基于深度学习技术的青铜器年代鉴别方法研究及应用.pdfVIP

摘要

古代青铜器作为人类文明发展的重要成果，在中国文化中扮演着不可或缺的角色，

为研究古史、汉字发展史、美术史以及青铜工艺提供了重要的实物资料。在漫长的历史

长河中，不同时代、不同地区、不同民族的青铜器特征和风格各有不同。因此，在研究

和应用青铜器资料探讨或解释社会历史背景、铸造技术等问题时，首要的任务是确定青

铜器的年代。本文的具体研究工作如下：

（1）构建高质量的古青铜器年代鉴别数据集。通过阅读大量历史文献，了解古青

铜器的发展历史与年代划分的研究史，确认数据集的年代划分区间。收集数据并将收集

到的数据集进行了类别统一，数据清洗去除重复、过于相似以及低质量的数据。对数据

进行了随机裁剪和随机水平旋转的图像增强，以加强网络模型的泛化能力。

（2）基线模型的选取与预训练参数的引入。首先，将所选的5个基线网络模型应

用至古青铜器数据集上，但其鉴别结果不佳。然后对5个基线模型引入预训练参数，其

鉴别精度得到了明显提升，通过精度对比，最终确定采用基于预训练参数的

EfficientNetV2模型作为此次研究的基线模型。

（3）引入FocalLossFunction以减小数据分布不均的影响。由于历史局限性，各年

代古青铜器的数量存在着显著差异，导致数据集中青铜器样本数量存在明显的不均衡情

况。为了克服这一问题，引入了FocalLoss作为损失函数的计算方法。在古青铜器数据

集上应用FocalLoss能够显著提高年代鉴别精度，使模型更好地适应不同年代古青铜器

的分布差异。

（4）引入Cosinclassifier算法与取消原始网络中的Dropout层。为了进一步优化网

络模型的分类性能，本文还引入了Cosinclassifier算法，取代了EfficientNetV2网络的

最后一层线性分类器。此外根据此算法能够更好地利用主干网络所提取到的特征进行年

代鉴别这一特性，为提升模型对特征的学习能力，取消原生模型中的Dropout层使得模

型能够学习到更多的特征。Dropout层与此分类算法两者的结合在古青铜器数据集上取

得了更优异的分类性能。深度学习技术的引入为古青铜器研究领域提供了有力的工具。

（5）将文中所提出的鉴别方法应用至目前仍存在争议的古青铜器样本上。基于深

度学习的青铜器年代鉴别算法为具有争议性文物的年代鉴别问题提供解决方案，以促进

对其历史、文化和工艺的更全面理解。通过在实际争议案例中的应用，旨在进一步确立

所提方法的鲁棒性和适用性，同时也为文物鉴别领域的方法创新提供实际案例。

关键词：图像处理；深度学习；青铜器；EfficientNetV2；年代鉴别

Abstract

Asanimportantachievementinthedevelopmentofhumancivilization,bronzewares

playsanindispensableroleinChineseculture.Itprovidessignificantmaterialresourcesforthe

studyofancienthistory,thedevelopmentofChinesecharacters,arthistory,andbronzetech-

nology.Throughoutthevasthistoricaltimeline,bronzewaresfromdifferenteras,regions,and

ethnicitiesexhibituniquecharacteristicsandstyles.Therefore,whenstudyingandutilizing

bronzewarestoexploreorinterpretsocialandhistoricalbackgrounds,castingtechniques,and

otherissues,theprimarytaskistodeterminetheageofthebronzewares.Thespecificresearch