[32]的標(biāo)準(zhǔn)化分辨率。4基于YOLO網(wǎng)絡(luò)的甲骨文單字自動(dòng)分割甲骨文原始拓片圖像的自動(dòng)單字分割任務(wù)不只是具備圖像分割的基本特性，還融合了目標(biāo)檢測(cè)相關(guān)元素，這對(duì)模型的準(zhǔn)確性和效率提出了更高要求，所以構(gòu)建一個(gè)能夠適應(yīng)這些要求的模型是本節(jié)的主要研究目標(biāo)，鑒于甲骨文原始拓片圖像具有的獨(dú)特特征，本任務(wù)選用了在目標(biāo)檢測(cè)領(lǐng)域經(jīng)過(guò)充分驗(yàn)證且效果顯著的YOLOv5與YOLOv8算法來(lái)完成甲骨文圖像分割工作，YOLO系列算法憑借其出色性能、高準(zhǔn)確性以及實(shí)時(shí)處理能力而聞名，能夠很好地滿足甲骨文圖像分割的需求。4.1研究壞境及參數(shù)設(shè)定本實(shí)驗(yàn)主要采用Python語(yǔ)言，并在Anaconda中配置虛擬環(huán)境，并使用PyTorch深度學(xué)習(xí)框架構(gòu)建神經(jīng)網(wǎng)絡(luò)，安裝CUDA工具包，并配置CUDA以使用NVIDIAGeForceRTX4090訓(xùn)練模型。其具體實(shí)驗(yàn)環(huán)境如表4-1所示：表4-1實(shí)驗(yàn)環(huán)境列表軟件或硬件版本參數(shù)操作系統(tǒng)Windows11CPU16核，Xeon(R)Gold6430RAM120GGPUNVIDIAGeForceRTX4090開(kāi)發(fā)語(yǔ)言Python3.11集成開(kāi)發(fā)環(huán)境PyCharmProfessional2024.3.1深度學(xué)習(xí)框架PyTorch2.1CUDA版本12.6編譯器AnacondaNavigator(anaconda3)在模型訓(xùn)練之前，需要對(duì)模型配置文件中的參數(shù)進(jìn)行調(diào)整，以確保其與本文數(shù)據(jù)集的訓(xùn)練要求相匹配。模型訓(xùn)練參數(shù)的詳細(xì)設(shè)置如表4-2所示。表4-2模型訓(xùn)練參數(shù)參數(shù)項(xiàng)數(shù)值訓(xùn)練輪次epochs100輸入圖片尺寸imgsz640×640/320×320每輪樣本數(shù)batch-size32初始學(xué)習(xí)率lr00.001續(xù)表4-2參數(shù)項(xiàng)數(shù)值動(dòng)量值momentum0.937權(quán)重衰減weight_decay0.005預(yù)訓(xùn)練權(quán)重modelv5x/v8n/v8m/v8l4.2甲骨文圖像分割流程YOLO網(wǎng)絡(luò)實(shí)現(xiàn)甲練好的甲骨文字符檢測(cè)模型，輸出結(jié)果為檢測(cè)框位置；再根據(jù)檢測(cè)框?qū)γ恳环鶊D像進(jìn)行分割，即可完成甲骨文的分割任務(wù)，具體流程在圖中給出：圖4-1甲骨文字符分割流程4.3損失函數(shù)優(yōu)化損失函數(shù)是整個(gè)算法網(wǎng)絡(luò)訓(xùn)練收斂時(shí)的目標(biāo)函數(shù)，訓(xùn)練過(guò)程中模型盡可能的將損失函數(shù)值最優(yōu)化以調(diào)整自身參數(shù)實(shí)現(xiàn)最佳的檢測(cè)性能，合理的損失函數(shù)可以有效提高模型的收斂、泛化性能。邊界框回歸函數(shù)主要負(fù)責(zé)微調(diào)預(yù)測(cè)的邊界框，使其更準(zhǔn)確地貼合目標(biāo)的真實(shí)邊界。交并比（IoU）是目標(biāo)檢測(cè)評(píng)估預(yù)測(cè)邊界框與真實(shí)邊界框之間重疊程度的常用指標(biāo)。IoU公式如下：L式（4.1）中，A和B分別是實(shí)際邊界框區(qū)域和預(yù)測(cè)邊界框區(qū)域的面積。YOLOv8對(duì)IoU進(jìn)行了一定的優(yōu)化形成了CIoU，考慮了檢測(cè)框的中心點(diǎn)距離和長(zhǎng)寬比。CIoU公式如下：L式（4.2）中，D表示預(yù)測(cè)框與真實(shí)框中心點(diǎn)之間的歐氏距離，C表示包圍預(yù)測(cè)框和真實(shí)框的最小外接框?qū)蔷€長(zhǎng)度，α是平衡因子，通常根據(jù)真實(shí)框和預(yù)測(cè)框的寬高比計(jì)算，V是寬高比的懲罰項(xiàng)，用于控制框的形狀偏差。SIoU是一種新的目標(biāo)檢測(cè)損失函數(shù)，它的目的是解決IoU損失函數(shù)訓(xùn)練時(shí)的梯度消失問(wèn)題，通過(guò)整合方向信息，它對(duì)損失函數(shù)的懲罰指標(biāo)做了重新定義，新的損失函數(shù)主要由角度損失、距離損失、形狀損失和IoU損失這四個(gè)部分構(gòu)成，這種綜合性損失函數(shù)旨在更全面評(píng)估預(yù)測(cè)框與真實(shí)框之間的差異，進(jìn)而指導(dǎo)模型進(jìn)行更精確的調(diào)整，綜合四個(gè)部分，新的損失函數(shù)能更全面引導(dǎo)模型進(jìn)行優(yōu)化，提升目標(biāo)檢測(cè)的準(zhǔn)確性和穩(wěn)定性，預(yù)測(cè)框和真實(shí)框的相對(duì)位置如圖4-2所示。圖4-2預(yù)測(cè)框和真實(shí)框相對(duì)位置圖角度損失的計(jì)算過(guò)程如公式（4.3）所示，A=1?2?其中C?為真實(shí)框和預(yù)測(cè)框中心點(diǎn)的高度差，σ距離損失的計(jì)算過(guò)程如公式（4.4）所示，Δ其中btgt表示真實(shí)框的中心點(diǎn)，形狀損失的計(jì)算過(guò)程公式如（4.5）所示Ω其中θ表示對(duì)形狀損失的控制參數(shù)。最終SIoU損失函數(shù)定義如式（4.6）所示：L盡管CIoU在傳統(tǒng)IoU的基礎(chǔ)上進(jìn)行了有效的改進(jìn)，但在小目標(biāo)檢測(cè)中并沒(méi)有考慮到角度以及規(guī)模因素，由于甲骨文字在拓片圖像中呈現(xiàn)出小目標(biāo)的特性，所以引入針對(duì)小目標(biāo)檢測(cè)的損失函數(shù)SIoU來(lái)提高小目標(biāo)檢測(cè)精度。SIoU（SmoothedIntersectionoverUnion）函數(shù)是一種用于目標(biāo)檢測(cè)任務(wù)中評(píng)估檢測(cè)框預(yù)測(cè)的精度的方法，它基于IoU（IntersectionoverUnion）度量，但引入了平滑因子來(lái)提高對(duì)小目標(biāo)的魯棒性。通常情況下，由于小目標(biāo)尺寸較小，預(yù)測(cè)的檢測(cè)框可能與真實(shí)框之間的重疊區(qū)域相對(duì)較小，這可能導(dǎo)致IoU度量的不穩(wěn)定性。SIoU函數(shù)通過(guò)引入平滑因子，對(duì)IoU進(jìn)行平滑處理，從而在一定程度上減少了這種不穩(wěn)定性，提高了對(duì)小目標(biāo)的檢測(cè)性能。4.4模型訓(xùn)練選擇了廣泛應(yīng)用的YOLOv5網(wǎng)絡(luò)與YOLOv8網(wǎng)絡(luò)，針對(duì)v5網(wǎng)絡(luò)，模型性能評(píng)價(jià)指標(biāo)選擇了其中最為先進(jìn)的v5x模型，針對(duì)v8網(wǎng)絡(luò)，則綜合考慮了不同復(fù)雜度和性能的模型，最終選擇了v8n、v8m以及v8l這三個(gè)網(wǎng)絡(luò)模型。針對(duì)選擇的不同的模型，在劃分好的不同比例的數(shù)據(jù)集上訓(xùn)練，并且通過(guò)不斷調(diào)整超參數(shù)來(lái)優(yōu)化訓(xùn)練效果，具體的訓(xùn)練環(huán)境和參數(shù)配置如表4-1和表4-2所示。其中綜合訓(xùn)練結(jié)果最好的模型為在640×640下經(jīng)過(guò)預(yù)處理操作、改進(jìn)損失為SIoU的YOLOv8m網(wǎng)絡(luò)（，模型的關(guān)鍵性能指標(biāo)的變化圖如圖4-3所示。橫軸代表迭代次數(shù)，而縱軸代表了概率值，概率值的范圍介于0到1之間，沒(méi)有單位。從圖可以看出，模型顯現(xiàn)出良好的收斂特性，訓(xùn)練損失（Loss）曲線迅速趨于平穩(wěn)。整個(gè)訓(xùn)練過(guò)非常順暢，模型的穩(wěn)定性很好。圖4-3指標(biāo)和損失4.5評(píng)價(jià)指標(biāo)本文為了評(píng)估改進(jìn)模型的穩(wěn)定性和魯棒性，使用精確率(Precision，P)、召回率(Recall，R)以及平均準(zhǔn)確度(meanAveragePrecision，mAP)這幾個(gè)指標(biāo)。以下是這些評(píng)估指標(biāo)的介紹。（1）精確率：P可以描述為目標(biāo)檢測(cè)算法模型在預(yù)測(cè)為正樣本的實(shí)例中，真正為正樣本的比例。簡(jiǎn)單來(lái)說(shuō)，P反映了模型預(yù)測(cè)為正樣本的實(shí)例中有多少是真正的正樣本。它是衡量模型預(yù)測(cè)準(zhǔn)確性的一個(gè)重要指標(biāo)。高P通常意味著模型在預(yù)測(cè)正樣本時(shí)較為可靠。其計(jì)算公式如式（4.7）。P=（2）召回率：R可以被理解為目標(biāo)檢測(cè)模型在識(shí)別所有實(shí)際存在的正樣本時(shí)的能力。簡(jiǎn)單來(lái)說(shuō)，R是衡量模型能夠成功找出多少真正的正樣本，相對(duì)于所有實(shí)際的正樣本來(lái)說(shuō)，一個(gè)高R的模型意味著它較少遺漏真正的正樣本。此外，R也反映了模型在尋找正樣本時(shí)的完備性。其計(jì)算公式如式（4.8）。R=（3）平均準(zhǔn)確度：mAP是評(píng)估目標(biāo)檢測(cè)模型綜合性能的關(guān)鍵指標(biāo)，它通過(guò)計(jì)算不同召回率水平下的平均精度來(lái)全面衡量模型性能，mAP考慮了模型在不同檢測(cè)閾值下的表現(xiàn)，給出了一個(gè)全面又準(zhǔn)確的性能評(píng)估。mAP_0.5特別關(guān)注預(yù)測(cè)邊界框與真實(shí)邊界框的IoU達(dá)到或超過(guò)0.5時(shí)的檢測(cè)性能，好處是只有當(dāng)預(yù)測(cè)框與真實(shí)框的重疊部分占各自區(qū)域的比例至少為0.5時(shí)，才能認(rèn)為該檢測(cè)結(jié)果是正確的。mAP_0.5主要側(cè)重于評(píng)估模型在較高檢測(cè)精度要求下的性能，反映模型在嚴(yán)格標(biāo)準(zhǔn)下識(shí)別目標(biāo)的能力，總之mAP_0.5是衡量模型在精確檢測(cè)目標(biāo)時(shí)的表現(xiàn)，特別是在對(duì)檢測(cè)結(jié)果有較高要求的應(yīng)用場(chǎng)景中，其計(jì)算公式如式（4.9）。&AP=公式(4.7)、(4.8)、(4.9)中，TP測(cè)試為正的正樣本；TN測(cè)試為負(fù)的負(fù)樣本；FP測(cè)試為正的負(fù)樣本；FN測(cè)試為負(fù)的負(fù)樣本；P(R)為PR曲線中P的值；N為待測(cè)試目標(biāo)的種類數(shù)；APi為4.6模型的對(duì)比與評(píng)估4.6.18:2數(shù)據(jù)集下的對(duì)比高的訓(xùn)練精度。然而，此時(shí)模型參數(shù)量巨大，達(dá)到了220GFLOPs，這導(dǎo)致了訓(xùn)練時(shí)間v8網(wǎng)絡(luò)系列，選擇了參數(shù)8.7GFLOPS17.9mb。在保持一定性能的同時(shí)，顯著降低v8網(wǎng)絡(luò)系列在參數(shù)量與性能之間的靈活調(diào)整能力，表4-3網(wǎng)絡(luò)參數(shù)數(shù)量對(duì)比640作為網(wǎng)絡(luò)圖像的輸入大小。這是因?yàn)樵谟?xùn)練YOLO模型時(shí)，需要確保輸入圖像具有一致的尺寸。然而，為了更深入地探索網(wǎng)絡(luò)精度時(shí)既保證了檢測(cè)精度，又確保了訓(xùn)練不會(huì)過(guò)于復(fù)雜，各模型的。圖4-4網(wǎng)絡(luò)精度對(duì)比由訓(xùn)練精度圖可以看到在經(jīng)過(guò)圖像預(yù)處理與損失函數(shù)改進(jìn)后，所訓(xùn)練模型v8m-640-pro-siou0.901，效果最佳。圖4-5和圖4-6展示了v5x模型與預(yù)處理并改進(jìn)損失函數(shù)后的v8m模型在部分驗(yàn)證集v8m圖4-5v5x-640模型測(cè)試結(jié)果圖4-6v8m-640-pro-siou模型測(cè)試結(jié)果4.6.27:3數(shù)據(jù)集下的對(duì)比為進(jìn)一步探究訓(xùn)練精度停滯在0.89附近的原因，推測(cè)是否是訓(xùn)練集劃分比例7：3v8mSIoU損失函數(shù)，并對(duì)圖像進(jìn)行預(yù)處理。從mAP精度圖4-7中可以看到，0.9094.6.10.01的提升。圖4-77:3數(shù)據(jù)集網(wǎng)絡(luò)精度4.6.37:2:1數(shù)據(jù)集下的對(duì)比最后為了排除測(cè)試集未設(shè)置對(duì)訓(xùn)練精度提升可能產(chǎn)生的影響7：2：1的比0.1排除了測(cè)試集對(duì)訓(xùn)練精度提升可能產(chǎn)生的影響圖4-87:2:1數(shù)據(jù)集網(wǎng)絡(luò)精度4.7結(jié)果測(cè)試圖4-9為字符檢測(cè)測(cè)試結(jié)果圖，可以看到針對(duì)大部分甲骨文字，實(shí)現(xiàn)了準(zhǔn)確的檢測(cè)，并未出現(xiàn)誤檢的情況。圖4-9字符檢測(cè)測(cè)試示例在經(jīng)過(guò)上述模型訓(xùn)練后，選擇出權(quán)衡了精度與模型參數(shù)量的v8m-640-pro-siou網(wǎng)絡(luò)模型，對(duì)測(cè)試集的原始拓片圖像進(jìn)行自動(dòng)單字分割，展示部分單字分割結(jié)果，如4-10圖所示。圖4-10分割后圖像與原始拓片對(duì)比5基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文字符識(shí)別5.1甲骨文字符識(shí)別框架對(duì)甲骨文原始拓片圖像文字自動(dòng)識(shí)別任務(wù)，采用兩種方法進(jìn)行訓(xùn)練和驗(yàn)YOLOv8完成對(duì)測(cè)試集中YOLOv8目甲骨文字符識(shí)別框架圖5-1甲骨文字符識(shí)別框架圖5.2所有實(shí)驗(yàn)均在Windows系統(tǒng)環(huán)境下進(jìn)行，其中本實(shí)驗(yàn)使用的Pycharm軟件配備了以下環(huán)境：pytorch2.1、python3.11、CUDA12.1；硬件環(huán)境見(jiàn)表5-1。表5-1硬件環(huán)境表CPU16核，Xeon(R)Gold6430RAM120GGPUNVIDIAGeForceRTX4090D在模型訓(xùn)練之前，需要對(duì)模型配置文件中的參數(shù)進(jìn)行調(diào)整，以確保其與本文數(shù)據(jù)集的訓(xùn)練要求相匹配。模型訓(xùn)練參數(shù)的詳細(xì)設(shè)置如表5-2所示。表5-2模型訓(xùn)練參數(shù)TrainingParametersValuesLearning0.001Batch256Epochs19112×1125.3模型性能為全面評(píng)估甲骨文字符識(shí)別模型的訓(xùn)練效果與泛化能力，本節(jié)采用訓(xùn)練精度（TrainingAccuracy）、驗(yàn)證精度（ValidationAccuracy）、訓(xùn)練損失（TrainingLoss）和驗(yàn)證損失（ValidationLoss）四項(xiàng)核心指標(biāo)進(jìn)行量化分析。各指標(biāo)定義及作用如下：（1）訓(xùn)練精度（TrainingAccuracy）：訓(xùn)練精度表示模型在訓(xùn)練集上預(yù)測(cè)正確的樣本比例，該指標(biāo)反映模型對(duì)訓(xùn)練數(shù)據(jù)的擬合程度，但需結(jié)合驗(yàn)證精度避免過(guò)擬合現(xiàn)象，其計(jì)算公式如式（5.1）。TrainingAccuracyNtrain表示訓(xùn)練集總樣本數(shù)，yi表示第i個(gè)樣本的真實(shí)標(biāo)簽，yi表示第i個(gè)樣本的預(yù)測(cè)標(biāo)簽，I（2）驗(yàn)證精度（ValidationAccuracy）：驗(yàn)證精度通過(guò)獨(dú)立的驗(yàn)證集計(jì)算，衡量模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力，驗(yàn)證精度與訓(xùn)練精度的差異可判斷模型是否存在過(guò)擬合（訓(xùn)練精度高但驗(yàn)證精度低）或欠擬合（兩者均低），其計(jì)算公式如式（5.2）。ValidationAccuracyNval表示（3）訓(xùn)練損失（TrainingLoss）：訓(xùn)練損失反映模型在訓(xùn)練集上的優(yōu)化目標(biāo)函數(shù)值（如交叉熵?fù)p失），其收斂性體現(xiàn)模型對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)穩(wěn)定性，其計(jì)算公式如式（5.3）。TrainingLossC表示類別總數(shù)，的真實(shí)標(biāo)簽在類別上的獨(dú)熱編碼（0或1）（4）驗(yàn)證損失（ValidationLoss）：驗(yàn)證損失通過(guò)驗(yàn)證集計(jì)算，用于監(jiān)控模型的泛化性能，若驗(yàn)證損失隨訓(xùn)練輪次增加而上升，表明模型可能過(guò)擬合，其計(jì)算公式如式（5.4）。ValidationLoss精度與損失的互補(bǔ)性：高訓(xùn)練精度+低驗(yàn)證精度→過(guò)擬合、高訓(xùn)練損失+高驗(yàn)證損失→欠擬合（模型未充分學(xué)習(xí)數(shù)據(jù)特征）。損失函數(shù)收斂性：訓(xùn)練損失下降但驗(yàn)證損失上升，表明模型開(kāi)始過(guò)擬合，需提前終止訓(xùn)練或增強(qiáng)正則化；訓(xùn)練與驗(yàn)證損失同步下降，表明模型優(yōu)化方向正確。5.4數(shù)據(jù)預(yù)處理與數(shù)據(jù)集劃分在實(shí)驗(yàn)前，首先對(duì)文字識(shí)別原始訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，詳細(xì)預(yù)處理信息如表5-3所示。表5-3數(shù)據(jù)預(yù)處理信息預(yù)處理對(duì)象數(shù)據(jù)值圖像位深24數(shù)據(jù)集劃分比例隨機(jī)7:3訓(xùn)練集數(shù)據(jù)量28419測(cè)試集集數(shù)據(jù)量12225圖片統(tǒng)一尺寸[112,112]輸送入網(wǎng)絡(luò)前預(yù)處理標(biāo)準(zhǔn)化預(yù)處理為了探AlexNet網(wǎng)絡(luò)，分別在訓(xùn)練7:38:2詳細(xì)的分類精度和損失函數(shù)值見(jiàn)表5-4。圖5-2不同數(shù)據(jù)集劃分比例分類性能對(duì)比表5-4分類精度和損失對(duì)比數(shù)據(jù)集劃分比例7:38:2訓(xùn)練精度11驗(yàn)證精度0.82450.8199訓(xùn)練損失00驗(yàn)證損失0.74960.7639由圖5-2和表5-4可知，當(dāng)數(shù)據(jù)集比例為7:3時(shí)，分類精度更高，因此選取的數(shù)據(jù)集劃分比例為7:3。5.5選定好數(shù)據(jù)集比例后，選取六種網(wǎng)絡(luò)進(jìn)行訓(xùn)練+驗(yàn)證，對(duì)比分類精度選取一個(gè)分類性能最好的網(wǎng)絡(luò)模型。六種網(wǎng)絡(luò)分別是，AlexNet、VGG16、GoogleNet、ResNet18、ResNet50和ResNet152，得到的分類精度結(jié)果如圖5-3所示，其中(a)是訓(xùn)練精度對(duì)比圖，(b)是訓(xùn)練損失對(duì)比圖，(c)是驗(yàn)證精度對(duì)比圖，(d)是驗(yàn)證損失對(duì)比圖。圖5-3不同網(wǎng)絡(luò)分類性能對(duì)比詳細(xì)的分類精度和損失函數(shù)值見(jiàn)表5-5表5-5數(shù)據(jù)預(yù)處理信息網(wǎng)絡(luò)模型AlexNetVGG16GoogleNetResNet18ResNet50ResNet152訓(xùn)練精度110.99940.99980.99970.9996驗(yàn)證精度0.82450.92560.93720.90970.91480.9167訓(xùn)練損失00.0001490.00310.002470.002360.00326驗(yàn)證損失0.74960.36010.27960.39290.37030.3503由圖5-3和表5-5可得，發(fā)現(xiàn)在傳統(tǒng)的經(jīng)典卷積網(wǎng)絡(luò)中，VGG16、GoogleNet、ResNet18、ResNet50和ResNet152網(wǎng)絡(luò)均能實(shí)現(xiàn)較高精度的分類任務(wù)，驗(yàn)證集分類精度都在0.9以上。特別是GoogleNet，分類精度可達(dá)0.9372，達(dá)到了一個(gè)較好的性能。在YOLO算法中不僅可以實(shí)現(xiàn)目標(biāo)檢測(cè)任務(wù)，還可以實(shí)現(xiàn)分類任務(wù)，所以針對(duì)文字識(shí)別任務(wù)，同樣使用YOLOv8對(duì)該數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖5-4所示，可以看到Y(jié)OLOv8s的分類精度高于上述的卷積神經(jīng)網(wǎng)絡(luò)，在文字識(shí)別數(shù)據(jù)集上達(dá)到了0.945的驗(yàn)證精度，對(duì)原始甲骨文拓片進(jìn)行文字自動(dòng)識(shí)別。圖5-4YOLOv8s訓(xùn)練結(jié)果圖5-5展示了YOLOv8s模型部分驗(yàn)證集圖5-5YOLOv8s識(shí)別結(jié)果原始甲骨文拓片并不是單個(gè)文字，而是包含多個(gè)文字，因此無(wú)法直接將整個(gè)拓片圖像放進(jìn)文字識(shí)別任務(wù)訓(xùn)練好的網(wǎng)絡(luò)中預(yù)測(cè)。因此必須對(duì)原始拓片進(jìn)行分割處理。在此選用第四章中所訓(xùn)練好的v8m-640-pro-siou分割模型，對(duì)圖片進(jìn)行分割處理，然后原始甲骨文拓片單字檢測(cè)分割并識(shí)別的示例如圖5-6圖5-6w01815的文字分割與識(shí)別結(jié)果6甲骨文識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)隨著歷史文獻(xiàn)數(shù)字化技術(shù)的快速發(fā)展與甲骨文研究的不斷深入，一種高效、精準(zhǔn)的甲骨文原始拓片單字自動(dòng)分割與識(shí)別系統(tǒng)變得尤為重要。傳統(tǒng)甲骨文拓片處理主要依賴人工目視分割與經(jīng)驗(yàn)辨識(shí)，存在效率低、主觀性強(qiáng)、易受拓片模糊與噪聲干擾等問(wèn)題，難以滿足大規(guī)模甲骨文數(shù)字化整理與智能化研究需求。因此，本章以第三、四、五章的研究為基礎(chǔ)，將圖像去噪預(yù)處理、訓(xùn)練好的甲骨文分割與甲骨文識(shí)別算法模型進(jìn)行整合，通過(guò)深度學(xué)習(xí)分割識(shí)別模型與PyQt5框架結(jié)合，構(gòu)建直觀易用的交互平臺(tái)，可使研究人員能夠高效、精準(zhǔn)地完成拓片單字分割、字形識(shí)別任務(wù)。本系統(tǒng)的應(yīng)用將大幅降低甲骨文數(shù)字化處理成本，提升古文字整理效率，為古文字學(xué)研究與文化遺產(chǎn)保護(hù)提供智能化技術(shù)支撐，助力中華傳統(tǒng)文化傳承與創(chuàng)新。6.1設(shè)計(jì)工具介紹6.1.1PyQt5簡(jiǎn)介PyQt5是基于Python編程語(yǔ)言的圖形用戶界面工具包，可用來(lái)創(chuàng)建交互式且直觀的桌面應(yīng)用程序，它有著豐富的功能以及多樣的模塊，包含用于創(chuàng)建窗口、對(duì)話框、按鈕、文本框等各類GUI元素的類和方法，其設(shè)計(jì)著重于組件的可重用性與系統(tǒng)的可擴(kuò)展性，允許開(kāi)發(fā)者借助模塊化構(gòu)建方式輕松實(shí)現(xiàn)復(fù)雜界面開(kāi)發(fā)。更重要的是PyQt5支持跨平臺(tái)運(yùn)行，涵蓋Windows、Linux和macOS等操作系統(tǒng)，這讓開(kāi)發(fā)者能一次編寫代碼后在多個(gè)平臺(tái)無(wú)縫部署應(yīng)用，極大的提升開(kāi)發(fā)效率與便捷性。PyQt5經(jīng)常被用在開(kāi)發(fā)桌面應(yīng)用程序方面，還會(huì)用于數(shù)據(jù)可視化工具開(kāi)發(fā)，也用于工業(yè)控制界面以及嵌入式系統(tǒng)前端開(kāi)發(fā)，它高效的開(kāi)發(fā)模式加上跨平臺(tái)特性讓其成為PythonGUI開(kāi)發(fā)主流選擇之一。在甲骨文識(shí)別系統(tǒng)開(kāi)發(fā)過(guò)程中，采用PyQt5作為圖形界面的開(kāi)發(fā)框架。因?yàn)镻yQt5包含強(qiáng)大的UI庫(kù)和事件處理機(jī)制，能與Python科學(xué)計(jì)算生態(tài)系統(tǒng)無(wú)縫對(duì)接，特別是OpenCV、NumPy等庫(kù)，很容易就實(shí)現(xiàn)圖像處理和UI界面的直接集成，給用戶最直觀的感受。6.1.2QtDesigner簡(jiǎn)介在PyQt5的應(yīng)用程序開(kāi)發(fā)中，設(shè)計(jì)師有兩種實(shí)現(xiàn)方式可供選擇：一種是通過(guò)直接編寫代碼，另一種則是利用QtDesigner工具。QtDesigner遵循基本的MVC（模型-視圖-控制器）結(jié)構(gòu)，實(shí)現(xiàn)視圖與邏輯面的分離，極大地簡(jiǎn)化了復(fù)雜界面的設(shè)計(jì)流程。通過(guò)直觀的拖拽方式，設(shè)計(jì)者可以輕松完成界面布局，并且還提供了頁(yè)面的實(shí)時(shí)預(yù)覽以及查看效果的功能。QtDesigner創(chuàng)建的界面保存為以.ui為后綴的文件，然后可通過(guò)PyUIC工具將.ui文件轉(zhuǎn)換為Python代碼文件（.py），以便在自定義的Python程序中進(jìn)行加載和使用。在甲骨文識(shí)別系統(tǒng)的開(kāi)發(fā)進(jìn)程當(dāng)中，QtDesigner的運(yùn)用極大程度簡(jiǎn)化了復(fù)雜界面設(shè)計(jì)工作，借助QtDesigner可視化設(shè)計(jì)登錄窗口、主窗口以及設(shè)置面板等界面元素，再結(jié)合PyQt5具備的功能把界面和圖像處理、識(shí)別算法等后端功能加以整合，這種開(kāi)發(fā)方式不但加快了整體開(kāi)發(fā)速度，而且保證了用戶界面的專業(yè)性與一致性。6.2系統(tǒng)總體設(shè)計(jì)本文的甲骨文智能識(shí)別系統(tǒng)是基于原始拓片的圖像數(shù)據(jù)，結(jié)合經(jīng)大規(guī)模甲骨文字符數(shù)據(jù)集訓(xùn)練的深度學(xué)習(xí)模型，來(lái)對(duì)甲骨文拓片中的單字做智能分割和識(shí)別，之后把處理結(jié)果用直觀的可視化方式呈現(xiàn)出來(lái)，該系統(tǒng)設(shè)計(jì)可以對(duì)甲骨文拓片圖像進(jìn)行快速處理，并且利用改進(jìn)的YOLOv8目標(biāo)檢測(cè)算法對(duì)圖像里的甲骨文字符進(jìn)行定位和分類，以此實(shí)現(xiàn)單字的精確分割與識(shí)別。經(jīng)過(guò)對(duì)大量甲骨文拓片圖像數(shù)據(jù)進(jìn)行訓(xùn)練與優(yōu)化，網(wǎng)絡(luò)模型可以有效應(yīng)對(duì)拓片中字跡模糊、殘缺不全等特殊情況，同時(shí)系統(tǒng)充分運(yùn)用現(xiàn)代計(jì)算機(jī)視覺(jué)技術(shù)，把識(shí)別結(jié)果以清晰方式呈現(xiàn)給用戶，包含字符位置、類別信息以及置信度等內(nèi)容，讓用戶能夠快速獲取甲骨文字符的識(shí)別信息，為后續(xù)考古研究和文字考證提供重要參考依據(jù)。本文系統(tǒng)基于PyQt5框架開(kāi)發(fā)，總體架構(gòu)如圖6-1所示，分為交互界面層、識(shí)別算法層和系統(tǒng)環(huán)境層三大部分。圖6-1功能結(jié)構(gòu)圖交互界面層作為用戶和系統(tǒng)交互的核心之處，提供著完整的操作功能，其中涵蓋用戶登錄和注冊(cè)模塊、圖像檢測(cè)功能、視頻檢測(cè)功能、實(shí)時(shí)可視化展示以及檢測(cè)結(jié)果導(dǎo)出等功能，用戶能夠通過(guò)該平臺(tái)進(jìn)行簡(jiǎn)單操作，進(jìn)而實(shí)現(xiàn)對(duì)甲骨文拓片的智能處理工作。識(shí)別算法層采用經(jīng)過(guò)改進(jìn)的YOLOv8模型，為系統(tǒng)提供強(qiáng)大的甲骨文字符檢測(cè)分割和識(shí)別能力，支持對(duì)模糊拓片進(jìn)行智能處理，可實(shí)現(xiàn)單字精確定位分割與識(shí)別，并且提供類別和中文對(duì)照功能，支持多種信息可視化展示。系統(tǒng)環(huán)境層主要負(fù)責(zé)保障整個(gè)系統(tǒng)的穩(wěn)定運(yùn)行，包含管理系統(tǒng)運(yùn)行環(huán)境和依賴、處理模型加載和推理、確保數(shù)據(jù)的實(shí)時(shí)傳輸和處理等方面工作。本系統(tǒng)的設(shè)計(jì)理念是充分考慮了甲骨文研究工作實(shí)際需求的，借助模塊化設(shè)計(jì)來(lái)確保各功能單元的獨(dú)立性與可擴(kuò)展性，系統(tǒng)不只是提高了甲骨文字符識(shí)別的自動(dòng)化水平，還給傳統(tǒng)的甲骨文研究工作提供了高效的技術(shù)支持工具，依靠直觀的可視化界面和智能的識(shí)別算法，系統(tǒng)能夠快速且準(zhǔn)確地完成甲骨文字符的分割與識(shí)別任務(wù)，大幅提升了研究工作的效率，并且系統(tǒng)的開(kāi)放性設(shè)計(jì)也為后續(xù)功能的擴(kuò)展和優(yōu)化奠定了良好基礎(chǔ)，可依照實(shí)際應(yīng)用需求來(lái)進(jìn)行持續(xù)的改進(jìn)與完善。6.3系統(tǒng)實(shí)現(xiàn)這一節(jié)會(huì)詳細(xì)介紹甲骨文原始拓片單字自動(dòng)分割智能識(shí)別系統(tǒng)的功能模塊設(shè)計(jì)，該系統(tǒng)是基于PyQt5框架來(lái)進(jìn)行開(kāi)發(fā)的，運(yùn)用模塊化設(shè)計(jì)思想并通過(guò)不同功能模塊協(xié)同工作，以此實(shí)現(xiàn)甲骨文字符的自動(dòng)分割與識(shí)別。6.3.1用戶登錄與注冊(cè)用戶登錄與注冊(cè)模塊作為系統(tǒng)的入口保障系統(tǒng)安全和用戶數(shù)據(jù)隔離，此模塊運(yùn)用簡(jiǎn)潔美觀的界面設(shè)計(jì)來(lái)提供用戶身份驗(yàn)證與新用戶注冊(cè)功能，登錄界面當(dāng)中包含用戶名和密碼輸入框以及登錄和注冊(cè)按鈕。登錄界面設(shè)計(jì)得簡(jiǎn)潔大方，采用了甲骨文特色元素跟系統(tǒng)主題相呼應(yīng)，登錄界面運(yùn)用了分區(qū)設(shè)計(jì)，頂部屬于系統(tǒng)標(biāo)題與logo區(qū)域，中部是用戶信息輸入?yún)^(qū)域，底部為操作按鈕所在區(qū)域，登錄模塊會(huì)驗(yàn)證用戶身份信息，只有通過(guò)驗(yàn)證之后才能進(jìn)入系統(tǒng)主界面，這確保了系統(tǒng)使用的安全性，系統(tǒng)采用CSV文件來(lái)存儲(chǔ)用戶信息，其中包含用戶名、密碼等基本數(shù)據(jù)，當(dāng)用戶輸入登錄信息之后，系統(tǒng)會(huì)驗(yàn)證輸入的用戶名和密碼是否與CSV文件里的記錄相匹配，如圖6-2所示，驗(yàn)證成功之后系統(tǒng)會(huì)自動(dòng)跳轉(zhuǎn)到主界面，驗(yàn)證失敗則會(huì)提示相應(yīng)的錯(cuò)誤信息。圖6-2用戶信息存儲(chǔ)用戶注冊(cè)時(shí)，系統(tǒng)會(huì)檢查用戶名是否已存在，確保每個(gè)用戶名的唯一性，，輸入必要的個(gè)人信息后，系統(tǒng)將信息存儲(chǔ)至用戶數(shù)據(jù)文件中，方便后續(xù)登錄驗(yàn)證然后將新用戶信息添加到CSV文件中。系統(tǒng)注冊(cè)、登錄示例如圖6-3所示，其中（a）、（b）是新用戶注冊(cè)成果界面，（c）、（d）是使用注冊(cè)好的賬號(hào)成功登錄的界。圖6-3注冊(cè)登錄界面6.3.2圖像檢測(cè)圖像檢測(cè)模塊系統(tǒng)的核心功能，負(fù)責(zé)甲骨文拓片的處理與識(shí)別。該模塊主要包括圖像選擇與導(dǎo)入、模型選擇與參數(shù)配置、檢測(cè)處理以及結(jié)果可視化與分析四個(gè)子模塊。（1）圖像選擇與導(dǎo)入圖像選擇與導(dǎo)入子模塊能提供靈活的圖像數(shù)據(jù)導(dǎo)入方式，并且支持單圖片和視頻導(dǎo)入功能，用戶能夠通過(guò)文件瀏覽器去選擇目標(biāo)文件夾，系統(tǒng)會(huì)自動(dòng)掃描并列出該文件夾里所有圖像文件，同時(shí)系統(tǒng)還提供文件篩選功能，用戶可借助關(guān)鍵詞檢索特定圖像文件來(lái)提高操作效率，該子模塊支持JPG、PNG、BMP等常見(jiàn)圖像格式，以此確保系統(tǒng)具備廣泛適用性。（2）模型選擇與參數(shù)配置模型選擇與參數(shù)配置子模塊能讓用戶依照具體任務(wù)需求挑選合適訓(xùn)練模型，并且調(diào)整關(guān)鍵參數(shù)來(lái)優(yōu)化檢測(cè)效果，用戶可從預(yù)設(shè)模型庫(kù)里面選擇適用于甲骨文字符識(shí)別的深度學(xué)習(xí)模型，系統(tǒng)對(duì)常規(guī)檢測(cè)模型和甲骨文模糊拓片檢測(cè)模型都予以支持，參數(shù)配置界面給出了直觀的參數(shù)調(diào)整工具，涵蓋置信度閾值、IOU閾值、輸入圖像尺寸等重要參數(shù)，用戶能根據(jù)拓片質(zhì)量和識(shí)別需求靈活設(shè)置這些參數(shù)，系統(tǒng)會(huì)及時(shí)更新參數(shù)值并將其應(yīng)用于后續(xù)檢測(cè)過(guò)程。（3）檢測(cè)處理檢測(cè)處理子模塊作為整個(gè)識(shí)別系統(tǒng)的核心部分，負(fù)責(zé)執(zhí)行甲骨文字符的檢測(cè)與識(shí)別相關(guān)任務(wù)，該子模塊是基于PyTorch深度學(xué)習(xí)框架構(gòu)建的，采用改進(jìn)后的YOLOv8目標(biāo)檢測(cè)算法，能夠有效處理甲骨文拓片中存在的字符，檢測(cè)過(guò)程包含圖像預(yù)處理、模型推理和后處理這三個(gè)階段，在圖像預(yù)處理階段會(huì)對(duì)輸入圖像開(kāi)展去噪、尺寸調(diào)整、歸一化等操作，在模型推理階段會(huì)調(diào)用訓(xùn)練模型對(duì)處理后的圖像進(jìn)行前向計(jì)算以得到初步檢測(cè)結(jié)果，在后處理階段會(huì)對(duì)模型輸出結(jié)果進(jìn)行非極大值抑制等處理從而得到最終的字符檢測(cè)結(jié)果，針對(duì)模糊拓片系統(tǒng)實(shí)現(xiàn)了特殊的兩階段檢測(cè)策略，先對(duì)整體圖像進(jìn)行檢測(cè)再對(duì)檢測(cè)到的區(qū)域進(jìn)行局部精細(xì)化處理，顯著提升了對(duì)模糊字符的識(shí)別能力。（4）結(jié)果可視化與分析結(jié)果可視化子模塊會(huì)把檢測(cè)結(jié)果用直觀形式呈現(xiàn)給用戶并且提供詳細(xì)信息，系統(tǒng)能夠支持多種可視化方式，如邊界框標(biāo)注、關(guān)鍵點(diǎn)標(biāo)注等，用戶可按照自身需要靈活進(jìn)行切換，對(duì)于每個(gè)檢測(cè)到的字符系統(tǒng)不僅顯示其位置信息還給出類別標(biāo)識(shí)和置信度評(píng)分，并且將檢測(cè)到的字符自動(dòng)匹配到對(duì)應(yīng)的現(xiàn)代漢字以方便研究人員理解分析。圖6-4非模糊拓片單字識(shí)別流程該子模塊還支持實(shí)時(shí)調(diào)整檢測(cè)進(jìn)度，針對(duì)甲骨文視頻檢測(cè)用戶能通過(guò)進(jìn)度條控制檢測(cè)過(guò)程來(lái)暫停、繼續(xù)或停止檢測(cè)任務(wù)以靈活適應(yīng)不同工作需求，圖像檢測(cè)示例如圖6-4所示，涵蓋從非模糊拓片圖像導(dǎo)入到結(jié)果可視化的完整過(guò)程，圖6-5中（a）、（b）（c）、（d）分別展示對(duì)甲骨文單字非模糊拓片圖像、甲骨文多字非模糊拓片圖像、甲骨文非模糊拓片視頻、甲骨文多字模糊拓片的識(shí)別結(jié)果。圖6-5多種類型識(shí)別對(duì)比6.3.3數(shù)據(jù)存儲(chǔ)與導(dǎo)出圖6-6識(shí)別結(jié)果保存數(shù)據(jù)存儲(chǔ)與導(dǎo)出模塊負(fù)責(zé)管理檢測(cè)結(jié)果數(shù)據(jù)，提供結(jié)果保存與導(dǎo)出功能。對(duì)于檢測(cè)完成的圖像，該模塊支持將處理后的圖像以及檢測(cè)數(shù)據(jù)保存至用戶指定的目錄，識(shí)別結(jié)果保存示例如圖6-6所示。圖像保存時(shí)會(huì)保留檢測(cè)標(biāo)注信息，能直觀展示檢測(cè)結(jié)果，數(shù)據(jù)導(dǎo)出是以CSV格式存儲(chǔ)檢測(cè)到的甲骨文字符詳細(xì)信息，涵蓋位置坐標(biāo)、類別、中文釋義和置信度等內(nèi)容，方便后續(xù)進(jìn)一步分析研究。該模塊在檢測(cè)完成之后會(huì)自動(dòng)激活，用戶可通過(guò)界面上的保存按鈕執(zhí)行導(dǎo)出操作，在導(dǎo)出過(guò)程中，系統(tǒng)會(huì)檢查目標(biāo)路徑的有效性，以此確保數(shù)據(jù)能夠正確保存，同時(shí)為避免數(shù)據(jù)覆蓋情況，系統(tǒng)會(huì)對(duì)同名文件進(jìn)行檢測(cè)，并提示用戶確認(rèn)操作。針對(duì)視頻處理的多個(gè)圖像結(jié)果，該模塊支持一次性全部導(dǎo)出以提高工作效率。7安全性與經(jīng)濟(jì)性在設(shè)計(jì)和應(yīng)用甲骨文智能識(shí)別系統(tǒng)的過(guò)程中，安全性與經(jīng)濟(jì)性屬于需重點(diǎn)考量的核心要素，本設(shè)計(jì)系統(tǒng)依靠嚴(yán)謹(jǐn)?shù)脑L問(wèn)控制機(jī)制保障數(shù)據(jù)和模型的可靠性，同時(shí)用合理的成本投入實(shí)現(xiàn)高效的文化遺產(chǎn)數(shù)字化保護(hù)，展現(xiàn)出顯著的技術(shù)價(jià)值與應(yīng)用潛力。7.1安全性分析本文的甲骨文智能識(shí)別系統(tǒng)在安全性設(shè)計(jì)方面采取了多層次防護(hù)策略，系統(tǒng)采用本地化存儲(chǔ)方案將所有圖像和識(shí)別結(jié)果直接存于本地?cái)?shù)據(jù)庫(kù)，以此避免網(wǎng)絡(luò)傳輸過(guò)程中可能出現(xiàn)的數(shù)據(jù)泄露風(fēng)險(xiǎn)，在權(quán)限管理方面系統(tǒng)基于PyQt5框架實(shí)現(xiàn)嚴(yán)格分級(jí)訪問(wèn)控制機(jī)制，普通用戶僅能進(jìn)行圖像上傳、基礎(chǔ)處理與結(jié)果查看操作，管理員用戶則可調(diào)整系統(tǒng)參數(shù)、管理數(shù)據(jù)集、導(dǎo)出分析結(jié)果和配置用戶權(quán)限，登錄驗(yàn)證模塊通過(guò)user.csv文件存儲(chǔ)用戶賬號(hào)信息且每次登錄時(shí)進(jìn)行身份驗(yàn)證，以此防止未授權(quán)訪問(wèn)情況出現(xiàn)，系統(tǒng)使用標(biāo)準(zhǔn)密碼驗(yàn)證機(jī)制來(lái)確保用戶信息的安全。本研究針對(duì)系統(tǒng)穩(wěn)定性采用模塊化設(shè)計(jì)架構(gòu)，把圖像預(yù)處理、目標(biāo)檢測(cè)與分類識(shí)別功能獨(dú)立封裝起來(lái)，這樣任何單一模塊故障都不會(huì)致使整個(gè)系統(tǒng)崩潰，系統(tǒng)日志記錄功能可自動(dòng)追蹤所有關(guān)鍵操作，方便管理員開(kāi)展安全審計(jì)與異常排查工作，對(duì)于甲骨文拓片常有的噪聲干擾和字符破損問(wèn)題，預(yù)處理模塊融合了Laplace邊緣增強(qiáng)、稀疏表示與低秩逼近去噪等技術(shù)，極大提升了圖像質(zhì)量，經(jīng)實(shí)驗(yàn)驗(yàn)證，對(duì)存在劃痕或點(diǎn)狀噪聲的拓片處理之后，字符筆畫連續(xù)性得到明顯改善，為后續(xù)分割與識(shí)別提供可靠輸入，在系統(tǒng)壓力測(cè)試當(dāng)中，連續(xù)處理高分辨率拓片時(shí)內(nèi)存占用率能保持穩(wěn)定，響應(yīng)時(shí)間波動(dòng)范圍也處于可控狀態(tài)，展現(xiàn)出良好的運(yùn)行穩(wěn)定性。7.2經(jīng)濟(jì)性分析本系統(tǒng)在經(jīng)濟(jì)性方面有著突出的表現(xiàn)，重點(diǎn)體現(xiàn)在開(kāi)發(fā)成本控制和應(yīng)用效益這兩個(gè)層面，系統(tǒng)核心框架是基于開(kāi)源技術(shù)棧來(lái)構(gòu)建的，其中包含PyTorch深度學(xué)習(xí)框架與PyQt5界面庫(kù)，有效規(guī)避了商業(yè)軟件授權(quán)費(fèi)用問(wèn)題，核心成本主要集中在硬件配置和數(shù)據(jù)標(biāo)注環(huán)節(jié)，通過(guò)進(jìn)行算法優(yōu)化以及模型裁剪操作，系統(tǒng)能夠在主流GPU配置上流暢運(yùn)行起來(lái)，避免了對(duì)高端硬件產(chǎn)生過(guò)度依賴情況，降低了系統(tǒng)的部署門檻，基于NVIDIAGeForceRTX4090GPU的訓(xùn)練環(huán)境可支持多模型并行優(yōu)化工作，相較于傳統(tǒng)CPU訓(xùn)練效率提升得十分顯著，縮短了模型的迭代周期。從應(yīng)用效益的角度來(lái)看，系統(tǒng)自動(dòng)化識(shí)別流程把單張甲骨拓片處理時(shí)間從傳統(tǒng)人工分析的數(shù)小時(shí)縮短到幾秒鐘，這大幅提高了工作效率，以一幅包含密集字符的復(fù)雜拓片作為例子，系統(tǒng)能夠快速完成分割、識(shí)別并輸出字符位置與類別信息，極大減輕了專業(yè)人員的工作負(fù)擔(dān)，系統(tǒng)生成的數(shù)字化結(jié)果可直接用于構(gòu)建甲骨文數(shù)據(jù)庫(kù)，減少了后續(xù)人工校對(duì)的工作量，為學(xué)術(shù)研究提供了結(jié)構(gòu)化數(shù)據(jù)支撐，模塊化的系統(tǒng)架構(gòu)支持功能擴(kuò)展，未來(lái)可通過(guò)集成語(yǔ)義分析或歷史文獻(xiàn)關(guān)聯(lián)模塊，進(jìn)一步挖掘甲骨文研究的應(yīng)用價(jià)值，實(shí)現(xiàn)長(zhǎng)期成本效益的持續(xù)釋放，系統(tǒng)的主要成本來(lái)源于初期的模型訓(xùn)練與數(shù)據(jù)標(biāo)注，隨著識(shí)別精度的不斷提升，維護(hù)成本將逐步降低，從長(zhǎng)期經(jīng)濟(jì)效益來(lái)看，系統(tǒng)能夠支持大規(guī)模甲骨文數(shù)字化工作，具有顯著的應(yīng)用價(jià)值。8總結(jié)與展望8.1工作總結(jié)本研究著眼于甲骨文原始拓片單字自動(dòng)分割與識(shí)別這一技術(shù)難題，設(shè)計(jì)出一套完整的智能處理系統(tǒng)方案，并且實(shí)現(xiàn)了從理論到實(shí)踐的系統(tǒng)化突破，研究提出一種多階段甲骨文圖像預(yù)處理方法，融合Laplace變換、稀疏表示與低秩逼近去噪、同態(tài)濾波和高斯濾波等技術(shù)，有效解決拓片圖像中的噪聲干擾、對(duì)比度不均等問(wèn)題，為后續(xù)處理奠定良好基礎(chǔ)。在單字分割方面，基于YOLO算法開(kāi)發(fā)出自適應(yīng)分割模型，通過(guò)引入SIoU損失函數(shù)顯著提升小字符檢測(cè)精度，實(shí)現(xiàn)90.1%的檢測(cè)準(zhǔn)確率，為復(fù)雜拓片中的密集字符提供精準(zhǔn)定位能力。針對(duì)文字識(shí)別任務(wù)，構(gòu)建多模型對(duì)比實(shí)驗(yàn)平臺(tái)，系統(tǒng)評(píng)估多種典型卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，發(fā)現(xiàn)GoogLeNet和YOLOv8在甲骨文字識(shí)別任務(wù)上表現(xiàn)優(yōu)異，分別達(dá)到93.7%和94.5%的識(shí)別準(zhǔn)確率，證明YOLOv8方法在古文字識(shí)別領(lǐng)域的有效性。本研究依托PyQt5框架設(shè)計(jì)出完整的甲骨文智能識(shí)別平臺(tái)，集成圖像去噪、目標(biāo)分割和字符識(shí)別核心功能模塊，實(shí)現(xiàn)全流程自動(dòng)化處理，系統(tǒng)用戶界面設(shè)計(jì)得直觀又友好，能通過(guò)可視化界面同步呈現(xiàn)檢測(cè)框坐標(biāo)與字符釋義，還支持識(shí)別結(jié)果結(jié)構(gòu)化導(dǎo)出等多種功能，給甲骨文研究人員提供了便捷高效工作的工具，同時(shí)系統(tǒng)設(shè)計(jì)了嚴(yán)格權(quán)限管理和數(shù)據(jù)安全機(jī)制確保文化遺產(chǎn)數(shù)據(jù)數(shù)字化過(guò)程中的安全性與完整性，系統(tǒng)在實(shí)際應(yīng)用測(cè)試中展現(xiàn)出較高穩(wěn)定性和可靠性，以技術(shù)創(chuàng)新和工程實(shí)踐相結(jié)合方式為甲骨文研究提供高效數(shù)字化工具，展示出人工智能技術(shù)在文化遺產(chǎn)保護(hù)中的應(yīng)用價(jià)值。8.2工作展望本文的研究工作盡管取得了初步成果，但接下來(lái)的路任重道遠(yuǎn)，還有許多有待解決的問(wèn)題和更進(jìn)一步的研究方向。深度學(xué)習(xí)在圖像識(shí)別、目標(biāo)檢測(cè)、關(guān)鍵點(diǎn)定位及語(yǔ)義理解領(lǐng)域展現(xiàn)出突出能力，若應(yīng)用于甲骨文數(shù)據(jù)集，則可嘗試相關(guān)算法，為甲骨文學(xué)提供新的研究視角，并為實(shí)現(xiàn)未知甲骨文字的智能解析奠定基礎(chǔ)。。參考文獻(xiàn)高旭.基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文識(shí)別研究與應(yīng)用[D].吉林大學(xué),2021.張更明.甲骨文:解讀中華文明的古老密碼[J].協(xié)商論壇,2023,(11):56-58.GaoF,LiuY,LiD,etal.Informationdisentanglementforunsuperviseddomainadaptiveoracleboneinscriptionsdetection[J].SignalProcessing:ImageCommunication,2025:117-334.宋傳鳴,周雨晴,張晉豪,等.連通區(qū)域拓?fù)浣Y(jié)構(gòu)約束的甲骨拓片圖像分割[J].閩南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2023,36(04):35-50.劉國(guó)英.基于深度學(xué)習(xí)的甲骨文字檢測(cè)與識(shí)別[J].殷都學(xué)刊,2020,41(03):54-59.劉夢(mèng)婷.基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文字識(shí)別研究[D].鄭州大學(xué),2020.劉洋,陸逸,魏鈺馳,等.甲骨文識(shí)別技術(shù)研究現(xiàn)狀與展望[J].知識(shí)管理論壇,2023,8(02):115-125.LiuM,LiuG,LiuY,etal.Oracleboneinscriptionsrecognitionbasedondeepconvolutionalneuralnetwork[J].Journalofimageandgraphics,2020,8(4):114-119.王帥,李鵬,蘇倩文.甲骨文信息化研究之路簡(jiǎn)述[J].黃河.黃土.黃種人,2022,(18):16-21.舒城.基于圖像顯著性的圖像場(chǎng)景分類算法研究[D].南京郵電大學(xué),2020.龔芳媛,方冰杰,程雪佼,等.基于改進(jìn)YOLOv5的路面裂縫檢測(cè)算法[J].大連理工大學(xué)學(xué)報(bào),2024,64(03):314-322.徐光達(dá),毛國(guó)君.多層級(jí)特征融合的無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)[J].計(jì)算機(jī)科學(xué)與探索,2023,17(03):635-645.萬(wàn)溪洲.基于改進(jìn)的全卷積網(wǎng)絡(luò)遙感圖像語(yǔ)義分割算法研究[D].湖北工業(yè)大學(xué),2021.Al-JawfiR.HandwritingArabiccharacterrecognitionLeNetusingneuralnetwork[J].Int.ArabJ.Inf.Technol.,2009,6(3):304-309.PurwonoP,Ma'arifA,RahmaniarW,etal.Understandingofconvolutionalneuralnetwork(cnn):Areview[J].InternationalJournalofRoboticsandControlSystems,2022,2(4):739-748.王琦琦.基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文精確識(shí)別[D].江西科技師范大學(xué),2020.韋鵬程,趙宇,張宗銀.基于人工智能算法的研究與應(yīng)用[M].中國(guó)原子能出版社,2021.AlomMZ,TahaTM,YakopcicC,etal.Thehistorybeganfro