一种玉石器相似度分析方法及系统

1.本发明涉及数据分析领域，具体涉及一种玉石器相似度分析方法及系统。


背景技术：

2.目前在考古文博领域，对于器物形态学的对比依然局限于使用定性观察的手段，通过描述性的语言判断某地出土器物与其他遗址出土器物的相似性。然而，由于很多器物的形态并不规则，定性描述的标准也常因研究者而异，这导致对于同种器物的认识存在差别，所讨论的重点也不尽相同，在沟通与讨论时基于的是不同的标准。
3.此外，定性对比往往只能描述研究者自己认为重要部分的特征，而主观地忽略掉其他“不重要”的特征，器物完整的形态学信息其实并没有被完全记录，这有可能导致某些重要信息的缺失。上述问题都会导致对比结果的差异，进而影响对于文化起源、交流、传播的正确认识。
4.新玉石器时代的考古发现中，受当时人类生产能力和原材料利用的制约，生产的绝大部分玉玉石器形态都较为扁平，厚度远小于其长度。这些器物由于器身往往较薄，易于损毁。在墓葬中和具有毁器习俗的遗址中常以残损的形态保存。这一方面阻碍了对于这些器物的正确认知，也为后续开展与形态测量相关的研究造成了困难，不利于这些器物的数字化保存与分析现有器物的形态学对比仍然以定性的描述为主，缺少统一的或者定量的标准。


技术实现要素：

5.本公开的实施例的目的在于提供一种玉石器相似度分析方法及系统，通过收集量化的数据并进行数据分析对比，提高玉石器对比的精度和准确性。
6.为达上述目的，第一方面，本发明实施例提供了一种玉石器相似度分析方法，其包括：
7.通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；
8.利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；
9.根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全；
10.对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。
11.在一些可能的实施方式中，所述利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型的步骤包括：
12.提取样本数据库中已有类型中每一类型的特征中心，作为靶点特征；
13.提取目标玉石器的特征向量，计算待测玉石器与预设的各玉石器类型的靶点特征的余弦距离；
14.根据所述余弦距离，计算所述目标玉石器与每一类型的特征中心的形态相似度，
15.将相似度最高对应的类型作为所述目标玉石器的类型。
16.在一些可能的实施方式中，所述根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全的步骤包括：
17.计算所述目标玉石器的类型的完整器物与所述目标玉石器件的区域相似度；
18.在所述区域相似度大于第一预设阈值时，根据对应的完整器物的数据，对所述目标玉石器件进行形状补全。
19.在一些可能的实施方式中，所述根据对应的完整器物的数据，对所述目标玉石器件进行形状补全的步骤包括：
20.在完整器物的数据上对生成对抗网络进行预训练，所述生成对抗网络包括有生成器和鉴别器；
21.利用所述生成器对所述目标玉石器件进行复原，使所述生成器的生成结果能够混淆所述鉴别器；
22.利用所述对应的完整器物的数据优化所述鉴别器，使得所述鉴别器识别所述目标玉石器的残缺部分；
23.使所述目标玉石器的残缺部分与所述对应的完整器物对抗，进行形状补全。
24.在一些可能的实施方式中，所述对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度的步骤包括：
25.利用已训练的边缘提取网络模型提取所述目标玉石器的多维形态数据中图形数据的轮廓；
26.将标志点分配到所述目标玉石器的轮廓上；
27.利用几何形态学方法所述目标玉石器的轮廓上的标志点对应的特征进行分析，计算所述目标玉石器的形态相似度。
28.第二方面，本发明实施例提供一种玉石器相似度分析系统，其包括：
29.数据获取模块，用于通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；
30.类型识别模块，用于利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；
31.形状补全模块，用于根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全；
32.相似度分析模块，用于对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。
33.在一些可能的实施方式中，所述类型识别模块具体用于提取样本数据库中已有类型中每一类型的特征中心，作为靶点特征；提取目标玉石器的特征向量，计算待测玉石器与预设的各玉石器类型的靶点特征的余弦距离；根据所述余弦距离，计算所述目标玉石器与每一类型的特征中心的形态相似度，以及将相似度最高对应的类型作为所述目标玉石器的类型。
34.在一些可能的实施方式中，所述形状补全模块具体用于计算所述目标玉石器的类型的完整器物与所述目标玉石器件的区域相似度；以及在所述区域相似度大于第一预设阈
值时，在完整器物的数据上对生成对抗网络进行预训练，所述生成对抗网络包括有生成器和鉴别器；利用所述生成器对所述目标玉石器件进行复原，使所述生成器的生成结果能够混淆所述鉴别器；利用所述对应的完整器物的数据优化所述鉴别器，使得所述鉴别器识别所述目标玉石器的残缺部分；以及使所述目标玉石器的残缺部分与所述对应的完整器物对抗，进行形状补全。
35.在一些可能的实施方式中，所述相似度分析模块具体用于利用已训练的边缘提取网络模型提取所述目标玉石器的多维形态数据中图形数据的轮廓；将标志点分配到所述目标玉石器的轮廓上；利用几何形态学方法所述目标玉石器的轮廓上的标志点对应的特征进行分析，计算所述目标玉石器的形态相似度。
36.第三方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行所述的玉石器相似度分析方法。
37.本发明的玉石器相似度分析方法及系统，可以尽可能完整地采集并数字化玉石器信息，扩充数据库，便于器物的数字化和信息化留存，使用图像识别技术采集信息，并进行分类，对于残损的玉石器，基于机器学习原理进行补全，同时采用定量的统计学方法对这些多维数字信息进行分析，最终输出基于完全信息分析得到的可视化结果，增强不同文物间相似性对比和分类的精度与准确性。
附图说明
38.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1是根据本公开的实施例的玉石器相似度分析方法的流程图。
40.图2是根据本公开的实施例的玉石器相似度分析方法的原理图。
41.图3是根据本公开的实施例的玉石器相似度分析方法中标志点的示意图。
42.图4是根据本公开的实施例的玉石器相似度分析方法中几何形态学分析的示意图。
43.图5是根据本公开的实施例的玉石器相似度分析系统的结构示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.图1是根据本公开的实施例的玉石器相似度分析方法的流程图。如图1所示，该玉石器相似度分析方法包括：
46.步骤101：通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据。其中，图像采集装置包括但不限于三维表面扫描仪和/或数码相机。线性数据测量工具包括标尺，主要用于测量待测古玉器的长、宽、厚。
47.步骤102：利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型。其中，这个样本数据库指的是样本的几何形态数据库，包括长、宽、厚，以及根据统一标准得到的标志点(多维坐标)数据。已有类型为已经明确分类类别的器物，比如：戈、斧、璋、凿、锛、刀等。
48.步骤103：根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全。
49.步骤104：对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。
50.该形态相似度是经过几何形态学分析之后，得到的形态学空间面积重合程度。这个面积的重合程度，是不同类型玉石器的相似程度。这个相似程度的比较，主要是用于不同遗址同一类型器物的比较。
51.本实施例可以尽可能完整地采集并数字化玉石器信息，扩充数据库，便于器物的数字化和信息化留存，使用图像识别技术采集信息，并进行分类，对于残损的玉石器，基于机器学习原理进行补全，同时采用定量的统计学方法对这些多维数字信息进行分析，最终输出基于完全信息分析得到的可视化结果，增强不同文物间相似性对比和分类的精度与准确性。
52.如图2所示，上述该玉石器相似度分析方法还存在多种优选实施例：
53.具体地，步骤101具体可以包括：首先利用图像采集装置将器物的轮廓进行数字化，在设备中建立古玉器上、下、左、右、前、后六个方向的图形数据集，也即图2中的标号1；并且进行线性变量(例如长、宽、高、厚等)的测量以及比例型数据(例如长宽比、长厚比)的计算。本实施例中的线性变量为长18cm，宽5cm，厚1cm。这些图形数据和测量值构成多维形态数据库的基础。上述数据将通过网络存储于服务器中参与构成数据库，也即图2中的标号2。该数据库可以叫做样本数据库，指的就是采集的各种信息。测量和比例计算的是一部分，后面进行标志点选取之后得到的坐标数据也是这个数据库的一部分。
54.具体操作时，将图像采集装置架设在可移动的滑轨上，可以从各个角度对古玉器进行拍照。拍照时附带比例尺，将比例尺与待拍摄玉石器共同采集。可以通过图像识别的方式进行线性变量的测量。具体实施细节包括：通过设备搭载的数码相机对古玉石器和比例尺一同照相，对获得的照片进行图像识别，分别将古玉石器的轮廓和比例尺区分开，并且根据比例尺的长度，测算古玉石器的长、宽、高。基于深度学习算法，对比例尺进行识别，并以此为基准，对古玉器的长、宽、厚等指标进行测量。根据测量结果，进行长宽比，长厚比等比例型变量的计算。将图形数据、测量值和计算得到的变量数值上传至数据库(即为样本数据库)，作为基础资料。
55.具体地，步骤102具体可以包括：基于图像识别原理，采用以深度小样本学习为基础的古玉器分类方法，将采集到的图形数据与数据库中已有的器物类型进行对照，实现对新增器物的自动分类。对于不确定分类的器物，可以根据数据库中已有的记录，对新增器物分类的可能结果做出判断(输出最相近的某种器物类型的概率)，也即图2中的标号3。
56.具体计算流程包括：先提取已有器物的每一类的特征中心(每一类指的是设备中已经记录过的类型特征中心和余弦距离)，作为靶点；新的器物到来时，先提取新的器物的特征向量，与所有的靶点特征做余弦距离；然后再归一化(也即采用广义普卢克斯方法，将
新器物的特征向量进行缩放、旋转、平移等操作，使其特征中心重合且各靶点特征余弦距离之和最小)作为新增器物到每类特征中心的相似性数值，并给出相似性数值，以百分比表示(即，与xxx器物存在xx％的形态相似度)，并将可能归入的那类器物的代表与新增器物同时展示，便于设备使用者观察和判断。最终的分类结果由专业人员进行判断，并且向设备输入人工判断的分类结果。该结果可作为训练数据参与到之后的图像识别分类中。
57.具体地，步骤103具体可以包括：在建立有足够充足数据库的基础上，能够对残缺不全的器物进行复原，也即图2中的标号4。当设备采集到残缺不全的器物时，可以根据区域匹配一致性的方法，计算残缺器物与数据库中完好器物的区域相似度。当残缺器物与选择的完好器物所有区域的相似程度达到预定阈值时，参考该完整器物的形象对残缺部分进行补全。具体可以采用深度生成对抗网络进行补全。具体而言，首先在完好器物数据上对生成对抗网络(包含有生成器和鉴别器)进行预训练。其次利用生成器对残缺器物进行复原，即将残缺部分补全形成一个完整的玉石器，使之生成结果能够混淆鉴别器，也即让鉴别器将补全后的玉石器认定为真正完整的玉石器。再次利用选择的完好器物数据优化鉴别器，采用提高细节分辨能力的方式，使得鉴别器能够有效地发现器物的残缺部分，最终通过二者对抗，以微调的方式得到复原结果。可复原的残缺包括缺角、残缺但是对称的纹饰。该复原结果一方面可纳入数字库，在经过专业人员审核确认的基础上成为进一步强化机器学习的训练数据集，另一方面可作为文物修复时的参考。
58.具体地，步骤104中的标志点的自动点选和几何形态学分析可以分别参考图3以及图标号4。如图3所示，在建立有一定数量的数据库后，可调用采集的多维形态学数据，根据分析精度要求进行标志点选择。首先，在已有数据库上进行一定数量的标注，描绘出所期望的器物轮廓信息。其次，利用该数据训练边缘提取网络模型。根据输入标志点数量，先利用已训练的边缘提取网络模型提取图形数据的轮廓，再把标志点分配到整个器物的轮廓上。标志点的选取通常为古玉器轮廓各边界上的等分点(例如三等分点、四等分点、五等分点等)。使用几何形态学方法进行定量的形态学比较，对已提取的数据标志点特征进行数据降维，抽取出主要信息进行分析和对比，即进行以主成分分析，将分析结果用于可视化不同器物形态的相似或差异程度。其中，图3中数字标号1-21即几何形态学标志点的序号，在该示例中展示了器物的器身、阑部和柄部的共21个几何形态学标志点。
59.几何形态学方法是一种针对图形相似程度进行可视化的方法。首先将标志点进行广义普鲁克变换，即将特征点数据集统一至坐标原点，然后通过缩放和旋转操作，使得各数据集中对应位置数据点之间的距离总和最小，从而实现去除大小影响，仅进行形态对比的目的。主成分分析法是一种统计学手段，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析的呈现结果和用xy轴表示的数据效果相同，可以清晰地看出各样品的标志点之间的远近关系，即不同样品之间的相似程度。
60.如图4所示，结合足够多数量的标本进行几何形态学分析，可视化不同文化同一器型的相似程度。基于深度近邻方法，计算出不同类型的古玉器之间重叠的几何形态面积s_{overlap}以及不同类型古玉器各自的几何形态面积s1，s2，并以此作为不同器物类型之间的形态相似度其中，图4中的横纵坐标指的是主成分1和主成分
2，是对标志点(如图3中标记的1-21)进行降维操作后的结果。主成分分析是设法将原来众多具有一定相关性(比如此处有21个标志点)，重新组合成一组新的互相无关的综合指标来代替原来的指标。主成分分析是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
61.此案例中，原本21个标志点，每个点的数据即代表一个维度。本例中相当于有了21个维度。但是人类能直观认知的维度只有三维，于是通过主成分分析的方式，将这21维表达的空间投影在二维空间内，得到的反映信息最多的那两道“影子”就是主成分1(pc1)和主成分2(pc2)。这两个主成分没有实际的意义，它们分别含有全部数据信息的一部分。pc1和pc2是包含信息最多的那两个部分。
62.本实施例通过进行高效多维形态学数据采集，提取古玉器尽可能完整的、数字化的形态学信息；基于图像识别技术，判断可能属于哪一种器物类型，即依据与数据库中已有器物类型(完整)的对比，判断采集的图像数据应当对应何种器形分类。采用的方法包括深度小样本学习为基础的古玉器分类方法，如果难以判断，则给出最相近的某种器物类型的概率。依据和数据库中已有该器物类型的对比，判断扫描的器物是否完整，若确定为残损，则对残损的古玉玉石器执行残存部分进行补全(含玉器形态轮廓和表面纹饰)。通过自动完成几何形态学分析中标志点选取的工作，避免人工采集时的误差和大数据量时工作效率低的问题，通过图像识别的技术，自动完成线性变量测量、分类、推断残缺部位并复原、几何形态学对比，提高分析精度和效率；结合了图像识别技术，在完成多维数据采集后可自动进行，并集成了多种可以配合使用硬件及软件，有助于标准化数据的快速获取和数据库的建立。
63.图5是根据本公开的实施例的玉石器相似度分析系统的结构图。图1-图4所示的实施例可以用于解释本实施例。如图5所示，一种玉石器相似度分析系统，包括：
64.数据获取模块501，用于通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；
65.类型识别模块502，用于利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；
66.形状补全模块503，用于根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全；
67.相似度分析模块504，用于对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。
68.优选地，所述类型识别模块502具体用于提取样本数据库中已有类型中每一类型的特征中心，作为靶点特征；提取目标玉石器的特征向量，计算待测玉石器与预设的各玉石器类型的靶点特征的余弦距离；根据所述余弦距离，计算所述目标玉石器与每一类型的特征中心的形态相似度，以及将相似度最高对应的类型作为所述目标玉石器的类型。
69.所述形状补全模块503具体用于计算所述目标玉石器的类型的完整器物与所述目标玉石器件的区域相似度，也即几何形态面积的重叠比例；以及在所述区域相似度大于第一预设阈值时，在完整器物的数据上对生成对抗网络进行预训练，所述生成对抗网络包括有生成器和鉴别器；利用所述生成器对所述目标玉石器件进行复原，使所述生成器的生成
结果能够混淆所述鉴别器；利用所述对应的完整器物的数据优化所述鉴别器，使得所述鉴别器识别所述目标玉石器的残缺部分；以及使所述目标玉石器的残缺部分与所述对应的完整器物对抗，进行形状补全。
70.所述相似度分析模块504具体用于利用已训练的边缘提取网络模型提取所述目标玉石器的多维形态数据中图形数据的轮廓；将标志点分配到所述目标玉石器的轮廓上；利用几何形态学方法所述目标玉石器的轮廓上的标志点对应的特征进行分析，计算所述目标玉石器的形态相似度。
71.本实施例通过进行高效多维形态学数据采集，提取古玉器尽可能完整的、数字化的形态学信息；基于图像识别技术判断采集的图像数据应当对应何种器形分类。依据和数据库中已有该器物类型的对比，判断扫描的器物是否完整，若确定为残损，则对残损的古玉玉石器执行残存部分进行补全。通过自动完成几何形态学分析中标志点选取的工作，避免人工采集时的误差和大数据量时工作效率低的问题。通过图像识别的技术，自动完成线性变量测量、分类、推断残缺部位并复原、几何形态学对比，提高分析精度和效率。结合了图像识别技术，在完成多维数据采集后可自动进行，并集成了多种可以配合使用硬件及软件，有助于标准化数据的快速获取和数据库的建立。
72.具体地，本发明还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行上述的玉石器相似度分析方法。
73.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
74.虽然本技术提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
75.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
76.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
77.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
78.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种玉石器相似度分析方法，其特征在于，包括：通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器进行形状补全；对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。2.根据权利要求1所述的玉石器相似度分析方法，其特征在于，所述利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型的步骤包括：提取样本数据库中已有类型中每一类型的特征中心，作为靶点特征；提取目标玉石器的特征向量，计算待测玉石器与预设的各玉石器类型的靶点特征的余弦距离；根据所述余弦距离，计算所述目标玉石器与每一类型的特征中心的相似度，将相似度最高对应的类型作为所述目标玉石器的类型。3.根据权利要求2所述的玉石器相似度分析方法，其特征在于，所述根据所述样本数据库中属于所述目标玉石器类型的完整器物的数据，对所述目标玉石器件进行形状补全的步骤包括：计算所述目标玉石器的类型的完整器物与所述目标玉石器件的区域相似度；在所述区域相似度大于第一预设阈值时，根据对应的完整器物的数据，对所述目标玉石器件进行形状补全。4.根据权利要求3所述的玉石器相似度分析方法，其特征在于，所述根据对应的完整器物的数据，对所述目标玉石器件进行形状补全的步骤包括：在完整器物的数据上对生成对抗网络进行预训练，所述生成对抗网络包括有生成器和鉴别器；利用所述生成器对所述目标玉石器件进行复原，使所述生成器的生成结果能够混淆所述鉴别器；利用所述对应的完整器物的数据优化所述鉴别器，使得所述鉴别器识别所述目标玉石器的残缺部分；使所述目标玉石器的残缺部分与所述对应的完整器物对抗，进行形状补全。5.根据权利要求4所述的玉石器相似度分析方法，其特征在于，所述对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度的步骤包括：利用已训练的边缘提取网络模型提取所述目标玉石器的多维形态数据中图形数据的轮廓；将标志点分配到所述目标玉石器的轮廓上；利用几何形态学方法对所述目标玉石器的轮廓上的标志点对应的特征进行分析，计算所述目标玉石器的形态相似度。
6.一种玉石器相似度分析系统，其特征在于，包括：数据获取模块，用于通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；类型识别模块，用于利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；形状补全模块，用于根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全；相似度分析模块，用于对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。7.根据权利要求6所述的玉石器相似度分析系统，其特征在于，所述类型识别模块具体用于提取样本数据库中已有类型中每一类型的特征中心，作为靶点特征；提取目标玉石器的特征向量，计算待测玉石器与预设的各玉石器类型的靶点特征的余弦距离；根据所述余弦距离，计算所述目标玉石器与每一类型的特征中心的形态相似度，以及将相似度最高对应的类型作为所述目标玉石器的类型。8.根据权利要求7所述的玉石器相似度分析系统，其特征在于，所述形状补全模块具体用于计算所述目标玉石器的类型的完整器物与所述目标玉石器件的区域相似度；以及在所述区域相似度大于第一预设阈值时，在完整器物的数据上对生成对抗网络进行预训练，所述生成对抗网络包括有生成器和鉴别器；利用所述生成器对所述目标玉石器件进行复原，使所述生成器的生成结果能够混淆所述鉴别器；利用所述对应的完整器物的数据优化所述鉴别器，使得所述鉴别器识别所述目标玉石器的残缺部分；以及使所述目标玉石器的残缺部分与所述对应的完整器物对抗，进行形状补全。9.根据权利要求8所述的玉石器相似度分析系统，其特征在于，所述相似度分析模块具体用于利用已训练的边缘提取网络模型提取所述目标玉石器的多维形态数据中图形数据的轮廓；将标志点分配到所述目标玉石器的轮廓上；利用几何形态学方法所述目标玉石器的轮廓上的标志点对应的特征进行分析，计算所述目标玉石器的形态相似度。10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1-5中的任一项所述的玉石器相似度分析方法。

技术总结
本公开提供一种玉石器相似度分析方法及系统，该方法包括：通过图像采集装置以及线性数据测量工具获取目标玉石器的多维形态数据；利用预设的深度学习模型以及样本数据库中已有类型，对所述多维形态数据学习分类得到所述目标玉石器的类型；根据所述样本数据库中属于所述目标玉石器的类型的完整器物的数据，对所述目标玉石器件进行形状补全；对补全后的所述目标玉石器自动标定，并根据标定结果进行几何形态学分析，计算所述目标玉石器的形态相似度。度。度。


技术研发人员：鲁昊 付宛璐 柴珺
受保护的技术使用者：北京师范大学
技术研发日：2023.06.06
技术公布日：2023/9/20