原創(chuàng)性聲明

?

本人鄭重聲明：本人所呈交的畢業(yè)論文是本人在指導教師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。本人完全意識到本聲明的法律后果由本人承擔。

?

?

論文作者簽名：??????????????日期： ?年 ?月 ?日

?

目??錄

1引言

1.1 研究意義

1.2 國內(nèi)外研究現(xiàn)狀

1.3 本文主要工作

2相關(guān)理論

2.1 圖像特征提取

2.2 卷積神經(jīng)網(wǎng)絡(luò)

2.3 神經(jīng)網(wǎng)絡(luò)的接口—Keras

3基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

3.2 圖像預處理

3.3 Relu激活函數(shù)

3.4 優(yōu)化器和損失函數(shù)

3.5 Softmax激活函數(shù)

4算法實驗

4.1 軟硬件環(huán)境

4.2 算法評價指標

4.3 數(shù)據(jù)集

4.4 實驗及實驗結(jié)果分析

5結(jié)束語

參考文獻

致謝

摘 ?要：中國古代壁畫是我國文化遺產(chǎn)的重要組成部分，記錄著各個時代的宗教信仰和社會生活等內(nèi)容，具有豐富的文化內(nèi)涵。隨著數(shù)字化壁畫圖像越來越豐富，如何從海量資源中找到研究者所需素材是一個亟待解決的問題。古代壁畫識別是指利用計算機技術(shù)對壁畫圖像進行分類和標注，從而更好地管理、保護和研究古代壁畫。本研究提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法。該方法通過對古代壁畫的圖像進行預處理和特征提取，然后將其輸入卷積神經(jīng)網(wǎng)絡(luò)中進行訓練和分類。實驗結(jié)果表明，本研究的方法均能夠獲得較好的分類效果。為了驗證該算法的可行性及優(yōu)越性，本次實驗采用了來自八個不同朝代的古代壁畫數(shù)據(jù)庫進行實驗。實驗結(jié)果證明，本研究得到的方法具有較高的分類準確度和穩(wěn)定性。綜上所述，研究提出的基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法為古代壁畫的保護和研究提供了新思路和方法，具有一定的實際意義和應(yīng)用價值。

關(guān)鍵詞：古代壁畫朝代分類；卷積神經(jīng)網(wǎng)絡(luò)；圖像識別

Research on the Classification Method of Ancient Mural Dynasties Based on Convolutional Neural Network

Abstract:Ancient Chinese murals are an important component of China's cultural heritage, recording religious beliefs and social life in various eras, and possessing rich cultural connotations. With the increasing abundance of digital mural images, it is an urgent problem to find the materials needed by researchers from massive resources. Ancient mural recognition refers to the use of computer technology to classify and annotate mural images, in order to better manage, protect, and study ancient murals. This article proposes a method for classifying ancient mural dynasties based on convolutional neural networks. This method preprocesses and extracts features from ancient mural images, and then inputs them into a convolutional neural network for training and classification. The experimental results show that all the methods proposed in this thesis can achieve good classification results. To verify the feasibility and superiority of this algorithm, we conducted experiments using ancient mural databases from eight different dynasties. The experimental results demonstrate that the method proposed in this thesis has high classification accuracy and stability. In summary, the classification method of ancient mural dynasties based on convolutional neural networks proposed in this article provides new ideas and methods for the protection and research of ancient murals, and has certain practical significance and application value.

Keywords:Ancient mural dynasty classification;Base volume network;Image recognition

1引言

古代壁畫是現(xiàn)在研究歷史文明和藝術(shù)的重要資料之一，尤其是在考古領(lǐng)域中，壁畫常?？梢蕴峁┱滟F的歷史信息。然而，由于歷史的長河和文化的多元性，古代壁畫也呈現(xiàn)出了很多不同的樣貌和特點。因此，對壁畫進行分類和整理，不僅有助于更好地了解古代文化和藝術(shù)，還能夠幫助現(xiàn)代人更好地保護和傳承這些文化遺產(chǎn)。

目前，對古代壁畫的分類主要依靠人工鑒定和專家經(jīng)驗，這種方式費時費力，而且結(jié)果可能受到主觀因素的影響。隨著深度學習的不斷發(fā)展進步，卷積神經(jīng)網(wǎng)絡(luò)作為一種強大的圖像處理工具被廣泛應(yīng)用于圖像分類任務(wù)。相比于傳統(tǒng)的機器學習算法，CNN具有自動特征提取、逐層抽象和高準確率等優(yōu)勢，可以有效地學習和提取圖像的特征信息，從而使得圖像分類更加準確和可靠。

本論文旨在探討基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法，通過實驗驗證，希望證明使用卷積神經(jīng)網(wǎng)絡(luò)進行古代壁畫朝代分類的可行性，并提出優(yōu)化方法以進一步提高分類準確度，為古代壁畫的保護和研究提供新思路和方法。

1.1?研究意義

古代壁畫的朝代分類方法是研究古代藝術(shù)和文化的重要手段。在過去，壁畫的朝代分類主要依據(jù)歷史記載、風格差異和題材等方面進行判斷。然而，隨著時代的變遷和考古技術(shù)的不斷發(fā)展，這種傳統(tǒng)分類方法存在一些問題。近年來，隨著科技進步，許多新的技術(shù)被應(yīng)用于壁畫的研究中，如放射性碳同位素測年、X射線熒光光譜分析以及紅外線成像等。這些技術(shù)的出現(xiàn)，為壁畫研究提供了更加準確和可靠的數(shù)據(jù)支持，從而推動了古代壁畫朝代分類方法的研究。當前，基于科技手段的壁畫研究已經(jīng)成為一個重要的研究領(lǐng)域。研究者們利用各種技術(shù)手段對壁畫進行仔細的分析和研究，結(jié)合歷史地圖、文物編年和器物標本等資料，逐步建立了一套相對完善的朝代分類方法。

基于人工智能的壁畫研究是近年來迅速發(fā)展的一個研究領(lǐng)域。古代壁畫朝代分類方法也不例外，人工智能技術(shù)在其中的應(yīng)用已逐漸成為一種趨勢。目前，基于人工智能的壁畫分類主要利用計算機視覺技術(shù)和深度學習算法進行分析和研究。這些技術(shù)可以實現(xiàn)對大量壁畫數(shù)據(jù)進行自動化處理和分類，從而提高研究效率和準確性，同時也節(jié)省了研究者的時間和精力。在具體實踐中，基于人工智能的壁畫朝代分類主要依靠圖像特征提取和機器學習算法。通過對圖像的顏色、紋理、形狀等特征進行提取，再結(jié)合訓練好的神經(jīng)網(wǎng)絡(luò)模型進行分類和識別。這種方法可以有效地區(qū)分不同朝代的壁畫，同時也可以在一定程度上減少主觀因素對分類結(jié)果的影響。

1.2 國內(nèi)外研究現(xiàn)狀

隨著人工智能的不斷進步，對于古代壁畫的研究越來越先進，并且取得了不錯的成果。其中較為重要的就是對于古代壁畫的修復，而本研究要介紹的是人工智能對古代壁畫的分類。人工智能技術(shù)的不斷進步，對古代壁畫的研究變得更加先進和深入。其中一個重要的應(yīng)用是利用人工智能來對古代壁畫進行分類。已經(jīng)有多種方法被提出，包括卷積神經(jīng)網(wǎng)絡(luò)、膠囊網(wǎng)絡(luò)、遷移學習等等。《Chronological classification of ancient paintings using appearance and shape features》與《Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes》的方法均使用卷積神經(jīng)網(wǎng)絡(luò)CNN對壁畫圖像進行分類[1]。唐大偉等采用多實例分組的分類方法，通過對樣本空間的劃分和個子空間的訓練對壁畫的風格進行有效的分類[2]。

總之，基于人工智能的壁畫朝代分類方法是一種新興的研究方向，其應(yīng)用使得壁畫研究更加高效和準確。這些方法在壁畫分類方面取得了顯著的成果，可以增強壁畫研究的效率和準確性。隨著人工智能技術(shù)的不斷發(fā)展和完善，這種方法在壁畫研究領(lǐng)域?qū)懈鼜V泛的應(yīng)用。

1.3 本文主要工作

第一章：引言。提出了基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法，探討利用深度學習技術(shù)提高古代壁畫分類準確度的可行性。為古代壁畫研究提供思路和方法。

第二章：相關(guān)理論。主要介紹了圖像特征提取，卷積神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)接口。

第三章：基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法。介紹了本算法卷積網(wǎng)絡(luò)結(jié)構(gòu)，算法使用的各種函數(shù)，以及對算法實現(xiàn)進行介紹。

第四章：算法實驗。從準確率，平均精確率，平均召回率，F1值的等方面對不同數(shù)量的訓練集和測試集進行實驗對比分析。

第五章：結(jié)束語?？偨Y(jié)論文工作。

?

2相關(guān)理論

2.1 圖像特征提取

壁畫分類不同于普通圖片的分類，直接對整幅圖像進行分類很難保證分類結(jié)果的正確性。因此，本研究選取最為常見的人物形象對壁畫分類，并通過人體檢測和圖像分割技術(shù)從壁畫中分割出人物形象。接著，根據(jù)這些人物形象的特征進行分類，需要提取出圖像中的顏色、輪廓、紋理等特征。首先，從圖像中提取顏色特征。顏色是構(gòu)成紋理、輪廓等其他特征的基礎(chǔ)，是構(gòu)成圖像的實體部分，也是人觀察識別圖像的主要參考標準之一[3]。采用RGB空間和HSV空間來描述顏色特征，并選擇顏色直方圖、顏色相關(guān)圖和顏色矩等方法來量化顏色特征的表達。其次，提取圖像的紋理特征和輪廓特征。紋理和輪廓是構(gòu)成圖像的重要視覺元素，能夠表現(xiàn)出圖像的局部細節(jié)和整體結(jié)構(gòu)。采用小波變換和Gabor濾波器來提取圖像紋理特征，采用邊緣檢測算法和形態(tài)學運算來提取圖像輪廓特征。最后，通過對圖像提取的顏色、紋理和輪廓等特征進行向量化處理，得到特征向量，并利用分類算法來進行分類。采用支持向量機（SVM）算法來進行壁畫分類，并通過實驗驗證了方法的有效性和可行性。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種被廣泛應(yīng)用于圖像處理與識別領(lǐng)域的深度學習模型。它能夠自動學習和提取圖像特征，因此受到了廣泛的關(guān)注和應(yīng)用。CNN最早可以追溯至1980年代，當時主要用于語音信號識別。但是由于硬件條件較差，網(wǎng)絡(luò)規(guī)模較小，無法在復雜任務(wù)中應(yīng)用。2006年，Hinton等人提出了深度置信網(wǎng)絡(luò)，重新引起了人們對深度學習的關(guān)注。同年，LeCun等人在論文中描述并使用了現(xiàn)在常用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱之為LeNet-5，并成功地應(yīng)用于手寫數(shù)字識別。

2012年，Alex Krizhevsky等人提出了名為AlexNet的CNN模型，并在ImageNet Large Scale Visual Recognition Challenge競賽上取得了非常好的成績，證明深度學習在圖像處理領(lǐng)域具有重要性并帶動了深度學習的熱潮。之后，又相繼出現(xiàn)了VGG、GoogLeNet、ResNet等一系列經(jīng)典CNN模型。CNN不斷獲得新的理論成果和技術(shù)突破，如Dropout技術(shù)用于緩解過擬合問題、Batch Normalization技術(shù)用于加快網(wǎng)絡(luò)收斂速度、Depthwise Separable Convolution技術(shù)用于減少CNN參數(shù)量等。這些技術(shù)的應(yīng)用不僅提高了CNN的性能，而且也豐富了其應(yīng)用場景。

隨著GPU計算能力的增強和深度學習框架的逐漸成熟，CNN的訓練效率也有了很大提升?，F(xiàn)在，使用TensorFlow、PyTorch等深度學習框架構(gòu)建、訓練和部署CNN模型已變得輕松便捷。

總之，從最初的DBN到如今的各種經(jīng)典CNN模型，CNN的發(fā)展歷程凝聚了眾多學者的智慧和努力。隨著深度學習技術(shù)的不斷成熟和硬件條件的不斷提高，CNN在圖像處理領(lǐng)域的應(yīng)用前景將會更加廣闊。

2.3 神經(jīng)網(wǎng)絡(luò)的接口—Keras

Keras是一個高層次的神經(jīng)網(wǎng)絡(luò)API，基于Python語言實現(xiàn)，能夠在TensorFlow、CNTK或Theano之上運行。它被廣泛用于深度學習領(lǐng)域，以快速構(gòu)建和測試各種神經(jīng)網(wǎng)絡(luò)模型。

1. keras.models：該庫包含了各種預定義的神經(jīng)網(wǎng)絡(luò)模型，例如Sequential、Model等。這些模型可以通過添加各種層來進行自定義，也可以使用已有的權(quán)重進行預測。

2. keras.layers：該庫包含了各種不同類型的層，例如全連接層(Dense)、卷積層(Conv2D)、池化層(MaxPooling2D)等。你可以使用這些層構(gòu)建自己的神經(jīng)網(wǎng)絡(luò)模型。

3. keras.optimizers：優(yōu)化器是深度學習中非常重要的組件之一，它們用于更新神經(jīng)網(wǎng)絡(luò)權(quán)重以最小化損失函數(shù)。該庫包含了各種優(yōu)化器，包括Adam、SGD、RMSprop等。

4. keras.losses：損失函數(shù)也是深度學習中非常重要的組件之一，它們用于衡量預測結(jié)果與真實結(jié)果之間的誤差。該庫包含了各種損失函數(shù)，包括均方誤差、交叉熵等。

5. keras.metrics：該庫包含了各種評估指標，例如精準度(Precision)、準確率(Accuracy)、召回率(Recall)和F1等。這些指標可以用于評估模型的性能。

6. keras.datasets：該庫包含了各種常用的數(shù)據(jù)集。?

7. keras.preprocessing：該庫包含了各種圖像和文本預處理工具。

8. keras.callbacks：該庫包含了各種回調(diào)函數(shù)，這些回調(diào)函數(shù)可以在訓練過程中對神經(jīng)網(wǎng)絡(luò)模型進行監(jiān)控，并采取相應(yīng)的行動。

總之，Keras是一個非常豐富和強大的神經(jīng)網(wǎng)絡(luò)API，它提供了各種功能和組件，方便開發(fā)者進行深度學習的研究和實踐。

3基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

本研究使用了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)進行特征提取和分類。該模型采用了多層卷積層和池化層來提取圖像特征，并通過全連接層實現(xiàn)對圖像的分類識別。

1. 輸入層：接收圖像數(shù)據(jù)，輸入形狀為(h, w, way)，其中h、w表示圖像高度和寬度，way表示圖像通道數(shù)；

2. 卷積層1：使用64個3x3的卷積核，步長為2，padding方式為same，使用ReLU激活函數(shù)，并使用均勻分布的隨機權(quán)重初始化；

3. 池化層1：使用2x2的池化窗口，步長為2，進行最大值池化操作；

4. 卷積層2：使用128個3x3的卷積核，步長為2，padding方式為same，使用ReLU激活函數(shù)，并使用均勻分布的隨機權(quán)重初始化；

5. 池化層2：使用2x2的池化窗口，步長為2，進行最大值池化操作；

6. 卷積層3：使用256個3x3的卷積核，步長為2，padding方式為same，使用ReLU激活函數(shù)，并使用均勻分布的隨機權(quán)重初始化；

7. 池化層3：使用2x2的池化窗口，步長為2，進行最大值池化操作；

8. 展平層：將高維特征向量壓縮成一維向量；

9. 全連接層1：使用256個神經(jīng)元，使用ReLU激活函數(shù)，并加入10%的Dropout正則化；

10. 全連接層2：使用512個神經(jīng)元，使用ReLU激活函數(shù)，并加入15%的Dropout正則化；

11. 輸出層：使用8個神經(jīng)元，使用softmax激活函數(shù)，用于對圖像進行分類。

整個模型采用了交叉熵為損失函數(shù)，優(yōu)化方法用隨機梯度下降(SGD)。

網(wǎng)絡(luò)結(jié)構(gòu)部分代碼如下。

model.add(

????Conv2D(

????????64,

????????(3, 3),

????????strides=(2, 2),

????????input_shape=input_shape,

????????padding="same",

????????activation="relu",

????????kernel_initializer="uniform",

????)

)

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(

????Conv2D(

????????128,

????????(3, 3),

????????strides=(2, 2),

????????padding="same",

????????activation="relu",

????????kernel_initializer="uniform",

????)

)

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(

????Conv2D(

????????256,

????????(3, 3),

????????strides=(2, 2),

????????padding="same",

????????activation="relu",

????????kernel_initializer="uniform",

????)

)

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())

model.add(Dense(256, activation="relu"))

model.add(Dropout(0.1))

model.add(Dense(512, activation="relu"))

model.add(Dropout(0.15))

3.2 圖像預處理

本研究中的圖像預處理方法是將圖像轉(zhuǎn)換為浮點類型，并將像素值縮放到0到1之間。這種歸一化可以增加訓練速度和穩(wěn)定性，同時確保在不同數(shù)據(jù)分布上進行訓練時對模型的影響較小。具體而言，這些線性變換可以更快地收斂優(yōu)化器，因為它們會使梯度更平坦，從而減小了訓練時間，也有助于防止過擬合。

部分代碼如下。

def preProcess(image):

"""

圖像預處理

"""

image = image.astype("float32")

image = image / 255.0

return image

3.3 Relu激活函數(shù)

本研究中Relu函數(shù)被用于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的激活函數(shù)。在模型初始化函數(shù)中，這個函數(shù)被應(yīng)用于Conv2D層和Dense層之后的輸出。具體來說，在Conv2D層中，輸入圖像經(jīng)過卷積計算后通過Relu函數(shù)進行非線性變換；在Dense層中，Relu函數(shù)同樣被應(yīng)用于激活函數(shù)之后。Relu函數(shù)是一種常用的激活函數(shù)，其定義為：

簡單來說，就是如果輸入值大于零，則直接輸出該值，否則輸出0。Relu函數(shù)有很多優(yōu)點，比如它的計算速度快、求導容易等等。在CNN中，Relu函數(shù)的使用可以有效地增強模型的非線性能力，從而提高模型的表現(xiàn)能力。

卷積層中使用Relu函數(shù)部分代碼如下。

model.add(

Conv2D(

????????64,

????????(3, 3),

????????strides=(2, 2),

????????input_shape=input_shape,

????????padding="same",

????????activation="relu",

????????kernel_initializer="uniform"

????????)

????)

4算法實驗

4.1?軟硬件環(huán)境

實驗選用處理器為IntelCorei5-9thGen、NVIDIAGeForceGTX1650、內(nèi)存8G。計算機操作系統(tǒng)為Windows11。本實驗以python3.7為編譯器，使用的編程工具為PyCharm21.3.3。

4.2 算法評價指標

為了驗證本研究算法的性能，將準確率、平均精確率、平均召回率和綜合評價指標 F1作為評價指標。

1.?準確率公式：

其中，TP表示真正例，即正確朝代壁畫被分類識別為正確朝代壁畫的樣本數(shù)；TN表示真負例，即錯誤朝代壁畫被分類識別為錯誤朝代壁畫的樣本數(shù)；FP表示假正例，即錯誤朝代壁畫被識別為正確朝代壁畫的樣本數(shù)；FN表示假負例，即正確朝代壁畫被識別分類為錯誤朝代壁畫的樣本數(shù)。

2.?精確率公式：

其中，TP表示真正例，即正確朝代壁畫被分類識別為正確朝代壁畫的樣本數(shù)；FP表示假正例，即錯誤朝代壁畫被識別為正確朝代壁畫的樣本數(shù)。

3.?召回率公式：

對于一個模型，召回率越高，說明該模型能夠找到更多的正樣本而不會漏掉太多的正樣本。

4.?F1公式：

其中，precision是預測為正確的的壁畫且正確的壁畫樣本占預測為正確樣本總數(shù)的比例，recall則是預測為正確的壁畫且正確的壁畫樣本數(shù)占實際正確壁畫樣本數(shù)的比例。F1的取值范圍為0到1，當分類器完全錯誤時F1等于0，當分類器完全正確時F1等于1。

4.3 數(shù)據(jù)集

壁畫：敦煌壁畫在構(gòu)圖方面的特點，與自然圖像相比有本質(zhì)上的差別。壁畫圖像的紋理更加復雜，由于繪制于墻壁；其色調(diào)存在一定的色彩梯度變化，顏料使用礦物質(zhì)顏料且存在一定的主觀意向性；多元的文本內(nèi)容包括藝術(shù)形象如供養(yǎng)人、佛、菩薩、建筑等；同時也存在主觀性和多義性，不同朝代的壁畫圖像在各方面都有較大差異性。

各朝代部分壁畫圖像如圖4.1所示。

1.4?實驗及實驗結(jié)果分析

1. 實驗一：設(shè)置2108個壁畫圖像，其中1708個壁畫圖像作為訓練集，400個壁畫圖像作為測試集，且這些壁畫圖像都是對導師提供的數(shù)據(jù)集進行數(shù)據(jù)增強后所得保證了數(shù)據(jù)集的有效性。以北魏，北周，隋朝，唐朝，五代，宋朝，西夏，西魏共8個朝代，對算法訓練。本次實驗所用數(shù)據(jù)集結(jié)構(gòu)如表4.1所示。

隨機設(shè)置400個壁畫圖像，以北魏，北周，隋朝，唐朝，五代，宋朝，西夏，西魏共8個朝代，每個朝代50張壁畫，統(tǒng)計各朝代壁畫的識別情況，并統(tǒng)計。

各朝代壁畫分類情況統(tǒng)計如表4.2所示。

各朝代壁畫分類準確率對比如表4.3所示。

由上述圖表可知，本算法對壁畫朝代識別的準確率為76.75%，平均精確率為67.8%，平均召回率為76.75%，F(xiàn)1為70.41%。對于唐朝壁畫圖片的召回率非常高，也就是說對唐朝壁畫的識別非常靈敏，但對其他朝代壁畫圖片識別率較低且大多數(shù)識別錯的壁畫圖片為唐朝，在對北魏，北周，隋朝壁畫的識別召回率也較高，而對于五代，宋朝，西夏，西魏的壁畫識別召回率較低。

?2. 實驗二：為驗證本算法網(wǎng)絡(luò)對訓練集和測試集中壁畫數(shù)量的敏感性，分別隨機抽取總樣本數(shù)的62.05%、71.54%、81.02%作為訓練集，實驗一中訓練集所占比例為81.02%，剩余樣本作為測試集，驗證訓練集和測試集數(shù)量對算法準確率的影響。實驗結(jié)果如表4.4和圖4.4所示。

由表4.4和圖4.4可以看出，即使訓練集和測試集的樣本數(shù)相差較大，測試的準確率也保持穩(wěn)定，相差在1%左右。說明本算法的網(wǎng)絡(luò)模型對于訓練集的樣本數(shù)并不敏感，也驗證了其具有很好的穩(wěn)定性。

5結(jié)束語

本研究提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的古代壁畫朝代分類方法，該方法可以有效地對古代壁畫進行朝代分類，為文化遺產(chǎn)的保護和研究提供了參考。在本次研究中，使用了預訓練模型，并通過微調(diào)來適應(yīng)特定的任務(wù)，從而提高了分類精度。此外，還針對數(shù)據(jù)集不足的問題，采用數(shù)據(jù)增強技術(shù)進行了擴充，進一步提高了模型的分類效果。實驗過程中，通過對不同數(shù)量的訓練集和測試集進行實驗驗證，驗證了算法的穩(wěn)定性。

雖然本研究取得了一定的成果，但仍存在一些局限性和需要改進的方面。例如，還需要更多的數(shù)據(jù)來支撐算法模型的泛化能力，在處理大規(guī)模數(shù)據(jù)時，需要更加高效的算法和硬件設(shè)備來提高計算速度等。這些都將是未來工作的重點和挑戰(zhàn)。

總之，隨著技術(shù)的不斷進步和數(shù)據(jù)資源的持續(xù)豐富，本次研究將會為古代壁畫的保護和研究做出更大的貢獻，也希望本研究對于其他領(lǐng)域的研究有所啟發(fā)和借鑒。

?

參考文獻

[1]?崔紅艷．基于深度學習的古代壁畫分類研究[D]．太原科技大學，2020．

[2]?曹建芳，閆敏敏，田曉東等．適應(yīng)性增強膠囊網(wǎng)絡(luò)的古壁畫朝代識別算法[J]．圖學學報，2021，42(05)：744-754．

[3]?郝亞博．基于風格特征的中國古代人物壁畫分類算法研究與實現(xiàn)[D]．天津大學，2017．

[4]?林景棟，吳欣怡，柴毅等．卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化綜述[J]．自動化學報，2020，46(01)：24-37．

[5]?曹建芳，閆敏敏，賈一鳴等．融合遷移學習的Inception-v3模型在古壁畫朝代識別中的應(yīng)用[J]．計算機應(yīng)用，2021，41(11)：3219-3227．

[6]?陳佳昌．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類優(yōu)化算法[D]．重慶郵電大學，2022．

[7]?李陳軍，褚凱，張伯?。诰矸e神經(jīng)網(wǎng)絡(luò)的多特征融合和圖像分類[J]．計算機仿真，2022，39(07)：201-207．

[8]?胡翔．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法[J]．信息與電腦(理論版)，2023，35(01)：190-192．

[9]?朱小燕，利節(jié)，王東．深度學習和圖像識別[J]．電子技術(shù)應(yīng)用，2022，48(11)：1．

[10]?張松蘭．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別綜述[J]．西安航空學院學報，2023，41(01)：74-81．

[11]?伍維模，呂雙慶，趙長巍等．基于小型卷積神經(jīng)網(wǎng)絡(luò)的南疆棉花圖像分類[J]．智慧農(nóng)業(yè)導刊，2023，3(08)：17-23．

[12]?靳晶晶，王佩．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J]．通信與信息技術(shù)，2022，No．256(02)：76-81．

[13]?吳蓓，肖黎．基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物智能圖像識別分類研究[J]．農(nóng)機化研究，2023，45(12)：20-23+29．

[14]?史騰飛，尚家秀，吳宗航．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類改進方法研究[J]．現(xiàn)代信息科技，2023，7(05)：109-112．

[15]?Qin Z，Yu C，Li Q，et al．Chronological classification of ancient paintings using appearance and shape features[J]．Pattern Recognition Letters，2014，49(nov.1)：146-154．

[16]?LIQQ，ZOUQ，MAD，et al．Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes[J]．Science China Information Sciences，2018，61(09)：1-14．

?

致謝

時光總是短暫的，眨眼間答辯已經(jīng)結(jié)束了，我在學校的學習時光也已經(jīng)結(jié)束了，雖然已經(jīng)結(jié)束了學習生涯，但這只是我人生旅途中的一段小小的風景。在這里，我首先要感謝我的論文指導老師，老師對本次論文的選題、論文大綱、字體等等做了一系列的規(guī)定，感謝您對我的悉心指導和關(guān)心，您耐心地引導我完成了這篇論文。您的豐富的傳業(yè)知識和嚴謹教學的態(tài)度使我獲益良多。同時，也感謝您在我學習和生活中給予的支持和關(guān)愛。

其次，我要感謝所有傳授我知識的老師們。正是因為他們誨人不倦以及辛苦的勞動，才能為我們上好每一分鐘的課，最大程度的幫助我學習專業(yè)知識與技能，讓我各方面素質(zhì)的得到提高。同時，我也要謝謝與我一路同行的同學們，感謝他們的一路相陪，謝謝你們陪我度過這愉快的大學時光，給我的大學生活增添了無限的歡樂，祝我們的友誼長存。之后，我還要感謝我的家人和朋友們，在我學習上過程中陷入迷茫時給予我精神上的支持和鼓勵。感謝你們對我一直以來的支持和理解，讓我能夠順利完成學業(yè)。

最后，再次感謝所有給予我?guī)椭椭С值娜?，有你們的幫助，我才能完成這篇論文，并取得這樣的成果。

?

?

?????????????????????????????????????????????姓名

?????????????????????????????????????????????年??月 ?日