La Précision De l'évaluation Dépasse 99% ! Le Système Intelligent De Classification De La Céramique Basé Sur YOLOv11 Combine Modélisation Visuelle Et Analyse Économique Pour Classer Et Estimer La Valeur Des Reliques culturelles.

Lors de la vente aux enchères de printemps 2025 de Poly Auctions à Hong Kong, l'estimation du « bol de célébration d'anniversaire du début du printemps en porcelaine de prune et bambou, famille rose et émail Qing Yongzheng » a dépassé les 8,8 millions de dollars de Hong Kong, tandis que le « vase de prune, motif bambou, roche et banane, bleu et blanc Ming Yongle » a été adjugé au prix fort de 78,125 millions de dollars de Hong Kong lors de la vente de printemps 2025 de Christie's à Hong Kong. Auparavant, lors de la vente d'automne 2017 de Sotheby's à Hong Kong, le « vase à glaçure céladon du four Song Ru du Nord » avait été adjugé 260 millions de dollars de Hong Kong après plus de 30 enchères, pour un total de 294 millions de dollars de Hong Kong après commission. Il a été remporté par un collectionneur privé asiatique anonyme, battant ainsi le record mondial d'enchères pour une porcelaine chinoise à l'époque.

Il n’est pas difficile de voir que les reliques culturelles en céramique présentent un grand potentiel économique dans le monde entier..Parallèlement, la céramique a pénétré tous les aspects de la vie quotidienne. Outre la vaisselle et le carrelage, elle a également fait son entrée dans les domaines des produits électroniques, des dispositifs et implants médicaux, etc. Les statistiques montrent qu'entre 2017 et 2023, la production annuelle chinoise de céramiques d'usage quotidien passera de 49,1 milliards de pièces à 67,9 milliards de pièces.La taille du marché mondial de la céramique devrait continuer à croître à un taux de croissance annuel composé (TCAC) de 4,4%.La croissance continue du commerce des matières premières céramiques a entraîné d’énormes besoins d’évaluation, tandis que les méthodes traditionnelles de classification des céramiques ont limité la participation des non-professionnels à ce travail.

Examen de la pratique de recherche en matière de classification de la céramique,Les méthodes traditionnelles de classification de la céramique présentent souvent des limites telles que le manque d’adaptabilité et d’interprétabilité.L'identification empirique manque d'une norme quantitative unifiée et repose fortement sur la « science de l'œil ». La classification peut être floue en raison de différences cognitives. Une même pièce de céramique peut présenter une grande différence d'évaluation entre les mains de différents professionnels, et l'identification des imitations est insuffisante.L’identification précise, telle que la fluorescence X, la datation par thermoluminescence et l’analyse spectrale, dépend fortement d’instruments complexes.

Avec le développement rapide de la technologie d'apprentissage en profondeur et de vision par ordinateur, la classification de la céramique basée sur des méthodes telles que l'extraction de caractéristiques, la segmentation d'images et l'amélioration d'images devient de plus en plus courante.À l’heure actuelle, la recherche sur la classification automatique des céramiques a réalisé l’utilisation de réseaux de neurones convolutifs (CNN), d’apprentissage par transfert et de réseaux de capsules pour analyser automatiquement les céramiques à l’aide d’attributs visuels.Elle se limite généralement à une reconnaissance de texture de base et il est difficile d'intégrer dans le cadre de calcul les facteurs culturels qui influencent l'évaluation, tels que l'histoire et l'esthétique de la céramique. Parallèlement, on manque d'outils de classification utilisables par des amateurs non professionnels.

Dans ce contexte,L'équipe de recherche de l'Universiti Putra Malaysia et de l'Université de Nouvelle-Galles du Sud à Sydney a proposé conjointement un cadre intelligent basé sur le modèle YOLOv11 qui combine des performances prédictives et une interprétabilité élevées.Combinaison de modélisation visuelle et de raisonnement économique pour la classification automatique des objets en céramique et l'estimation de leur valeur marchande.Le modèle YOLOv11 amélioré peut saisir les attributs artisanaux de la porcelaine dans le classificateur de forêt aléatoire et valoriser les artefacts en céramique sur la base d'années de données d'enchères provenant d'institutions telles que Christie's, Sotheby's, Poly Auction et China Guardian.

Les résultats de la recherche ont été publiés dans Nature Partner Journals sous le titre « Intégration de l'apprentissage profond et de l'apprentissage automatique pour la classification des artefacts en céramique et la prédiction de la valeur marchande ».

Points saillants de la recherche :

* Un cadre robuste basé sur les données a été établi, capable d’intégrer les caractéristiques artistiques et les données du marché pour évaluer avec précision les artefacts en céramique, offrant une approche plus systématique et objective de la classification et de l’évaluation de la céramique ;

* Amélioration des performances du modèle YOLO dans la détection et la classification des types de céramique, et optimisation de la sortie du modèle YOLO dans les tâches d'évaluation ultérieures pour la classification de la céramique ;

* En combinant les caractéristiques extraites par le modèle YOLO avec des données d'enchères structurées, un classificateur de forêt aléatoire est utilisé pour prédire les prix, améliorant ainsi la précision et l'interprétabilité des résultats de prédiction.

Adresse du document :  

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

Suivez le compte officiel et répondez « céramique » pour obtenir le PDF complet

Autres articles sur les frontières de l'IA : https://go.hyper.ai/owxf6

Intégration en trois étapes : annotation des données, classification des céramiques et prévision des prix

Le cadre de classification construit dans cette étude comprend trois étapes consécutives : l'annotation des données, la classification des céramiques basée sur le modèle YOLOv11 et la prédiction des prix basée sur le modèle de régression de la forêt aléatoire.

Annotation de jeux de données : une solution d'annotation hybride de prétraitement de l'IA et de correction experte

Cette étude a permis d'établir un ensemble de données d'images céramiques de haute qualité, basé sur un cadre de classification céramique à trois couches, basé sur la forme, le motif et le procédé de fabrication. Cet ensemble de données contient 8 213 images haute résolution couvrant 20 systèmes de fours et techniques décoratives spécifiques. Il est divisé en données d'apprentissage, de validation et de test, dans un rapport de 7:2:1.

Les données d'image proviennent principalement de 3 canaux :La première est constituée de maisons de vente aux enchères telles que Christie's, Sotheby's, Bonhams, China Guardian, Poly Auction et Beijing Rongbaozhai (42.6%, 3 500 pièces) ; la deuxième est constituée de bases de données de musées et de reliques culturelles (24.3%, 2 000 pièces), notamment du Musée du Palais, du British Museum, du Metropolitan Museum of Art, du Musée national de Chine et de la base de données du Conseil international des musées ; la troisième est constituée de boutiques d'art en céramique et d'œuvres photographiques sur place (33.1%, 2 713 pièces), provenant principalement de plateformes telles que Taobao, Xianyu, Amazon, Pixabay, Wikimedia Commons et de collectionneurs privés.

L’étude a adopté une méthode de collecte de données hybride, telle que l’exploration Web automatisée à l’aide du framework Scrapy pour extraire des données d’images céramiques structurées à partir de bases de données publiques.

L'étape d'annotation des ensembles de données utilise principalement la stratégie d'étiquetage de la collecte automatique d'IA et de la correction experte pour annoter des ensembles de données d'images céramiques de haute qualité :

* Pré-étiquetage de l'IA :Utilisez le modèle pré-entraîné YOLO pour détecter le matériau initial et générer automatiquement le cadre de délimitation du contour de la céramique ;

* Annotation et vérification manuelles :Les experts en identification de céramique et les chercheurs de données utilisent l'outil LabelImg pour optimiser les résultats d'étiquetage et les classer en trois niveaux en fonction du style d'artisanat, de la forme de l'objet et du motif décoratif.

Afin d'améliorer la robustesse du modèle et d'évaluer sa capacité de généralisation, l'équipe de recherche a utilisé une validation croisée en cinq étapes et un clustering K-means pour optimiser la taille de la boîte d'ancrage et l'adapter à différentes formes de céramique, améliorant ainsi la précision de la détection. Le planificateur de taux d'apprentissage cyclique a été appliqué pour stabiliser la mise à jour du gradient, et le mécanisme d'arrêt précoce a été combiné au point de contrôle du modèle pour éviter le surapprentissage. Afin d'améliorer la capacité de généralisation spatiale, l'étude a également utilisé les techniques d'amélioration d'image Mosaic, GridMask et MixUp pour la vérification.

Modèle YOLOv11 : Présentation du module d'attention pour former un mécanisme logique d'évaluation

Sur la base de l'ensemble de données prétraitées par l'IA, le modèle YOLOv11 amélioré classera les images en fonction de la forme, du motif et du processus de production de la céramique.L'architecture améliorée du modèle YOLOv11 intègre un réseau fédérateur ResNet, plusieurs modules d'amélioration des fonctionnalités et une tête de détection optimisée pour les propriétés de la céramique telles que le motif, la forme et le savoir-faire.

Le modèle YOLOv11 amélioré utilise ResNet50 comme réseau principal. Afin d'améliorer l'expression des caractéristiques visuelles de la céramique et l'efficacité de calcul du modèle, cette étude a introduit trois modules d'amélioration dans la structure :

* Module C3k2-EIEM :Ce module comprend trois éléments clés : l'apprentissage des informations de contour, la préservation des caractéristiques spatiales et la stratégie de fusion des caractéristiques. Il permet d'améliorer la détection de détails décoratifs fins, tels que les gravures et les inscriptions, en capturant explicitement les informations de contour et en préservant les détails spatiaux, conservant ainsi les détails spatiaux haute résolution.

* Regroupement pyramidal spatial rapide (SPPF) :Extraire les caractéristiques visuelles de la céramique dans différentes dimensions en effectuant un regroupement multidimensionnel ;

* Mécanisme d'attention locale inter-étapes (C2PSA) :En ajustant les poids de manière adaptative, l'interférence d'arrière-plan de l'image est réduite, ce qui permet de se concentrer sur les zones décoratives clés et d'améliorer la sensibilité du modèle aux décorations complexes telles que la peinture sous glaçure et les sculptures creuses.

L'intégration du module d'amélioration de l'attention améliore la capacité du modèle à identifier les caractéristiques à forte valeur ajoutée des céramiques. Afin de lier les résultats de classification à la logique d'évaluation traditionnelle, cette étude a introduit la cartographie d'activation de classe pondérée par gradient (Grad-CAM) pour générer une image de visualisation du module d'attention et vérifier son efficacité.

Modèle de régression de forêt aléatoire : des caractéristiques visuelles à l'évaluation de la valeur monétaire

Lors de la phase de prévision des prix, l'étude a mis en place un modèle de régression basé sur la forêt aléatoire (RF) et adopté une méthode de prévision des prix par classification pour prédire systématiquement la valeur de collection des produits céramiques à partir des caractéristiques visuelles extraites. Le processus de classification des caractéristiques visuelles collectées par le modèle de régression par forêt aléatoire s'articule autour de quatre points :

* Caractéristiques de la catégorie :Le codage One-Hot est utilisé pour traiter les caractéristiques de classification telles que les motifs décoratifs et les styles d'artisanat, en convertissant les caractéristiques visuelles en expressions de données lisibles par machine.

* Normalisation des prix d'enchères et traitement des valeurs aberrantes :Les prix de transaction des reliques culturelles en céramique des six principales maisons de vente aux enchères entre 2000 et 2024 ont été convertis et normalisés en dollars américains (USD) de 2024, sur la base des taux de change historiques et des données de l'indice des prix à la consommation (IPC) publiées par des bases de données financières internationales telles que la Banque mondiale et l'Organisation de coopération et de développement économiques (OCDE). La méthode de l'écart interquartile (IQR) a été utilisée pour éliminer les valeurs aberrantes dans les données sur les prix des enchères.

* Caractéristiques quantitatives :Les facteurs variables indépendants de la forme, du motif décoratif et de la complexité de l'artisanat, ainsi que le facteur variable dépendant de la gamme de prix ont été inclus, et toutes les caractéristiques quantitatives ont été normalisées à l'aide de la méthode d'échelle minimum-maximum.

* Codage des données :Mettre en œuvre une stratégie de codage de données structurées à l'aide du codage One-Hot (OHE) pour convertir des valeurs discrètes non numériques en valeurs binaires afin qu'elles puissent être capturées par des modèles de régression sans introduire de relations numériques artificielles.

Lors de la formation d'un modèle de régression, le modèle de classification RF divise le processus en quatre étapes : prétraitement des données, extraction des caractéristiques, formation d'ensemble et prédiction.Au cours du processus de formation, plusieurs arbres de décision sont construits et chaque arbre de décision est formé sur la base d'un échantillon bootstrap des données pour réduire la variance des données.

Résultats de recherche : YOLOv11 et double entraînement RF, précision de l'évaluation du modèle améliorée

L'étude a évalué les performances du modèle YOLOv11 amélioré et du modèle YOLOv11, a effectué une validation croisée en 5 étapes sur les modules fonctionnels améliorés et a évalué la logique d'évaluation du modèle de régression de forêt aléatoire et ses indicateurs de performance tels que la précision.

Tout d'abord, les résultats de l'évaluation des performances du modèle YOLOv11 amélioré et du modèle YOLOv11 dans la classification des céramiquesLes principaux indicateurs de détection comprennent la précision moyenne (mAP), le rappel, la précision et le meilleur score F1 (Best-F1). Les résultats expérimentaux montrent que la précision globale de détection du modèle YOLOv11 amélioré a été améliorée, que les détections de faux négatifs de détails de forme ou de glaçure ont été réduites et que la meilleure valeur F1 a été améliorée par 2%. Bien que la précision ait légèrement diminué, la capacité de généralisation du modèle a été améliorée en équilibrant les résultats faux positifs et faux négatifs.

Pour garantir la robustesse et la capacité de généralisation du modèle YOLOv11 amélioré par C3k2-EIEM, une validation croisée en 5 étapes a été réalisée et les résultats ont montré que les modules fonctionnels améliorés ont permis d'obtenir des performances de classification plus cohérentes.

Les critères d'évaluation des performances du modèle de régression de forêt aléatoire comprennent l'exactitude, la précision, le rappel, le score F1 et l'AUC Sur l'ensemble d'entraînement, le modèle a atteint une précision de 99,65%, et les scores de précision, de rappel et de F1 étaient tous de 99,65%. Sur l'ensemble de test indépendant, le modèle a atteint une précision de 98,91%, et les scores de précision, de rappel et de F1 étaient tous de 98,91%, ce qui est robuste pour prédire la catégorie de valeur marchande de la céramique.

De plus, le modèle de régression de forêt aléatoire met l’accent sur l’impact de la complexité du processus sur la valeur marchande, et sa logique d’évaluation est cohérente avec les tendances historiques des enchères.

L'IA permet au feu de continuer à respirer à l'ère numérique

L'IA n'a cessé de transformer l'industrie de la céramique et des reliques culturelles. Le système d'identification créé par le Chinois d'origine singapourienne Li Jianchen a propulsé la classification des céramiques, autrefois chronophage et laborieuse, vers une identification ultra-rapide. Ce système couvre environ 2 millions de données de reliques culturelles. Comparée à l'« inspection visuelle » traditionnelle, qui prend des années, la technologie de balayage multispectral qu'il utilise permet une datation complète basée uniquement sur la forme des bulles de la glaçure céramique et l'époque de fabrication.

Il convient de noter que le système peut également capturer des traces cachées de restauration grâce à l'imagerie spectrale multimodale. En mai 2025, l'équipe de Li Jianchen a accidentellement scanné et découvert des traces d'inscriptions de la dynastie des Song du Nord sous la couche de couverture du « Tableau du début du printemps » au Musée national du Palais de Taipei, ce qui a doublé la valeur marchande de cette relique culturelle.

En 2024, le Laboratoire d'archéologie de l'École d'archéologie et de muséologie de l'Université de Pékin et Beijing Yiju Technology Co., Ltd. ont également collaboré au développement d'un système d'analyse en ligne pour la traçabilité des céramiques anciennes. Le projet couvrirait une base de données de composants de glaçure de céramiques anciennes, incluant plus de 100 sites de fours connus, et aurait permis de collecter près d'un million de données sur les éléments principaux et traces de céramiques. Le système intelligent de détection de céramiques anciennes par fluorescence X portable développé par Yiju Technology présente les avantages d'être non destructif, portable, rapide et d'une grande précision, et a été utilisé sur de nombreux sites archéologiques importants.

À l'heure actuelle, l'IA innove constamment dans l'écologie industrielle de la « négociation basée sur l'expérience » dans la céramique et encourage l'évolution de ce secteur vers un modèle basé sur les algorithmes. La collision entre l'IA et la céramique est une technologie qui hérite et remodèle la civilisation. La nouvelle impulsion de l'ère numérique permettra à la rime millénaire de la porcelaine d'évoluer vers une dimension spatio-temporelle plus large.

Liens de référence :
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