HyperAI초신경

폴리 옥션 홍콩 2025년 봄 경매에서 "청용정 화백 장미 법랑 매화 죽초 초봄 생일 축하 그릇"의 예상 낙찰가는 880만 홍콩달러를 돌파했고, 크리스티 홍콩 2025년 봄 경매에서 "명용락 청화죽 석파도 매화병"은 7,812만 5천 홍콩달러라는 최고가에 낙찰되었습니다. 앞서 소더비 홍콩 2017년 가을 경매에서는 "북송여요 청자 유약 세면대"가 30여 건의 입찰 끝에 2억 6천만 홍콩달러에 낙찰되었으며, 수수료를 포함한 총 낙찰가는 2억 9,400만 홍콩달러였습니다. 익명의 아시아 개인 수집가가 이 세면대를 낙찰받으며 당시 중국 도자기 경매 최고가를 경신했습니다.

도자기 문화 유물이 전 세계적으로 큰 경제적 잠재력을 보여준다는 것을 보는 것은 어렵지 않습니다..동시에 세라믹은 사람들의 삶의 모든 측면에 깊이 파고들었습니다. 일반 식기와 타일 외에도 전자 제품, 의료 기기/임플란트 등 다양한 분야에 진출했습니다. 통계에 따르면 2017년부터 2023년까지 중국의 연간 생활용 세라믹 생산량은 491억 개에서 679억 개로 증가할 것으로 예상됩니다.글로벌 세라믹 시장 규모는 4.4%의 연평균 성장률(CAGR)로 계속 확대될 것으로 예상됩니다.도자기 상품 거래가 지속적으로 성장함에 따라 엄청난 가치 평가 요구가 발생했지만, 기존의 도자기 분류 방법으로는 비전문가가 이 작업에 참여하는 데 한계가 있었습니다.

세라믹 분류 연구 관행을 검토하면서,기존의 세라믹 분류 방법은 적응성과 해석성이 부족한 등의 한계가 있는 경우가 많습니다.경험적 감별은 통일된 정량적 기준이 부족하고 "시과학"에 크게 의존합니다. 인지 차이로 인해 분류가 모호할 수 있습니다. 같은 도자기 조각이라도 전문가마다 평가가 크게 다를 수 있으며, 모조품 감별도 불충분합니다.X선 형광분석, 열형광연대측정, 스펙트럼 분석 등의 정확한 식별은 복잡한 기기에 크게 의존합니다.

딥 러닝과 컴퓨터 비전 기술의 급속한 발전으로 특징 추출, 이미지 분할, 이미지 향상과 같은 방법을 기반으로 한 세라믹 분류가 점점 더 일반화되고 있습니다.현재, 도자기의 자동 분류에 대한 연구에서는 합성곱 신경망(CNN), 전이 학습 및 캡슐 네트워크를 사용하여 시각적 속성을 기반으로 도자기를 자동으로 분석하는 것이 실현되었습니다.일반적으로 기본적인 질감 인식에만 국한되며, 도자기의 역사와 미적 가치 등 가치 평가에 영향을 미치는 문화적 요소를 계산 체계에 통합하기 어렵습니다. 동시에, 비전문가도 쉽게 활용할 수 있는 분류 도구도 부족합니다.

이러한 맥락에서,말레이시아 푸트라 대학교와 뉴사우스웨일즈 시드니 대학교의 연구팀은 높은 예측 성능과 해석 가능성을 결합한 YOLOv11 모델을 기반으로 한 지능형 프레임워크를 공동으로 제안했습니다.시각적 모델링과 경제적 추론을 결합하여 도자기 유물을 자동으로 분류하고 시장 가치를 추산합니다.개선된 YOLOv11 모델은 도자기의 공예 속성을 랜덤 포레스트 분류기에 입력하고 크리스티, 소더비, 폴리 옥션, 차이나 가디언 등의 기관에서 수집한 수년간의 경매 데이터를 기반으로 도자기 문화 유물의 가치를 평가할 수 있습니다.

해당 연구 결과는 "도자 유물 분류 및 시장 가치 예측을 위한 딥 러닝과 머신 러닝 통합"이라는 제목으로 Nature Partner Journals에 게재되었습니다.

연구 하이라이트:

* 예술적 특징과 시장 데이터를 통합하여 도자기 유물을 정확하게 평가할 수 있는 강력한 데이터 기반 프레임워크가 구축되어 도자기 분류 및 가치 평가에 대한 보다 체계적이고 객관적인 접근 방식을 제공합니다.

* 세라믹 유형을 탐지하고 분류하는 YOLO 모델의 성능을 향상시키고, 세라믹 분류를 위한 후속 평가 작업에서 YOLO 모델의 출력을 최적화했습니다.

* YOLO 모델에서 추출한 특징을 구조화된 경매 데이터와 결합한 랜덤 포레스트 분류기를 사용하여 가격을 예측하고, 이를 통해 예측 결과의 정확도와 해석성을 향상시킵니다.

서류 주소:

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

공식 계정을 팔로우하고 "ceramics"라고 답글을 달면 전체 PDF를 받을 수 있습니다.

더 많은 AI 프런티어 논문: https://go.hyper.ai/owxf6

3단계 통합: 데이터 주석, 세라믹 분류 및 가격 예측

본 연구에서 구축한 분류 프레임워크는 데이터 주석, YOLOv11 모델을 기반으로 한 세라믹 분류, 랜덤 포레스트 회귀 모델을 기반으로 한 가격 예측의 세 단계로 구성됩니다.

데이터 세트 주석: AI 전처리와 전문가 수정의 하이브리드 주석 솔루션

본 연구는 형태, 무늬, 제작 공정을 기반으로 하는 3층 세라믹 분류 체계를 기반으로 고품질 세라믹 이미지 데이터셋을 구축했습니다. 이 데이터셋은 20가지의 특정 가마 시스템과 장식 기법을 포함하는 8,213개의 고해상도 이미지를 포함하고 있으며, 훈련 데이터, 검증 데이터, 테스트 데이터로 7:2:1의 비율로 구분됩니다.

이미지 데이터는 주로 3개 채널에서 나옵니다.첫 번째는 크리스티, 소더비, 본햄스, 차이나 가디언, 폴리 옥션, 베이징 룽바오자이 등의 경매장(42.6%, 3,500점)입니다. 두 번째는 고궁 박물관, 대영 박물관, 메트로폴리탄 미술관, 중국 국립 박물관, 국제 박물관 협의회 데이터베이스를 포함한 박물관 및 문화 유물 데이터베이스(24.3%, 2,000점)입니다. 세 번째는 도자 예술 상점과 현장 사진 작품(33.1%, 2,713점)으로 주로 타오바오, 셴위, 아마존, Pixabay, 위키미디어 커먼즈 등의 플랫폼과 개인 수집가를 통해 판매됩니다.

이 연구에서는 Scrapy 프레임워크를 사용한 자동 웹 크롤링과 같은 하이브리드 데이터 수집 방법을 채택하여 공공 데이터베이스에서 구조화된 세라믹 이미지 데이터를 추출했습니다.

데이터세트 주석 단계는 주로 AI 자동 수집 및 전문가 수정의 라벨링 전략을 사용하여 고품질 세라믹 이미지 데이터세트에 주석을 달습니다.

* AI 사전 라벨링:YOLO 사전 학습된 모델을 사용하여 초기 소재를 감지하고 세라믹 윤곽의 경계 상자를 자동으로 생성합니다.

* 수동 주석 및 검증:도자기 식별 전문가와 데이터 연구자는 LabelImg 도구를 사용하여 라벨링 결과를 최적화하고 제작 스타일, 물체 모양, 장식 패턴을 기준으로 세 가지 레벨로 분류합니다.

모델의 견고성을 더욱 향상시키고 일반화 능력을 평가하기 위해 연구팀은 5겹 교차 검증과 K-평균 군집화를 사용하여 다양한 세라믹 형태에 맞춰 앵커 박스 크기를 최적화함으로써 탐지 정확도를 향상시켰습니다. 그래디언트 업데이트를 안정화하기 위해 순환 학습률 스케줄러를 적용했으며, 과적합을 방지하기 위해 조기 중단 메커니즘을 모델 체크포인트와 결합했습니다. 공간 일반화 능력을 향상시키기 위해 Mosaic, GridMask, MixUp 이미지 향상 기법을 검증에 사용했습니다.

YOLOv11 모델: 평가 논리 메커니즘을 형성하기 위한 어텐션 모듈 소개

개선된 YOLOv11 모델은 AI가 사전 처리한 데이터 세트를 기반으로 도자기의 모양, 패턴, 생산 공정에 따라 이미지를 분류합니다.개선된 YOLOv11 모델 아키텍처는 ResNet 백본 네트워크, 여러 가지 기능 향상 모듈, 패턴, 모양, 공정 스타일과 같은 세라믹 속성에 최적화된 감지 헤드를 통합했습니다.

개선된 YOLOv11 모델은 ResNet50을 백본 네트워크로 사용합니다. 모델의 세라믹 시각적 특징 표현과 계산 효율을 개선하기 위해 본 연구에서는 구조에 세 가지 향상 모듈을 도입했습니다.

* C3k2-EIEM 모듈:이 모듈은 세 가지 핵심 구성 요소로 구성됩니다. 에지 정보 학습, 공간 특징 보존, 그리고 특징 융합 전략입니다. 에지 정보를 명확하게 포착하고 공간적 세부 정보를 보존함으로써 조각이나 비문과 같은 세밀한 장식적 세부 정보의 감지를 향상시킬 수 있습니다. 고해상도 공간적 세부 정보도 보존합니다.

* 빠른 공간 피라미드 풀링(SPPF):다차원 풀링을 수행하여 다양한 차원에서 세라믹의 시각적 특징을 추출합니다.

* 크로스 스테이지 로컬 주의 메커니즘(C2PSA):가중치를 적응적으로 조절함으로써 이미지의 배경 간섭이 줄어들어 주요 장식 영역에 초점을 맞추고 유약 아래 그림과 속이 빈 조각과 같은 복잡한 장식에 대한 모델의 민감도가 향상됩니다.

주의력 향상 모듈을 통합함으로써 모델의 세라믹 고부가가치 특징 식별 능력이 향상되었습니다. 분류 결과 출력과 기존 가치 평가 논리를 연계하기 위해, 본 연구에서는 Grad-CAM(Grad-Weighted Class Activation Mapping)을 도입하여 주의력 모듈의 시각화 이미지를 생성하고 주의력 모듈의 효과를 검증했습니다.

랜덤 포레스트 회귀 모델: 시각적 특징에서 화폐 가치 평가까지

가격 예측 단계에서는 랜덤 포레스트(RF) 기반 회귀 모델을 구축하고, 분류 기반 가격 예측 방법을 채택하여 추출된 시각적 특징을 기반으로 세라믹 제품의 수집 가치를 체계적으로 예측했습니다. 랜덤 포레스트 회귀 모델을 이용한 수집된 시각적 특징의 분류 과정은 네 가지 단계로 구분됩니다.

* 카테고리 특성:원핫 인코딩은 장식 패턴이나 공예 스타일과 같은 분류 특징을 처리하고 시각적 특징을 기계가 읽을 수 있는 데이터 표현식으로 변환하는 데 사용됩니다.

* 경매 가격 정규화 및 이상치 처리:2000년부터 2024년까지 6대 주요 경매기관에서 거래된 도자기 문화재의 거래 가격을 세계은행, 경제협력개발기구(OECD) 등 국제 금융 데이터베이스에서 발표하는 과거 환율 및 소비자물가지수(CPI) 데이터를 기반으로 2024년 미국 달러(USD)로 환산하여 정규화했습니다. 경매 가격 데이터의 이상치를 제거하기 위해 사분위수 범위(IQR) 방법을 사용했습니다.

* 양적 특성:독립변인으로는 모양, 장식 패턴, 공예의 복잡성을, 종속변인으로는 가격 범위를 포함하였고, 모든 양적 특성은 최소-최대 척도법을 사용하여 정규화하였다.

* 데이터 인코딩:OHE(One-Hot Encoding)를 사용하여 구조화된 데이터 인코딩 전략을 구현하여 수치적이지 않은 이산 값을 이진 값으로 변환하면 인위적인 수치적 관계를 도입하지 않고도 회귀 모델에서 해당 값을 포착할 수 있습니다.

회귀 모델을 학습할 때, RF 분류 모델은 프로세스를 데이터 전처리, 특징 추출, 앙상블 학습, 예측의 네 단계로 구분합니다.학습 과정에서 여러 개의 의사결정 트리가 구성되고, 각 의사결정 트리는 데이터 분산을 줄이기 위해 데이터의 부트스트랩 샘플을 기반으로 학습됩니다.

연구 결과: YOLOv11과 RF 듀얼 드라이브, 모델 평가 정확도 향상

본 연구에서는 개선된 YOLOv11 모델과 YOLOv11 모델의 성능을 평가하고, 향상된 기능 모듈에 대해 5겹 교차 검증을 수행하였으며, 랜덤 포레스트 회귀 모델의 평가 논리와 정확도 등의 성능 지표를 평가했습니다.

첫째, 개선된 YOLOv11 모델과 세라믹 분류에 대한 YOLOv11 모델의 성능 평가 결과핵심 탐지 지표에는 평균 정확도(mAP), 재현율, 정밀도, 그리고 최적 F1 점수(Best-F1)가 포함됩니다. 실험 결과에 따르면 개선된 YOLOv11 모델의 전반적인 탐지 정확도가 향상되었고, 모양이나 유약 세부 정보에 대한 거짓 음성 탐지가 감소했으며, 최적 F1 값이 2% 모델에 의해 향상되었습니다. 정확도는 다소 감소했지만, 거짓 양성과 거짓 음성 결과의 균형을 통해 모델의 일반화 능력이 향상되었습니다.

C3k2-EIEM으로 강화된 YOLOv11 모델의 견고성과 일반화 능력을 보장하기 위해 5겹 교차 검증을 수행했으며, 그 결과 강화된 기능 모듈이 더 일관된 분류 성능을 달성하는 데 도움이 된다는 것이 확인되었습니다.

랜덤포레스트 회귀모형의 성능평가 기준에는 정확도, 정밀도, 재현율, F1점수, AUC 등이 포함된다. 훈련 세트에서 모델은 99.65%의 정확도를 달성했으며, 정확도, 재현율, F1 점수는 모두 99.65%였습니다. 독립 테스트 세트에서 모델은 98.91%의 정확도를 달성했으며, 정확도, 재현율, F1 점수는 모두 98.91%였습니다. 이는 세라믹 시장 가치 범주를 예측하는 데 강건한 수치입니다.

또한 랜덤 포레스트 회귀 모델은 프로세스 복잡성이 시장 가치에 미치는 영향을 강조하며, 그 평가 논리는 과거 경매 추세와 일치합니다.

AI는 디지털 시대에도 가마 불이 계속 숨 쉬도록 돕습니다.

AI 기술은 도자기와 문화재 산업을 끊임없이 혁신해 왔습니다. 싱가포르계 중국인 리젠첸(Li Jianchen)이 개발한 식별 시스템은 이전에는 시간과 노동력이 많이 소요되던 도자기 분류를 광속 식별 시대로 끌어올렸습니다. 이 시스템은 약 200만 개의 문화재 데이터를 포괄합니다. 수년이 걸리는 기존 감정사의 "시각적 검사"와 달리, 이 시스템이 사용하는 다중 스펙트럼 스캐닝 기술은 도자기 유약의 기포 형태와 장인의 시대적 특징만을 기반으로 연대 측정을 완료할 수 있습니다.

이 시스템은 다중 모드 스펙트럼 이미징을 통해 숨겨진 복원 흔적을 포착할 수 있다는 점도 언급할 가치가 있습니다. 2025년 5월, 리젠천(Li Jianchen)의 연구팀은 우연히 타이베이 국립고궁박물원 소장품인 "초춘도(楚春圖)"의 덮개층 아래에서 북송 시대 비문의 흔적을 스캔하여 발견했는데, 이로 인해 해당 문화재의 시장 가치는 두 배로 상승했습니다.

2024년에는 베이징대학교 고고학박물관학원 고고학실험실과 베이징 이주 테크놀로지(Beijing Yiju Technology Co., Ltd.)가 협력하여 고대 도자기의 추적성을 위한 온라인 분석 시스템을 개발했습니다. 이 프로젝트는 100곳 이상의 유명 가마터를 포함한 고대 도자기 유약 성분 데이터베이스를 구축하고, 약 100만 개의 도자기 주성분 및 미량 원소 데이터를 수집한 것으로 알려졌습니다. 이주 테크놀로지가 개발한 휴대용 XRF 고대 도자기 지능형 검출 시스템은 비파괴, 휴대성, 속도, 정확도가 뛰어나며, 이미 여러 중요 고고학 유적지에 사용되고 있습니다.

현재 AI는 도자기 산업의 "경험 기반 협상" 생태계를 끊임없이 혁신하고 있으며, 도자기가 알고리즘 기반 모델로 나아가도록 촉진하고 있습니다. AI와 도자기의 충돌은 문명을 계승하고 재편하는 기술입니다. 디지털 시대의 새로운 흐름은 밀레니엄 도자기의 운율이 더 넓은 시공간적 차원으로 나아갈 수 있도록 할 것입니다.

참조 링크:
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