبية، أصبح التصنيف الخزفي القائم على طرق مثل استخراج الميزات وتجزئة الصورة وتحسين الصورة شائعًا بشكل متزايد.في الوقت الحاضر، أدرك البحث في التصنيف التلقائي للسيراميك استخدام الشبكات العصبية التلافيفية (CNNs)، ونقل التعلم وشبكات الكبسولة لتحليل السيراميك تلقائيًا باستخدام السمات المرئية.يقتصر الأمر عادةً على التعرف الأساسي على الملمس، ويصعب دمج العوامل الثقافية المؤثرة في التقييم، مثل تاريخ وجماليات السيراميك، في إطار الحساب. في الوقت نفسه، هناك نقص في أدوات التصنيف التي يمكن لغير المتخصصين استخدامها.

وفي هذا السياق،اقترح فريق البحث من جامعة بوترا ماليزيا وجامعة نيو ساوث ويلز سيدني إطار عمل ذكي يعتمد على نموذج YOLOv11 والذي يجمع بين الأداء التنبئي العالي والقدرة على التفسير.الجمع بين النمذجة البصرية والمنطق الاقتصادي للتصنيف التلقائي للآثار الخزفية وتقدير قيمتها السوقية.يمكن لنموذج YOLOv11 المحسن إدخال سمات الحرف اليدوية الخاصة بالبورسلين في مصنف الغابات العشوائي وتقييم الآثار الثقافية الخزفية استنادًا إلى سنوات من بيانات المزادات من مؤسسات مثل Christie's وSotheby's وPoly Auctions وChina Guardian.

نُشرت نتائج البحث في مجلة Nature Partner تحت عنوان "دمج التعلم العميق والتعلم الآلي لتصنيف التحف الخزفية والتنبؤ بقيمة السوق".

أبرز ما توصل إليه البحث:

* تم إنشاء إطار عمل قوي قائم على البيانات يمكنه دمج الميزات الفنية وبيانات السوق لتقييم القطع الأثرية الخزفية بدقة، مما يوفر نهجًا أكثر منهجية وموضوعية لتصنيف وتقييم السيراميك؛

* تحسين أداء نموذج YOLO في اكتشاف وتصنيف أنواع السيراميك، وتحسين مخرجات نموذج YOLO في مهام التقييم اللاحقة لتصنيف السيراميك؛

* من خلال الجمع بين الميزات المستخرجة بواسطة نموذج YOLO وبيانات المزاد المنظمة، يتم استخدام مصنف الغابات العشوائية للتنبؤ بالأسعار، مما يحسن دقة وإمكانية تفسير نتائج التنبؤ.

عنوان الورقة:  

https://www.nature.com/articles/s40494-025-01886-6

تابع الحساب الرسمي ورد "سيراميك" للحصول على ملف PDF كامل

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي: https://go.hyper.ai/owxf6

التكامل ثلاثي المراحل: شرح البيانات وتصنيف السيراميك والتنبؤ بالأسعار

يتكون إطار التصنيف الذي تم إنشاؤه في هذه الدراسة من ثلاث مراحل متتالية: شرح البيانات، والتصنيف الخزفي بناءً على نموذج YOLOv11، والتنبؤ بالأسعار بناءً على نموذج الانحدار الغابي العشوائي.

شرح مجموعة البيانات: حل شرح مختلط يجمع بين المعالجة المسبقة للذكاء الاصطناعي والتصحيح من قبل الخبراء

أسست هذه الدراسة مجموعة بيانات عالية الجودة لصور السيراميك، تعتمد على إطار تصنيف سيراميكي ثلاثي الطبقات، يشمل الشكل والنمط وعملية الإنتاج. تحتوي مجموعة البيانات على 8213 صورة عالية الدقة تغطي 20 نظامًا مختلفًا من أنظمة الأفران والتقنيات الزخرفية، وهي مقسمة إلى بيانات تدريب، وبيانات تحقق، وبيانات اختبار بنسبة 7:2:1.

تأتي بيانات الصورة بشكل أساسي من ثلاث قنوات:الأول هو دور المزادات مثل كريستيز، سوذبيز، بونهامز، تشاينا جارديان، بولي أوكشن، وبكين رونغباوزاي (42.6%، 3500 قطعة)؛ والثاني هو قواعد بيانات المتاحف والآثار الثقافية (24.3%، 2000 قطعة)، بما في ذلك متحف القصر، والمتحف البريطاني، ومتحف متروبوليتان للفنون، والمتحف الوطني الصيني، وقاعدة بيانات المجلس الدولي للمتاحف؛ والثالث هو متاجر الفن الخزفي وأعمال التصوير الفوتوغرافي في الموقع (33.1%، 2713 قطعة)، بشكل رئيسي من منصات مثل تاوباو، شيان يو، أمازون، بيكساباي، ويكيميديا كومنز، وجامعي التحف الخاصة.

اعتمدت الدراسة على أسلوب جمع بيانات هجين، مثل كشط الويب الآلي باستخدام إطار عمل Scrapy لاستخراج بيانات صور السيراميك المنظمة من قواعد البيانات العامة.

تستخدم مرحلة شرح مجموعة البيانات بشكل أساسي استراتيجية وضع العلامات التي تجمع بين الجمع التلقائي للذكاء الاصطناعي والتصحيح من قبل الخبراء لشرح مجموعات بيانات الصور الخزفية عالية الجودة:

* وضع العلامات المسبقة للذكاء الاصطناعي:استخدم نموذج YOLO المدرب مسبقًا لاكتشاف المادة الأولية وإنشاء المربع المحيط بالمخطط الخزفي تلقائيًا؛

* التعليق والتحقق اليدوي:استخدم خبراء تحديد هوية السيراميك وباحثو البيانات أداة LabelImg لتحسين نتائج وضع العلامات وإجراء تصنيف ثلاثي المستويات استنادًا إلى أسلوب الصنع وشكل الكائن والنمط الزخرفي.

لتحسين متانة النموذج وتقييم قدرته على التعميم، استخدم فريق البحث التحقق المتقاطع خماسي الأضعاف، واستخدموا التجميع بمتوسطات K لتحسين حجم صندوق التثبيت للتكيف مع الأشكال الخزفية المختلفة، مما أدى إلى تحسين دقة الكشف. استُخدم مُجدول معدل التعلم الدوري لتثبيت تحديث التدرج، ودُمجت آلية التوقف المبكر مع نقطة تفتيش النموذج لمنع الإفراط في التجهيز. ولتعزيز قدرة التعميم المكاني، استخدمت الدراسة أيضًا تقنيات تحسين الصور Mosaic وGridMask وMixUp للتحقق.

نموذج YOLOv11: تقديم وحدة الاهتمام لتشكيل آلية منطق التقييم

استنادًا إلى مجموعة البيانات المعالجة مسبقًا بواسطة الذكاء الاصطناعي، سيعمل نموذج YOLOv11 المحسن على تصنيف الصور وفقًا للشكل والنمط وعملية إنتاج السيراميك.يدمج تصميم نموذج YOLOv11 المحسّن شبكة ResNet الأساسية ووحدات تحسين الميزات المتعددة ورأس الكشف المحسّن لخصائص السيراميك مثل النمط والشكل والحرفية.

يستخدم نموذج YOLOv11 المُحسّن شبكة ResNet50 كشبكة أساسية. ولتحسين تعبير النموذج عن السمات البصرية الخزفية وكفاءته الحسابية، أدخلت هذه الدراسة ثلاث وحدات تحسين في هيكله:

* وحدة C3k2-EIEM:تتضمن هذه الوحدة ثلاثة مكونات رئيسية: تعلم معلومات الحواف، وحفظ السمات المكانية، واستراتيجية دمج السمات. ويمكنها تحسين كشف التفاصيل الزخرفية الدقيقة، مثل المنحوتات والنقوش، من خلال التقاط معلومات الحواف بوضوح وحفظ التفاصيل المكانية، مع الحفاظ على دقة عالية.

* تجميع الهرم المكاني السريع (SPPF):استخراج السمات البصرية للسيراميك في أبعاد مختلفة عن طريق إجراء تجميع متعدد الأبعاد؛

* آلية الاهتمام المحلي عبر المراحل (C2PSA):من خلال ضبط الأوزان بشكل تكيفي، يتم تقليل تداخل الخلفية للصورة، وبالتالي التركيز على المناطق الزخرفية الرئيسية وتعزيز حساسية النموذج للزخارف المعقدة مثل الرسم تحت التزجيج والمنحوتات المجوفة.

يُحسّن دمج وحدة تعزيز الانتباه قدرة النموذج على تحديد السمات عالية القيمة للسيراميك. ولربط نتائج التصنيف بمنطق التقييم التقليدي، قدّمت هذه الدراسة تقنية رسم الخرائط التنشيطية للفئات الموزونة بالتدرج (Grad-CAM) لإنشاء صورة مرئية لوحدة الانتباه والتحقق من فعاليتها.

نموذج الانحدار للغابات العشوائية: من السمات المرئية إلى تقييم القيمة النقدية

في مرحلة التنبؤ بالأسعار، وضعت الدراسة نموذج انحدار قائم على الغابة العشوائية (RF)، واعتمدت أسلوبًا للتنبؤ بالأسعار قائمًا على التصنيف، وذلك للتنبؤ بشكل منهجي بقيمة مجموعة المنتجات الخزفية بناءً على السمات البصرية المستخرجة. وتنقسم عملية تصنيف السمات البصرية المجمعة باستخدام نموذج انحدار الغابة العشوائية إلى أربع نقاط:

* خصائص الفئة:يتم استخدام الترميز One-Hot لمعالجة ميزات التصنيف مثل الأنماط الزخرفية وأساليب الحرف، وتحويل الميزات المرئية إلى تعبيرات بيانات قابلة للقراءة آليًا.

* تطبيع سعر المزاد ومعالجة القيم المتطرفة:تُحوَّل أسعار معاملات الآثار الثقافية الخزفية من دور المزادات الست الكبرى، من عام 2000 إلى عام 2024، وتُطبَّق على الدولار الأمريكي لعام 2024 بناءً على أسعار الصرف التاريخية وبيانات مؤشر أسعار المستهلك الصادرة عن قواعد البيانات المالية الدولية، مثل البنك الدولي ومنظمة التعاون الاقتصادي والتنمية. وتُستخدم طريقة النطاق الربعي (IQR) لاستبعاد القيم الشاذة في بيانات أسعار المزادات.

* الخصائص الكمية:تم تضمين العوامل المتغيرة المستقلة للشكل والنمط الزخرفي وتعقيد الحرفة، بالإضافة إلى عامل المتغير التابع لنطاق السعر، وتم تطبيع جميع الخصائص الكمية باستخدام طريقة القياس الأدنى والأقصى.

* ترميز البيانات:تنفيذ استراتيجية ترميز البيانات المنظمة باستخدام التشفير الساخن الواحد (OHE) لتحويل القيم المنفصلة غير الرقمية إلى قيم ثنائية بحيث يمكن التقاطها بواسطة نماذج الانحدار دون إدخال علاقات عددية اصطناعية.

عند تدريب نموذج الانحدار، يقسم نموذج تصنيف RF العملية إلى أربع مراحل: معالجة البيانات مسبقًا، واستخراج الميزات، وتدريب المجموعة، والتنبؤ.أثناء عملية التدريب، يتم إنشاء أشجار قرار متعددة، ويتم تدريب كل شجرة قرار على أساس عينة التمهيد للبيانات لتقليل تباين البيانات.

نتائج البحث: تم تحسين دقة تقييم النموذج باستخدام محرك YOLOv11 وRF المزدوج

قامت الدراسة بتقييم أداء نموذج YOLOv11 المحسن ونموذج YOLOv11، وأجرت التحقق المتبادل 5 مرات على الوحدات الوظيفية المحسنة، وقيمت منطق التقييم لنموذج الانحدار للغابات العشوائية ومؤشرات الأداء الخاصة به مثل الدقة.

أولاً، نتائج تقييم أداء نموذج YOLOv11 المحسّن ونموذج YOLOv11 في تصنيف السيراميكتشمل مؤشرات الكشف الرئيسية متوسط الدقة المتوسطة (mAP)، والتذكر، والدقة، وأفضل نتيجة F1 (Best-F1). تُظهر النتائج التجريبية تحسنًا في دقة الكشف الإجمالية لنموذج YOLOv11 المُحسّن، وانخفاضًا في الكشف السلبي الكاذب لتفاصيل الشكل أو التزجيج، وتحسنت أفضل قيمة F1 بمقدار 2%. على الرغم من انخفاض الدقة بشكل طفيف، فقد تحسنت قدرة النموذج على التعميم من خلال موازنة النتائج الإيجابية والسلبية الكاذبة.

لضمان قوة ومتانة نموذج YOLOv11 المعزز بـ C3k2-EIEM وقدرة التعميم، تم إجراء التحقق المتبادل 5 مرات، وأظهرت النتائج أن الوحدات الوظيفية المعززة ساعدت في تحقيق أداء تصنيف أكثر اتساقًا.

تشمل معايير تقييم أداء نموذج الانحدار الغابي العشوائي الدقة والدقة والتذكر ودرجة F1 وAUC في مجموعة التدريب، حقق النموذج دقةً قدرها 99.65%، وكانت جميع درجات الدقة والتذكر وF1 99.65%. أما في مجموعة الاختبار المستقلة، فقد حقق النموذج دقةً قدرها 98.91%، وكانت جميع درجات الدقة والتذكر وF1 98.91%، مما يُعَدُّ مؤشرًا قويًا للتنبؤ بفئة القيمة السوقية للسيراميك.

وعلاوة على ذلك، يؤكد نموذج الانحدار الغابي العشوائي على تأثير تعقيد العملية على القيمة السوقية، كما أن منطق التقييم الخاص به يتوافق مع اتجاهات المزادات التاريخية.

الذكاء الاصطناعي يُمكّن الفرن من التنفس في العصر الرقمي

لم تتوقف تقنية الذكاء الاصطناعي عن إحداث تغيير جذري في صناعة الخزف والآثار الثقافية. في السابق، دفع نظام التعريف الذي ابتكره السنغافوري الصيني لي جيان تشن تصنيف الخزف، الذي كان يتطلب وقتًا وجهدًا كبيرين، إلى عصر التعريف السريع. يغطي النظام حوالي مليوني بيانات أثرية ثقافية. وبالمقارنة مع "الفحص البصري" التقليدي الذي يستغرق سنوات، فإن تقنية المسح متعدد الأطياف التي يستخدمها النظام تُكمل تحليل التأريخ بالاعتماد فقط على شكل فقاعة طلاء الخزف وعصر الصنع.

تجدر الإشارة إلى أن النظام قادر أيضًا على التقاط آثار الترميم الخفية من خلال التصوير الطيفي متعدد الوسائط. في مايو 2025، قام فريق لي جيان تشن بمسح ضوئي مصادفةً واكتشف آثار نقوش من سلالة سونغ الشمالية تحت طبقة تغطية "صورة أوائل الربيع" في متحف القصر الوطني في تايبيه، مما ضاعف القيمة السوقية للأثر الثقافي.

في عام ٢٠٢٤، تعاون مختبر الآثار بكلية الآثار والدراسات المتحفية بجامعة بكين مع شركة بكين ييجو للتكنولوجيا المحدودة لتطوير نظام تحليل إلكتروني لتتبع الخزفيات القديمة. يُذكر أن المشروع يغطي قاعدة بيانات لمكونات طلاء الخزفيات القديمة، بما في ذلك أكثر من ١٠٠ موقع أفران معروف، وقد جمع ما يقرب من مليون قطعة من بيانات العناصر الرئيسية والعناصر النزرة في الخزفيات. يتميز نظام الكشف الذكي المحمول بتقنية XRF للخزفيات القديمة، الذي طورته شركة ييجو للتكنولوجيا، بمزايا عدم الإتلاف، وسهولة الحمل، والسرعة، والدقة العالية، وقد استُخدم في العديد من المواقع الأثرية المهمة.

في الوقت الحاضر، يُطوّر الذكاء الاصطناعي باستمرار بيئة صناعة "المساومة القائمة على التجربة" في صناعة السيراميك، ويدفعها نحو نموذج قائم على الخوارزميات. إن اندماج الذكاء الاصطناعي والسيراميك هو تقنية ترث الحضارة وتُعيد تشكيلها. سيسمح نبض العصر الرقمي الجديد لموسيقى الخزف الألفية بالتقدم نحو بُعد مكاني-زماني أوسع.

روابط مرجعية:
1. https://www.prnewswire.com/apac/zh/news-releases/2025-302429982.html
2. https://www.sohu.com/a/913181430_121393815
3. https://www.sohu.com/a/199794691_687796
4. https://pff.szzit.cn/2d41
5. https://pff.szzit.cn/2d4A
6. https://ourl.cn/G2FTpz