在保利香港拍賣 2025 春季拍賣會(huì)中，「清雍正粉彩及琺瑯彩梅竹先春祝壽圖碗」的拍賣估價(jià)飆破 880 萬(wàn)港幣，「明永樂(lè)青花竹石芭蕉圖梅瓶」更是在佳士得 2025 年香港春季拍賣會(huì)以 7812.5 萬(wàn)港幣的高價(jià)成交。此前，在 2017 年香港蘇富比的秋季拍賣會(huì)上，「北宋汝窯天青釉洗」在經(jīng)過(guò) 30 多次叫價(jià)后以 2.6 億港幣落槌，加上傭金后總計(jì)拍出了 2.94 億港幣的天價(jià)，被匿名亞洲私人藏家投得，刷新了當(dāng)時(shí)中國(guó)瓷器的世界拍賣紀(jì)錄。

不難窺見(jiàn)，陶瓷文物在全球范圍內(nèi)展現(xiàn)出巨大的經(jīng)濟(jì)潛力。與此同時(shí)，陶瓷也滲透到了人們生活的方方面面，除了常見(jiàn)的餐具、瓷磚之外，也走進(jìn)了電子產(chǎn)品、醫(yī)療器械/植入物等領(lǐng)域。統(tǒng)計(jì)數(shù)據(jù)顯示，自 2017 年至 2023 年，中國(guó)日用陶瓷年產(chǎn)量從 491 億件增長(zhǎng)到至 679 億件，全球陶瓷市場(chǎng)規(guī)模預(yù)估還將以 4.4% 的復(fù)合年增長(zhǎng)率（CAGR）繼續(xù)擴(kuò)大。陶瓷商品交易的持續(xù)增長(zhǎng)帶來(lái)了龐大的估值需求，而傳統(tǒng)的陶瓷分類方法卻限制了非專業(yè)人士參與這項(xiàng)工作。

回顧陶瓷分類的研究實(shí)踐，傳統(tǒng)陶瓷分類方法多存在缺乏適應(yīng)性和可解釋性等局限。經(jīng)驗(yàn)識(shí)別缺乏統(tǒng)一的量化標(biāo)準(zhǔn)，高度依賴「眼學(xué)」，可能因認(rèn)知差異的分歧導(dǎo)致分類模糊，同一件陶瓷在不同的專業(yè)人士手中可能出現(xiàn)大幅度的估值差異，同時(shí)對(duì)仿品的辨識(shí)度不足；而 X 射線熒光、熱釋光定年和光譜分析等精確識(shí)別高度依賴復(fù)雜儀器。

隨著深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展，基于特征提取、圖像分割和圖像增強(qiáng)等方法的陶瓷分類日益普遍。目前，對(duì)陶瓷自動(dòng)化分類的研究已實(shí)現(xiàn)利用卷積神經(jīng)網(wǎng)絡(luò)（CNNs）、遷移學(xué)習(xí)以及膠囊網(wǎng)絡(luò)，使用視覺(jué)屬性對(duì)陶瓷進(jìn)行了自動(dòng)化分析，通常局限于基本的紋理識(shí)別，難以將陶瓷的歷史、美學(xué)等影響估值的文化因素納入計(jì)算框架， 同時(shí)缺乏非專業(yè)愛(ài)好者可操作的分類工具。

在此背景下，馬來(lái)西亞博特拉大學(xué)研究團(tuán)隊(duì)聯(lián)合新南威爾士大學(xué)悉尼分校，基于 YOLOv11 模型共同提出了兼具高預(yù)測(cè)性能和可解釋性的智能框架，將視覺(jué)建模和經(jīng)濟(jì)推理相結(jié)合，用于陶瓷文物自動(dòng)分類及其市場(chǎng)價(jià)值估測(cè)。改進(jìn)后的 YOLOv11 模型能夠?qū)⒋善鞯墓に噷傩暂斎腚S機(jī)森林分類器，基于佳士得、蘇富比、保利拍賣和中國(guó)嘉德等機(jī)構(gòu)多年拍賣數(shù)據(jù)對(duì)陶瓷文物進(jìn)行估值。

該研究成果以「Integrating deep learning and machine learning for ceramic artifact classification and market value prediction」為題，發(fā)表于 Nature Partner Journals 。

研究亮點(diǎn):

* 建立了穩(wěn)健的數(shù)據(jù)驅(qū)動(dòng)框架，能夠整合藝術(shù)特征和市場(chǎng)數(shù)據(jù)準(zhǔn)確評(píng)估陶瓷文物，為陶瓷分類及估值提供更為系統(tǒng)客觀的方法；

* 增強(qiáng)了 YOLO 模型在檢測(cè)和分類陶瓷類型方面的性能，優(yōu)化 YOLO 模型在陶瓷分類后續(xù)估值任務(wù)中的輸出；

* 結(jié)合基于 YOLO 模型提取的特征和結(jié)構(gòu)化拍賣數(shù)據(jù)，使用隨機(jī)森林分類器預(yù)測(cè)價(jià)格，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性與可解釋性。

論文地址：  

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

關(guān)注公眾號(hào)，后臺(tái)回復(fù)「陶瓷」獲取完整 PDF

更多 AI 前沿論文： ??https://go.hyper.ai/owxf6??

三階段集成：數(shù)據(jù)標(biāo)注、陶瓷分類和價(jià)格預(yù)測(cè)

該研究建構(gòu)的分類框架包括 3 個(gè)連續(xù)階段：數(shù)據(jù)標(biāo)注、基于 YOLOv11 模型的陶瓷分類和基于隨機(jī)森林回歸模型的價(jià)格預(yù)測(cè)。

分類框架流程圖

數(shù)據(jù)集標(biāo)注：AI 預(yù)處理與專家修正的混合標(biāo)注方案

該研究基于形狀、紋樣和生產(chǎn)工藝的三層陶瓷分類框架建立了高質(zhì)量陶瓷圖像數(shù)據(jù)集。該數(shù)據(jù)集包含 8,213 張高分辨率圖像，圖像涵蓋了 20 種不同的特定窯系和裝飾技法風(fēng)格，并按照 7:2:1 的比例劃分為訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)。

圖像數(shù)據(jù)主要來(lái)自 3 個(gè)渠道：一是佳士得、蘇富比、邦瀚斯、中國(guó)嘉德、保利拍賣、北京榮寶齋等拍賣行（42.6%，3500 幅）；二是博物館及文物數(shù)據(jù)庫(kù)（24.3%，2000 幅），包括故宮博物院、大英博物館、大都會(huì)藝術(shù)博物館、中國(guó)國(guó)家博物館、國(guó)際博物館協(xié)會(huì)數(shù)據(jù)庫(kù)等；三是陶瓷藝術(shù)品商店及實(shí)地?cái)z影作品（33.1%，2713 幅），主要來(lái)源于淘寶、閑魚(yú)、亞馬遜、 Pixabay 、維基共享資源等平臺(tái)以及私人收藏家。

研究采用了混合數(shù)據(jù)采集方法，例如使用 Scrapy 框架進(jìn)行自動(dòng)化網(wǎng)頁(yè)抓取，從公共數(shù)據(jù)庫(kù)中提取結(jié)構(gòu)化陶瓷圖像數(shù)據(jù)。

數(shù)據(jù)集標(biāo)注階段主要采用 AI 自動(dòng)采集與專家修正的標(biāo)記策略，對(duì)高質(zhì)量的陶瓷圖像數(shù)據(jù)集進(jìn)行標(biāo)注：

* AI 預(yù)標(biāo)注：利用 YOLO 預(yù)訓(xùn)練模型對(duì)初始材料進(jìn)行檢測(cè)，自動(dòng)生成陶瓷輪廓的邊界框；

* 人工標(biāo)注與驗(yàn)證：由陶瓷鑒定專家和數(shù)據(jù)研究人員使用 LabelImg 工具優(yōu)化標(biāo)注結(jié)果，根據(jù)工藝風(fēng)格、器物形狀、裝飾圖案進(jìn)行三級(jí)分類。

工藝風(fēng)格分類

器物形狀分類

裝飾圖案分類

為了進(jìn)一步提高模型魯棒性并評(píng)估泛化能力，研究團(tuán)隊(duì)采用了 5 倍交叉驗(yàn)證，并且使用 K-means 聚類優(yōu)化錨框尺寸以適應(yīng)不同的陶瓷形狀，從而提高檢測(cè)精度。應(yīng)用循環(huán)學(xué)習(xí)率調(diào)度器（Cyclic Learning Rate Scheduler）來(lái)穩(wěn)定梯度更新，同時(shí)結(jié)合早停機(jī)制（Early Stopping）與模型檢查點(diǎn)（checkpointin）以防止過(guò)度擬合。為了增強(qiáng)空間泛化能力，研究還使用了 Mosaic 、 GridMask 和 MixUp 圖像增強(qiáng)技術(shù)進(jìn)行驗(yàn)證。

YOLOv11 模型：引入注意力模塊形成估價(jià)邏輯機(jī)制

在 AI 預(yù)處理的數(shù)據(jù)集基礎(chǔ)上，改進(jìn)后的 YOLOv11 模型將根據(jù)陶瓷的形狀、紋樣和生產(chǎn)工藝對(duì)圖像進(jìn)行分類。改進(jìn)后的 YOLOv11 模型架構(gòu)集成了 ResNet 主干網(wǎng)絡(luò)、多個(gè)特征增強(qiáng)模塊以及針對(duì)圖案、形狀和工藝風(fēng)格等陶瓷屬性優(yōu)化后的檢測(cè)頭（Detection Head）。

改進(jìn)后的 YOLOv11 模型架構(gòu)

改進(jìn)后的 YOLOv11 模型以 ResNet50 為主干網(wǎng)絡(luò)。為提升模型對(duì)陶瓷視覺(jué)特征的表達(dá)和計(jì)算效率，本研究在結(jié)構(gòu)上引入了 3 個(gè)增強(qiáng)模塊：

* C3k2-EIEM 模塊：該模塊包含邊緣信息學(xué)習(xí)、空間特征保留和特征融合策略三個(gè)關(guān)鍵組件，通過(guò)明確捕捉邊緣信息并保留空間細(xì)節(jié)，保留高分辨率空間細(xì)節(jié)，增強(qiáng)對(duì)雕刻、銘文等細(xì)粒度裝飾細(xì)節(jié)的檢測(cè)；

* 快速空間金字塔池化（SPPF）：通過(guò)執(zhí)行多維池化提取陶瓷不同維度下的視覺(jué)特征；

* 跨階段局部注意力機(jī)制（C2PSA）：通過(guò)自適應(yīng)調(diào)節(jié)權(quán)重減少圖片背景干擾，從而聚焦關(guān)鍵裝飾區(qū)域，增強(qiáng)模型對(duì)釉下彩繪、鏤空雕花等復(fù)雜裝飾的敏感度。

注意力增強(qiáng)模塊的集成提高了模型對(duì)陶瓷高價(jià)值特征的識(shí)別能力。為鏈接分類結(jié)果輸出和傳統(tǒng)估值邏輯，本研究引入了梯度加權(quán)類激活映射（Grad-CAM）生成注意力模塊的可視化圖像，驗(yàn)證注意力模塊的有效性。

隨機(jī)森林回歸模型：從視覺(jué)特征到貨幣價(jià)值評(píng)估

在價(jià)格預(yù)測(cè)階段，研究設(shè)置了一個(gè)基于隨機(jī)森林（RF）的回歸模型，并采用基于分類的價(jià)格預(yù)測(cè)方法，根據(jù)提取的視覺(jué)特征系統(tǒng)預(yù)測(cè)陶瓷制品的收藏價(jià)值。隨機(jī)森林回歸模型對(duì)所采集視覺(jué)特征的分類流程分為四點(diǎn)：

* 類別特征：對(duì)裝飾紋樣和工藝風(fēng)格等分類特征使用 One-Hot 編碼進(jìn)行處理，將視覺(jué)特征轉(zhuǎn)化為機(jī)器可讀的數(shù)據(jù)化表達(dá)。

* 拍賣價(jià)格歸一化與異常值處理：將六大拍賣行 2000 年至 2024 年的陶瓷文物交易價(jià)格均根據(jù)歷史匯率以及世界銀行、經(jīng)濟(jì)合作與發(fā)展組織（OECD）等國(guó)際金融數(shù)據(jù)庫(kù)公布的消費(fèi)者物價(jià)指數(shù)（CPI）數(shù)據(jù)，折算并歸一化為 2024 年的美元（USD），并采用四分位距（IQR）方法剔除拍賣價(jià)格數(shù)據(jù)中的異常值。

* 定量特征：納入形狀、裝飾紋樣和工藝復(fù)雜性的自變量因素，以及價(jià)格區(qū)間的因變量因素，所有定量特征均采用最小-最大縮放法進(jìn)行歸一化。

* 數(shù)據(jù)編碼：實(shí)施結(jié)構(gòu)化數(shù)據(jù)編碼策略，使用獨(dú)熱編碼（OHE）將非數(shù)值的離散值轉(zhuǎn)化為二進(jìn)制，使其能夠被回歸模型捕捉而無(wú)需引入人為的數(shù)值關(guān)系。

RF 分類模型在訓(xùn)練回歸模型時(shí)則將流程分為數(shù)據(jù)預(yù)處理、特征提取、集成訓(xùn)練和預(yù)測(cè)四個(gè)階段，在訓(xùn)練過(guò)程中構(gòu)建多個(gè)決策樹(shù)，每個(gè)決策樹(shù)都基于數(shù)據(jù)的引導(dǎo)樣本進(jìn)行訓(xùn)練，以降低數(shù)據(jù)方差。

隨機(jī)森林模型架構(gòu)

研究結(jié)果：YOLOv11 與 RF 雙驅(qū)，模型估值準(zhǔn)確率提升

研究將改進(jìn)后的 YOLOv11 模型與 YOLOv11 模型進(jìn)行了性能評(píng)估，并對(duì)增強(qiáng)的功能模塊進(jìn)行了 5 倍交叉驗(yàn)證，同時(shí)評(píng)估了隨機(jī)森林回歸模型的估值邏輯及其準(zhǔn)確率等性能指標(biāo)。

首先是改進(jìn)后的 YOLOv11 模型與 YOLOv11 模型在陶瓷分類方面的性能評(píng)估結(jié)果，關(guān)鍵檢測(cè)指標(biāo)包括平均準(zhǔn)確率（mAP）、召回率（Recall）、準(zhǔn)確率（Precision）和最佳 F1 得分（Best-F1）。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的 YOLOv11 模型整體檢測(cè)精度有所提高，減少了對(duì)形狀或釉面細(xì)節(jié)的假陰性檢測(cè)，最佳 F1 值提升 2% 。雖然準(zhǔn)確率略有下降，但通過(guò)平衡假陽(yáng)性和假陰性結(jié)果提升了模型的泛化能力。

改進(jìn)后的 YOLOv11 模型與 YOLOv11 模型性能比較

為確保 C3k2-EIEM 增強(qiáng)型 YOLOv11 模型的穩(wěn)健性和泛化能力，研究進(jìn)行了 5 倍交叉驗(yàn)證，結(jié)果表明，增強(qiáng)的功能模塊有助于實(shí)現(xiàn)更一致的分類性能。

交叉驗(yàn)證結(jié)果

隨機(jī)森林回歸模型性能評(píng)估標(biāo)準(zhǔn)包括準(zhǔn)確率、精確率、召回率、 F1 分?jǐn)?shù)和 AUC 。在訓(xùn)練集上，模型的準(zhǔn)確率達(dá)到 99.65%，準(zhǔn)確率、召回率和 F1 得分均為 99.65% 。在獨(dú)立測(cè)試集上，模型的準(zhǔn)確率為 98.91%，準(zhǔn)確率、召回率和 F1 得分也均為 98.91%，在預(yù)測(cè)陶瓷市場(chǎng)價(jià)值類別方面表現(xiàn)穩(wěn)健。

價(jià)格分類的 ROC 曲線分析

此外，隨機(jī)森林回歸模型強(qiáng)調(diào)工藝復(fù)雜性在市場(chǎng)價(jià)值上的影響，其估值邏輯與歷史拍賣趨勢(shì)一致。

隨機(jī)森林模型中價(jià)格分類的特征重要性

AI 賦能，在數(shù)字時(shí)代延續(xù)窯火呼吸

AI 技術(shù)對(duì)陶瓷和文物行業(yè)的重構(gòu)從未停止。此前，新加坡華人李鑒宸打造的鑒定系統(tǒng)，已推動(dòng)以往耗時(shí)耗力的陶瓷分類進(jìn)入了光速鑒定時(shí)代。該系統(tǒng)涵蓋了約 200 萬(wàn)件文物數(shù)據(jù)，其采用的多光譜掃描技術(shù)和傳統(tǒng)鑒定師的時(shí)以年計(jì)的「目測(cè)」相比，能夠僅根據(jù)陶瓷釉面的氣泡形態(tài)，對(duì)照時(shí)代工藝后即可完成斷代分析。

值得一提的是，該系統(tǒng)還能通過(guò)多模態(tài)光譜成像捕捉隱藏的修復(fù)痕跡。 2025 年 5 月，李鑒宸團(tuán)隊(duì)就意外掃描發(fā)現(xiàn)臺(tái)北故宮《早春圖》覆蓋層下的北宋題跋痕跡，使該文物的市場(chǎng)估值翻倍增長(zhǎng)。

2024 年，北京大學(xué)考古文博學(xué)院科技考古實(shí)驗(yàn)室與北京壹據(jù)技術(shù)有限公司還合作開(kāi)發(fā)了古陶瓷溯源在線分析系統(tǒng)。據(jù)悉，該項(xiàng)目覆蓋了包括 100 多處知名窯址在哪的的古陶瓷釉面成分?jǐn)?shù)據(jù)庫(kù)，收集了近百萬(wàn)條陶瓷主微量元素?cái)?shù)據(jù)，壹據(jù)技術(shù)開(kāi)發(fā)的手持式 XRF 古陶瓷智能檢測(cè)系統(tǒng)具有無(wú)損、便攜、快速、高準(zhǔn)確率等優(yōu)點(diǎn)，已在多個(gè)重要考古遺址使用。

目前，AI 正不斷革新陶瓷「經(jīng)驗(yàn)議價(jià)」的行業(yè)生態(tài)，推動(dòng)陶瓷向算法驅(qū)動(dòng)模式行進(jìn)。 AI 與陶瓷的碰撞，是一場(chǎng)技術(shù)對(duì)文明的承接與重塑，數(shù)字時(shí)代的全新脈動(dòng)，將讓千年瓷韻走向更廣闊的時(shí)空維度。

參考鏈接：
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??