于翔 沈美

【摘要】? ? 非物質(zhì)文化遺產(chǎn)的靈活與生動自然是承載當?shù)匚幕淖詈玫妮d體，也越來越受到社會各方面的重視。對非物質(zhì)文化遺產(chǎn)的傳承與保護研究，多以人文、藝術等學科的角度加以研究，卻很少利用信息技術。利用先進的信息技術，結合人文、藝術等學科，以新的角度及方法，創(chuàng)造性地開展、實現(xiàn)非物質(zhì)文化遺產(chǎn)的傳承與保護，是新技術在非物質(zhì)文化遺產(chǎn)保護領域研究工作的一項重要研究方向。本文以我國非物質(zhì)文化遺產(chǎn)之一----南通藍印花布為對象，利用深度學習、神經(jīng)網(wǎng)絡等人工智能技術與藝術、人文等學科相結合，對其紋樣進行分類，開展南通藍印花布紋樣數(shù)字化的分析、研究，不但為南通藍印花布紋樣的傳承與創(chuàng)新研究提供了新思路，而且也為其它非物質(zhì)文化遺產(chǎn)的傳承與保護探索出一條新的道路。

【關鍵詞】? ? 南通藍印花布? ? 深度學習? ? AlexNet? ? 圖像分類

引言

南通藍印花布作為我國最早成功申報的國家非物質(zhì)文化遺產(chǎn)項目之一。經(jīng)過數(shù)年的摸索、研究與實踐，工藝美術大師吳元新先生于1996年創(chuàng)辦全國第一家集收藏、展示、研究、傳承為一體的南通藍印花布博物館，并進行了大量的理論性研究與挖掘，收藏、整理出明清以來實物及圖片資料上萬件，保存的上萬的紋樣紙版，出版《中國藍印花布紋樣大全》藏品卷、紋樣卷等等;為保護傳統(tǒng)的藍印花布印染技藝，弘揚藍印花布夯實了理論基礎。

然而，種類繁多的藍印花布紋樣所承載的文化內(nèi)涵是什么？有什么美好的寓意？又該如何解讀？這些關鍵的內(nèi)容卻一直鎖在專家這個“深閨”內(nèi)，普通大眾只能從紋樣形狀去簡單了解！如何讓這些關鍵的內(nèi)容走出專家的“深閨”，走入普通大眾的這片沃土，顯然，數(shù)字技術是關鍵！其中，利用近年來快速發(fā)展的人工智能、機器學習等新技術，結合藝術、人文等其它學科來對其紋樣進行語義分析、整理并分類是是解決該問題的重要方向！例如趙海英、陳洪、 賈耕云等利用機器學習對民族文化圖案進行語義標注[1]、張浩、徐丹利用深度學習對少數(shù)民族繪畫進行情感分析[2]等等。因此，本文立足最新的人工智能、深度學習技術，首先對南通藍印花布紋樣從藝術、人文等學科多維度、多角度地分類、解讀、整理、分析后分割、提取并數(shù)字化，隨后利用深度學習中的AlexNet模型對其紋樣進行分類，實驗、分析并總結出南通藍印花布紋樣在AlexNet模型中不同學習率下的分類準確率，為我國傳統(tǒng)文化紋樣的傳承與保護盡一份綿薄之力，也為承載我國優(yōu)秀傳統(tǒng)文化的非物質(zhì)文化遺產(chǎn)——南通藍印花布的傳承與保護添磚加瓦。

一、相關工作

圖像的識別與檢測是機器視覺中很重要的一個分支。目前，這方面的研究與應用主要集中在人臉、文字等公共領域方面;而對于非遺中的個例--南通藍印花布紋樣，尤其是針對南通藍印花布紋樣的收集、整理訓練數(shù)據(jù)集，則仍處于空白階段！因此，在實地調(diào)研的基礎上，收集一手資料，通過對藍印花布的紋樣和素材進行數(shù)字化采集、整理、分析，并對其紋樣進行分類、整理后提取出紋樣，建立相關樣本數(shù)據(jù)后利用深度卷積CNN中的AlexNet網(wǎng)絡對紋樣數(shù)據(jù)進行分類實驗，最終確定相關實驗數(shù)據(jù)。

1.1 南通藍印花布紋樣數(shù)據(jù)收集、整理與分析

相關理論方面的研究。上世紀九十年代中期開始，我國工藝美術大師吳元新先生在南通創(chuàng)建全國首家集收藏、展示、研究、傳承為一體的南通藍印花布博物館，并進行了大量的理論性研究。例如整理收藏明清以來實物及圖片資料上萬件，保存的上萬的紋樣紙版，出版《中國藍印花布紋樣大全》藏品卷、紋樣卷等等;為保護傳統(tǒng)的藍印花布印染技藝，弘揚和傳承民間傳統(tǒng)藍印花布夯實了理論基礎。

在吳元新先生及南通藍印花布博物館努力支持的基礎之上，根據(jù)前面大量的理論分析與實踐研究，分別從色彩、題材、組織形式以及相對位置四個維度對南通藍印花布紋樣進行歸納與總結出藍印花布圖案的內(nèi)容形式一般分為以下三類：一是幾何紋樣，以幾何形體為基礎，通過變化組織而成。二是植物花卉紋樣，富有吉祥意義。三是動物紋樣[3]。圖1展示了這三類中的部分樣本。

1.2 南通藍印花布紋樣數(shù)據(jù)的處理

南通藍印花布紋樣數(shù)據(jù)的處理分為數(shù)據(jù)采集與清洗、數(shù)據(jù)提取與分類、數(shù)據(jù)增強、數(shù)據(jù)區(qū)分幾步。

1.2.1 南通藍印花布紋樣原始樣本數(shù)據(jù)采集與清洗

南通藍印花布紋樣數(shù)據(jù)是本研究的核心，也是對南通藍印花布紋樣數(shù)字化資源進行“立體式”分析的基礎與前提。因此，本文的數(shù)據(jù)采集是通過尼康D1500對南通藍印花布博物館館藏藍印花布實物進行拍攝后，形成5000多幅照片;隨后經(jīng)過專人的挑選，去除模糊、表面磨損、布匹折痕等問題照片后，最終以3000多幅照片做為南通藍印花布紋樣原始數(shù)據(jù)樣本。

1.2.2 南通藍印花布紋樣數(shù)據(jù)提取與分類

基于深度學習、神經(jīng)網(wǎng)絡等人工智能技術，對南通藍印花布紋樣大規(guī)模采樣后從藝術、人文等學科多角度、多維度地開展分析、提取、整理與歸類，明確紋樣與其承載的文化內(nèi)涵之間的關系，揭示紋樣與其承載的文化內(nèi)涵之間的關系，并最終提取南通藍印花布紋樣原始數(shù)據(jù)并分為10余個大類，80余小類。

1.2.3 南通藍印花布紋樣數(shù)據(jù)增強

數(shù)據(jù)增加是深度學習、神經(jīng)網(wǎng)絡等人工智能技術數(shù)據(jù)準備的重要技術手段。本課題對采集、分類后的南通藍印花布紋樣數(shù)據(jù)進行了基于深度學習的數(shù)據(jù)增強技術手段進行擴充，包括隨機的明亮度、飽和度、對比度以及色調(diào)調(diào)整，還有上下、左右、沿對角線的隨機翻轉(zhuǎn)和概率。最后對所得的數(shù)據(jù)歸一化為統(tǒng)一的224*224分辨率。

1.2.4 南通藍印花布紋樣數(shù)據(jù)區(qū)分

利用CNN進行分類的實驗數(shù)據(jù)必須劃分為訓練與驗證兩部分數(shù)據(jù)，使每個類別的數(shù)據(jù)在訓練與驗證部分都占有一定比例。本文中的樣本數(shù)據(jù)是按8：2的比例進行劃分的，即80%的數(shù)據(jù)用于訓練，其余20%用于驗證。在3000余張圖像中，大約有2400余張圖像用于訓練，600張圖像用于驗證。

二、卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡，簡稱 CNN，其最顯著的特點是局部感受野的特征;卷積神經(jīng)網(wǎng)絡由輸入層、卷積層、池化層以及全連接層主要的網(wǎng)絡層構成，另外還有有激活層、Dropout 層、局部正則化層等等[4]。20世紀90年代末，卷積神經(jīng)網(wǎng)絡最初被用來手寫字母的識別。2012 年 Krizhevsky 與 Hinton等人構建了深度卷積神經(jīng)網(wǎng)絡結構 AlexNet 并獲得了ILSVRC-2012圖片分類競賽的冠軍。[5]

2.1 AlexNet模型

AlexNet模型是2012 年 Krizhevsky 與 Hinton[5]等人提出，并在ImageNet圖像分類任務競賽中AlexNet一鳴驚人，對128萬張1000個分類的預測結果大大超過其他算法模型準確率。AlexNet一共有八層，前面5層是卷積層，后面3層是全連接層，整個網(wǎng)絡結構如圖2所示：

AlexNet是在LeNet的基礎上加深了網(wǎng)絡的結構，能夠?qū)W習更豐富更高維的圖像特征。其最突出的特點之一是針對sigmoid梯度飽和導致訓練收斂慢的問題引入了ReLU：f（x） = max（0， x）。ReLU是分段線性函數(shù);收斂速度比飽和激活函數(shù)快其函數(shù)圖像如圖3所示。

其次，相對于一般如線性模型使用正則的方法來防止模型過擬合，AlexNet模型使用Dropout隨機忽略一部分神經(jīng)元，從而有效地避免了模型的過擬合;防止神經(jīng)網(wǎng)絡的過擬合。最后，AlexNet使用雙GPU來訓練數(shù)據(jù)，提高了訓練速度。

三、訓練過程與結果分析

3.1 實驗環(huán)境及樣本準備

實驗操作平臺為 Ubuntu 18.04，64位操作系統(tǒng)，Inter Core i5 9600KF CPU， NVIDIA GTX TITAN GPU and 8 GB RAM，核 心 頻 率 1645～1785MHz，深度學習平臺采用Tensorflow 框架，數(shù)據(jù)可視化采用Tensorboard。

實驗中采用的原始藍印花布圖像共656張，包括植物紋樣如梅花、蘭花、竹子等;動物紋樣如蝙蝠、鳳凰、蝴蝶等;神話人物紋樣、幾何紋樣共3000余張，通過上述數(shù)據(jù)增強手段創(chuàng)建藍印花布紋樣樣本數(shù)據(jù)1萬余張。隨后將80%的共計約8000余張樣本做為訓練數(shù)據(jù)，20%約2000余張樣本做為驗證數(shù)據(jù)進行區(qū)分。部分樣本數(shù)據(jù)截圖如圖4所示：

3.2訓練過程及分析

在進行AlexNet網(wǎng)絡訓練時，每次隨機選擇200張圖像進行訓練，選擇200張圖像進行交叉驗證，在網(wǎng)絡優(yōu)化方法選定梯度下降法（Gradient Descent）的前提下，對比學習率分別為0.001與0.002下訓練損失值以及驗證準確率的變化趨勢，分別如圖5、圖6所示。

經(jīng)多次實驗后分別計算2種學習率下AlexNet模型的平均準確率分別為85.4%和89.7%。另外，根據(jù)訓練損失值和驗證準確率的變化趨勢數(shù)據(jù)可以看出， 南通藍印花布紋樣在學習率為0.002的AlexNet模型下，其訓練效果更為理想，對南通藍印花布紋樣的分類準確性更高。

四、結論

南通藍印花布做為我圖首批非物質(zhì)文化遺產(chǎn)，無論是理論方面，還是實踐方面，利用新技術實現(xiàn)傳承與創(chuàng)新不但對南通藍印花布，而且對其它非物質(zhì)文化遺產(chǎn)都具有重大意義。采用最新的深度學習技術，結合人文學科、藝術以及中國傳統(tǒng)文化對南通藍印花布紋樣進行高效分析是非常有必要的。然而，目前這方面的研究還很少，一方面原因是因為大部分的相關研究從人文學科的角度開始的，很少利用計算機技術結合人文學科對其研究[6];另一方面原因主要是對藍印花布紋樣的數(shù)據(jù)采集。現(xiàn)已查到的相關技術研究所采集的數(shù)據(jù)都主要來源于網(wǎng)絡，鮮有對藍印花布實物進行大規(guī)模數(shù)據(jù)采集，從而極大地限制了深度學習相關技術在藍印花布紋樣上的應用研究[7]。

本文在南通藍印花布博物館吳遠新老師大量的理論研究基礎上，直接采集南通藍印花布博物館館藏藍印花布實物照片，提取出大量的原始藍印花布數(shù)據(jù)。隨后利用數(shù)據(jù)增強的技術手段對所提取的紋樣數(shù)據(jù)進行擴充;最后利用深度學習中的AlexNet模型，明確梯度下降的優(yōu)化方法下，根據(jù)紋樣的文化內(nèi)涵特征，建立相應的數(shù)據(jù)樣本，并按8：2的比例區(qū)分為訓練樣本和驗證樣本;分析、比較不同學習率對南通藍印花布紋樣數(shù)據(jù)分類的影響，實驗最終表明在0.002的學習率下，AlexNet模型對南通藍印花布紋樣分類具有更高的準確性。

參? 考? 文? 獻

[1]趙海英， 陳洪， 賈耕云， 鄭橋.基于字典學習的民族文化圖案語義標注[J].中國科學，2019，49（2） ： 172–187

[2]張浩， 徐丹. 基于深度學習的少數(shù)民族繪畫情感分析方法[J].中國科學，2019，49（2）：204–215

[3]張鐘慧敏.藍白之美的藝術之魅—南通藍印花布紋樣特色淺析 [D].江蘇.蘇州：蘇州大學，2015，9

[4]張 琦 ， 張榮梅 ， 陳 彬. 基于深度學習的圖像識別技術研究綜述 [J].河北省科學院學報，2019，36（3）：28-36

[5] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks. In Proc. The 26th Annual Conference on Neural Information Processing Systems， December 2012， pp.1106-1114.

[6]魯東明、刁常宇、劉德智《文物數(shù)字化技術與應用》，第二屆中華文化遺產(chǎn)數(shù)字化及保護研討會，第27—36頁

[7]賈小軍，鄧洪濤，劉子豪，葉利華.基于VGGNet卷積神經(jīng)網(wǎng)絡的藍印花布紋樣分類 [J].光 電 子 · 激 光，2019，30（8）：867-875