HyperAI超神经

Bei der Frühjahrsauktion 2025 von Poly Auctions in Hongkong stieg der Schätzpreis für die „Qing Yongzheng Famille Rose und Emaille-Pflaume und Bambus-Frühlingsgeburtstagsschale“ auf über 8,8 Millionen HK-Dollar, und die „Ming Yongle blau-weiße Bambus-, Stein- und Bananenbild-Pflaumenvase“ wurde bei Christie's Frühjahrsauktion 2025 in Hongkong für den hohen Preis von 78,125 Millionen HK-Dollar verkauft. Zuvor war bei der Herbstauktion 2017 von Sotheby's in Hongkong das „Waschbecken mit Seladonglasur aus dem nördlichen Song Ru-Ofen“ nach über 30 Geboten für 260 Millionen HK-Dollar verkauft worden, nach Abzug der Provision für insgesamt 294 Millionen HK-Dollar. Den Zuschlag erhielt ein anonymer asiatischer Privatsammler, der damit den damaligen Weltauktionsrekord für chinesisches Porzellan brach.

Es ist nicht schwer zu erkennen, dass keramische Kulturgüter weltweit ein großes wirtschaftliches Potenzial aufweisen.Gleichzeitig hat Keramik alle Bereiche des Lebens der Menschen erobert. Neben gewöhnlichem Geschirr und Fliesen findet sie auch Eingang in elektronische Produkte, medizinische Geräte/Implantate usw. Statistiken zeigen, dass Chinas jährliche Produktion von Keramik für den täglichen Gebrauch zwischen 2017 und 2023 von 49,1 Milliarden Stück auf 67,9 Milliarden Stück steigen wird.Es wird erwartet, dass der globale Keramikmarkt weiterhin mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 4,41 TP3T wächst.Das anhaltende Wachstum des Handels mit Keramikrohstoffen hat zu einem enormen Bewertungsbedarf geführt, während traditionelle Methoden zur Klassifizierung von Keramik die Beteiligung von Laien an dieser Arbeit eingeschränkt haben.

Überprüfung der Forschungspraxis der Keramikklassifizierung,Herkömmliche Methoden zur Klassifizierung von Keramik weisen häufig Einschränkungen auf, beispielsweise mangelnde Anpassungsfähigkeit und Interpretierbarkeit.Die empirische Identifizierung basiert nicht auf einem einheitlichen quantitativen Standard und ist stark von der „Augenwissenschaft“ abhängig. Die Klassifizierung kann aufgrund unterschiedlicher Erkenntnisse ungenau sein. Dasselbe Keramikstück kann in den Händen verschiedener Fachleute große Wertunterschiede aufweisen, und die Identifizierung von Imitationen ist unzureichend.Genaue Identifizierungsmethoden wie Röntgenfluoreszenz, Thermolumineszenzdatierung und Spektralanalyse sind in hohem Maße auf komplexe Instrumente angewiesen.

Mit der rasanten Entwicklung der Deep-Learning- und Computer-Vision-Technologie wird die Keramikklassifizierung auf der Grundlage von Methoden wie Merkmalsextraktion, Bildsegmentierung und Bildverbesserung immer häufiger eingesetzt.Derzeit werden in der Forschung zur automatischen Klassifizierung von Keramik Convolutional Neural Networks (CNNs), Transfer Learning und Kapselnetzwerke eingesetzt, um Keramik automatisch anhand visueller Attribute zu analysieren.Sie beschränkt sich in der Regel auf die grundlegende Texturerkennung und hat Schwierigkeiten, kulturelle Faktoren, die die Bewertung beeinflussen, wie etwa die Geschichte und Ästhetik der Keramik, in den Berechnungsrahmen einzubeziehen. Gleichzeitig mangelt es an Klassifizierungswerkzeugen, die von nicht-professionellen Enthusiasten verwendet werden können.

In diesem ZusammenhangDas Forschungsteam der Universiti Putra Malaysia und der University of New South Wales Sydney hat gemeinsam ein intelligentes Framework auf Basis des YOLOv11-Modells vorgeschlagen, das hohe Vorhersageleistung und Interpretierbarkeit kombiniert.Kombination visueller Modellierung und wirtschaftlicher Argumentation zur automatischen Klassifizierung von Keramikartefakten und Schätzung ihres Marktwerts.Das verbesserte YOLOv11-Modell kann die handwerklichen Eigenschaften von Porzellan in den Random-Forest-Klassifikator eingeben und keramische Kulturgüter auf der Grundlage jahrelanger Auktionsdaten von Institutionen wie Christie’s, Sotheby’s, Poly Auctions und China Guardian bewerten.

Die Forschungsergebnisse wurden in Nature Partner Journals unter dem Titel „Integration von Deep Learning und maschinellem Lernen zur Klassifizierung keramischer Artefakte und zur Vorhersage des Marktwerts“ veröffentlicht.

Forschungshighlights:

* Entwicklung eines robusten, datengesteuerten Rahmens, der künstlerische Merkmale und Marktdaten integriert, um Keramikartefakte genau zu bewerten und so einen systematischeren und objektiveren Ansatz für die Klassifizierung und Bewertung von Keramik zu bieten;

* Die Leistung des YOLO-Modells beim Erkennen und Klassifizieren von Keramikarten wurde verbessert und die Ausgabe des YOLO-Modells bei nachfolgenden Bewertungsaufgaben zur Keramikklassifizierung optimiert.

* Durch die Kombination der vom YOLO-Modell extrahierten Merkmale mit strukturierten Auktionsdaten wird ein Random-Forest-Klassifikator zur Preisvorhersage verwendet, wodurch die Genauigkeit und Interpretierbarkeit der Vorhersageergebnisse verbessert wird.

Papieradresse:

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

Folgen Sie dem offiziellen Konto und antworten Sie mit „Keramik“, um das vollständige PDF zu erhalten

Weitere Artikel zu den Grenzen der KI: https://go.hyper.ai/owxf6

Dreistufige Integration: Datenannotation, Keramikklassifizierung und Preisprognose

Der in dieser Studie erstellte Klassifizierungsrahmen besteht aus drei aufeinanderfolgenden Phasen: Datenannotation, Keramikklassifizierung basierend auf dem YOLOv11-Modell und Preisvorhersage basierend auf dem Random-Forest-Regressionsmodell.

Flussdiagramm des Klassifizierungsrahmens

Datensatzannotation: Eine hybride Annotationslösung, die KI-Vorverarbeitung und Expertenkorrektur kombiniert

Diese Studie erstellte einen hochwertigen Keramikbilddatensatz basierend auf einem dreischichtigen Klassifizierungsrahmen für Keramik nach Form, Muster und Herstellungsprozess. Der Datensatz enthält 8.213 hochauflösende Bilder von 20 verschiedenen spezifischen Ofensystemen und Dekorationstechniken und ist im Verhältnis 7:2:1 in Trainingsdaten, Validierungsdaten und Testdaten unterteilt.

Bilddaten stammen hauptsächlich aus drei Kanälen:Die erste Gruppe umfasst Auktionshäuser wie Christie’s, Sotheby’s, Bonhams, China Guardian, Poly Auction und Beijing Rongbaozhai (42,61 TP3T, 3.500 Stücke); die zweite Gruppe umfasst Museen und Datenbanken für Kulturgüter (24,31 TP3T, 2.000 Stücke), darunter das Palastmuseum, das British Museum, das Metropolitan Museum of Art, das Nationalmuseum von China und die Datenbank des Internationalen Museumsrats; die dritte Gruppe umfasst Keramikkunstgeschäfte und vor Ort ausgestellte Fotografien (33,11 TP3T, 2.713 Stücke), hauptsächlich von Plattformen wie Taobao, Xianyu, Amazon, Pixabay, Wikimedia Commons und von privaten Sammlern.

Die Studie verwendete eine hybride Methode zur Datenerfassung, beispielsweise automatisiertes Web-Crawling mithilfe des Scrapy-Frameworks, um strukturierte Keramikbilddaten aus öffentlichen Datenbanken zu extrahieren.

In der Datensatzannotationsphase wird hauptsächlich eine Beschriftungsstrategie verwendet, die die automatische Erfassung durch KI und die Korrektur durch Experten kombiniert, um hochwertige Keramikbilddatensätze zu annotieren:

* KI-Vorkennzeichnung:Verwenden Sie das vortrainierte YOLO-Modell, um das Ausgangsmaterial zu erkennen und automatisch den Begrenzungsrahmen der Keramikkontur zu generieren.

* Manuelle Annotation und Überprüfung:Experten für Keramikidentifizierung und Datenforscher verwendeten das Tool LabelImg, um die Kennzeichnungsergebnisse zu optimieren und eine dreistufige Klassifizierung basierend auf Handwerksstil, Objektform und dekorativem Muster durchzuführen.

Um die Modellrobustheit weiter zu verbessern und die Generalisierungsfähigkeit zu bewerten, nutzte das Forschungsteam eine fünffache Kreuzvalidierung und K-Means-Clustering, um die Größe des Ankerkastens an verschiedene Keramikformen anzupassen und so die Erkennungsgenauigkeit zu verbessern. Der zyklische Lernratenplaner stabilisierte die Gradientenaktualisierung, und der frühzeitige Stoppmechanismus wurde mit dem Modellprüfpunkt kombiniert, um Überanpassung zu verhindern. Um die räumliche Generalisierungsfähigkeit zu verbessern, nutzte die Studie zur Verifizierung außerdem die Bildverbesserungstechniken Mosaic, GridMask und MixUp.

YOLOv11-Modell: Einführung des Aufmerksamkeitsmoduls zur Bildung eines Bewertungslogikmechanismus

Basierend auf dem von der KI vorverarbeiteten Datensatz klassifiziert das verbesserte YOLOv11-Modell Bilder nach Form, Muster und Herstellungsprozess der Keramik.Die verbesserte YOLOv11-Modellarchitektur integriert ein ResNet-Backbone-Netzwerk, mehrere Module zur Funktionserweiterung und einen für Keramikeigenschaften wie Muster, Form und Prozessstil optimierten Erkennungskopf.

Das verbesserte YOLOv11-Modell verwendet ResNet50 als Backbone-Netzwerk. Um die Darstellung keramischer visueller Merkmale und die Rechenleistung des Modells zu verbessern, wurden in dieser Studie drei Erweiterungsmodule in die Struktur eingeführt:

* C3k2-EIEM-Modul:Dieses Modul enthält drei Schlüsselkomponenten: Kanteninformationslernen, Erhaltung räumlicher Merkmale und Merkmalsfusionsstrategie. Es kann die Erkennung feinkörniger dekorativer Details wie Schnitzereien und Inschriften verbessern, indem es Kanteninformationen explizit erfasst und räumliche Details bewahrt, wodurch hochauflösende räumliche Details erhalten bleiben.

* Schnelles Spatial Pyramid Pooling (SPPF):Extrahieren Sie visuelle Merkmale von Keramik in verschiedenen Dimensionen, indem Sie ein mehrdimensionales Pooling durchführen.

* Bühnenübergreifender lokaler Aufmerksamkeitsmechanismus (C2PSA):Durch die adaptive Anpassung der Gewichte werden die Hintergrundstörungen des Bildes reduziert, wodurch der Fokus auf wichtige dekorative Bereiche gelegt und die Sensibilität des Modells für komplexe Verzierungen wie Unterglasurmalerei und Hohlschnitzereien verbessert wird.

Die Integration des Aufmerksamkeitsverbesserungsmoduls verbessert die Fähigkeit des Modells, hochwertige Merkmale von Keramik zu identifizieren. Um die Ausgabe der Klassifizierungsergebnisse mit der traditionellen Bewertungslogik zu verknüpfen, wurde in dieser Studie das Gradient Weighted Class Activation Mapping (Grad-CAM) eingeführt, um ein Visualisierungsbild des Aufmerksamkeitsmoduls zu generieren und dessen Wirksamkeit zu überprüfen.

Random-Forest-Regressionsmodell: Von visuellen Merkmalen zur monetären Wertermittlung

In der Preisprognosephase wurde ein Regressionsmodell auf Basis von Random Forest (RF) erstellt und eine klassifizierungsbasierte Preisprognosemethode angewendet, um den Sammlungswert von Keramikprodukten anhand der extrahierten visuellen Merkmale systematisch vorherzusagen. Der Klassifizierungsprozess der gesammelten visuellen Merkmale durch das Random-Forest-Regressionsmodell gliedert sich in vier Punkte:

* Kategoriemerkmale:One-Hot-Kodierung wird verwendet, um Klassifizierungsmerkmale wie dekorative Muster und Handwerksstile zu verarbeiten und visuelle Merkmale in maschinenlesbare Datenausdrücke umzuwandeln.

* Auktionspreisnormalisierung und Ausreißerverarbeitung:Die Transaktionspreise für keramische Kulturgüter der sechs großen Auktionshäuser von 2000 bis 2024 werden auf Basis historischer Wechselkurse und Verbraucherpreisindexdaten (VPI), die von internationalen Finanzdatenbanken wie der Weltbank und der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) veröffentlicht werden, in US-Dollar (USD) des Jahres 2024 umgerechnet und normiert. Die Interquartilsabstandsmethode (IQR) wird verwendet, um Ausreißer in den Auktionspreisdaten zu eliminieren.

* Quantitative Merkmale:Die unabhängigen Variablen Faktoren Form, dekoratives Muster und handwerkliche Komplexität sowie der abhängige Variable Faktor Preisspanne wurden einbezogen und alle quantitativen Merkmale wurden mithilfe der Minimum-Maximum-Skalierungsmethode normalisiert.

* Datenkodierung:Implementieren Sie eine strukturierte Datencodierungsstrategie mit One-Hot Encoding (OHE), um nicht numerische diskrete Werte in Binärwerte umzuwandeln, sodass sie von Regressionsmodellen erfasst werden können, ohne künstliche numerische Beziehungen einzuführen.

Beim Trainieren eines Regressionsmodells unterteilt das RF-Klassifizierungsmodell den Prozess in vier Phasen: Datenvorverarbeitung, Merkmalsextraktion, Ensemble-Training und Vorhersage.Während des Trainingsprozesses werden mehrere Entscheidungsbäume erstellt und jeder Entscheidungsbaum wird basierend auf einer Bootstrap-Stichprobe der Daten trainiert, um die Datenvarianz zu reduzieren.

Forschungsergebnisse: YOLOv11 und RF Dual-Drive, Modellbewertungsgenauigkeit verbessert

Die Studie bewertete die Leistung des verbesserten YOLOv11-Modells und des YOLOv11-Modells, führte eine 5-fache Kreuzvalidierung der verbesserten Funktionsmodule durch und bewertete die Bewertungslogik des Random-Forest-Regressionsmodells und seiner Leistungsindikatoren wie Genauigkeit.

Zunächst werden die Ergebnisse der Leistungsbewertung des verbesserten YOLOv11-Modells und des YOLOv11-Modells bei der Keramikklassifizierung gezeigt.Zu den wichtigsten Erkennungsindikatoren zählen die mittlere durchschnittliche Genauigkeit (mAP), der Rückruf, die Präzision und der beste F1-Wert (Best-F1). Experimentelle Ergebnisse zeigen, dass die Gesamterkennungsgenauigkeit des verbesserten YOLOv11-Modells verbessert, falsch-negative Erkennungen von Form- oder Glasurdetails reduziert und der beste F1-Wert durch 2% verbessert wurde. Obwohl die Genauigkeit leicht gesunken ist, wurde die Generalisierungsfähigkeit des Modells durch den Ausgleich falsch-positiver und falsch-negativer Ergebnisse verbessert.

Leistungsvergleich zwischen dem verbesserten YOLOv11-Modell und dem YOLOv11-Modell

Um die Robustheit und Generalisierbarkeit des durch C3k2-EIEM verbesserten YOLOv11-Modells sicherzustellen, wurde in der Studie eine fünffache Kreuzvalidierung durchgeführt. Die Ergebnisse zeigten, dass die verbesserten Funktionsmodule zu einer konsistenteren Klassifizierungsleistung beitragen.

Zu den Leistungsbewertungskriterien für Random-Forest-Regressionsmodelle gehören Genauigkeit, Präzision, Rückruf, F1-Score und AUC Im Trainingsdatensatz erreichte das Modell eine Genauigkeit von 99,651 TP3T, und die Werte für Genauigkeit, Rückruf und F1 lagen alle bei 99,651 TP3T. Im unabhängigen Testdatensatz erreichte das Modell eine Genauigkeit von 98,911 TP3T, und die Werte für Genauigkeit, Rückruf und F1 lagen alle bei 98,911 TP3T, was für die Vorhersage der Marktwertkategorie für Keramik robust ist.

ROC-Kurvenanalyse der Preisklassifizierung

Darüber hinaus betont das Random-Forest-Regressionsmodell die Auswirkungen der Prozesskomplexität auf den Marktwert und seine Bewertungslogik steht im Einklang mit historischen Auktionstrends.

Merkmalsrelevanz für die Preisklassifizierung im Random-Forest-Modell

KI ermöglicht es, das Ofenfeuer auch im digitalen Zeitalter weiter zu brennen

KI-Technologie hat die Keramik- und Kulturgüterindustrie stetig verändert. Das vom singapurischen Chinesen Li Jianchen entwickelte Identifikationssystem hat die zuvor zeit- und arbeitsintensive Keramikklassifizierung in das Zeitalter der Lichtgeschwindigkeitsidentifizierung geführt. Das System erfasst Daten zu rund zwei Millionen Kulturgütern. Im Vergleich zur jahrelangen Sichtprüfung durch traditionelle Gutachter ermöglicht die eingesetzte multispektrale Scantechnologie die Datierungsanalyse allein anhand der Blasenform der Keramikglasur und der Epoche der Herstellung.

Erwähnenswert ist, dass das System durch multimodale Spektralbildgebung auch versteckte Restaurierungsspuren erfassen kann. Im Mai 2025 scannte Li Jianchens Team zufällig Spuren von Inschriften aus der Nördlichen Song-Dynastie unter der Deckschicht des „Frühlingsbildes“ im Nationalen Palastmuseum in Taipeh und entdeckte sie. Der Marktwert des Kulturguts verdoppelte sich dadurch.

Im Jahr 2024 arbeiteten das Archäologische Labor der Fakultät für Archäologie und Museumskunde der Peking-Universität und die Beijing Yiju Technology Co., Ltd. zudem an der Entwicklung eines Online-Analysesystems zur Rückverfolgbarkeit antiker Keramik. Das Projekt umfasst eine Datenbank mit antiken Keramikglasurkomponenten, darunter über 100 bekannte Brennofenstandorte, und hat fast eine Million Daten zu keramischen Haupt- und Spurenelementen gesammelt. Das von Yiju Technology entwickelte tragbare, intelligente RFA-System zur Erkennung antiker Keramik zeichnet sich durch seine zerstörungsfreie, tragbare, schnelle und hochpräzise Arbeitsweise aus und wurde bereits an vielen bedeutenden archäologischen Stätten eingesetzt.

Derzeit sorgt KI für ständige Neuerungen in der Branchenökologie des „erfahrungsbasierten Verhandelns“ in der Keramik und fördert die Entwicklung hin zu einem algorithmusgesteuerten Modell. Die Kollision von KI und Keramik ist eine Technologie, die die Zivilisation erbt und neu gestaltet. Der neue Puls des digitalen Zeitalters wird es dem Millennium-Porzellan-Reim ermöglichen, sich in eine breitere Raum-Zeit-Dimension zu bewegen.