[发明专利]一种铜镜文物识别系统和方法

权利要求书

1.一种铜镜文物识别系统，其总体框架包括数据层、分析层和业务层，所述数据层经由标注平台对铜镜文物真品库图片进行标注；所述分析层则对标注的数据集进行分类识别，将识别的多维度标注结果入库；所述业务层则在入库标注数据的基础上完成特征矩阵构建和神经网络模型的训练，从而构成完整的铜镜文物识别系统；

所述特征矩阵构建为：首先获取铜镜的图像数据，按照特征集进行分级灰度共生矩阵的构建，得到能够真实表达铜镜文物特征的矩阵；

所述神经网络模型的构建为：利用构建的铜镜特征矩阵，基于深度学习领域的经典卷积神经网络CNN模型，构建应用于铜镜识别的自反馈调参神经网络模型，即在模型应用过程中根据铜镜识别结果的反馈数据自动进行模型的参数调整，以得到最优的铜镜识别模型；

铜镜识别系统分为基于特征矩阵的对比识别模块和基于神经网络模型的铜镜识别模块；

基于特征矩阵的对比识别模块为：主要对铜镜进行浅层识别，基于铜镜真品库的显微特征库，然后将待识别铜镜的显微特征与其进行多维权重融合相似度计算，从而得到铜镜的识别结果；

基于神经网络模型的铜镜识别模块为：主要对铜镜进行深层识别，基于铜镜识别的自反馈调参神经网络模型搭建铜镜识别系统，对待识别铜镜的显微特征进行识别判断。

2.如权利要求1所述的铜镜文物识别系统，其特征在于，所述铜镜的图像数据，主要包括：

器型：圆型、方型、葵花型、菱花型、带柄型、异型；

工艺：错金银、鎏金、镂空、金银平脱、螺钿镶嵌；

纹饰：素面镜、山字镜、星云纹镜、连弧纹镜、神兽镜、规矩镜、画像镜、龙纹镜、车马镜、花鸟镜、商标镜、铭文镜。

3.如权利要求1所述的铜镜文物识别系统，其特征在于，将得到的铜镜特征集进行分级灰度共生矩阵的构建，其级数依赖于每个特征对于铜镜识别而言所占的比重，所占比重越大则级别越高；铜镜文物通过拍摄获取其显微特征，将其转换为特征表达矩阵，基于此矩阵进行灰度共生矩阵构建，在传统的构建方法基础上，加入级数调整，即每个特征的灰度计算结果与特征比重的平方相乘，并根据识别效果改变级数的灰度调整方法，最终得到特征矩阵。

4.如权利要求1所述的铜镜文物识别系统，其特征在于，神经网络模型的构建时，所述神经网络模型的训练分成多个阶段，在第一个阶段中，首先对CNN层进行训练，然后用第一阶段产生的方案对RPN网络进行训练，最后是ROI层得到训练的结果。

5.如权利要求4所述的铜镜文物识别系统，其特征在于，所述神经网络模型的训练利用铜镜真品库的数据对神经网络模型进行训练。

6.一种如权利要求1-5任一所述的铜镜文物识别系统的识别方法，其特征在于：

根据程序运行的识别参数进入对应的识别模块；如果是一级识别，即浅层识别，则根据设定的各维特征权重进行融合权重的相似度计算，计算双方为铜镜文物真品库特征矩阵和待识别的铜镜文物特征矩阵，相似度计算的公式为：

Sim(u，w)＝f(T₁)×CoSim(u₁，w₁)+f(T₂)×CoSim(u₂，w₂)+f(T₃)

×CoSim(u₃，w₃)

其中u，w为相似度对比的两个特征矩阵，f为特征权值函数，其构造方式可根据识别效果进行调整，T₁、T₂和T₃为3个特征权值，u₁、u₂和u₃为特征矩阵u的3个特征向量，w₁、w₂和w₃为特征矩阵w的3个特征向量，

如果是二级识别，即深层识别，则将待识别的铜镜文物图像输入到自反馈参数可调的学习模型中进行对象识别，接下来根据用户对识别结果的反馈进行更新系数的增减，如果更新系数增加到设定的阈值时，说明需要对识别算法进行调整，依此机制完成铜镜识别系统的自反馈优化。