综述：基于神经网络的考古符号检测方法

这篇综述创新性地提出了一种结合预处理和卷积神经网络(CNN)的自动化方法，用于识别和分类新石器时代Domus de Janas墓葬中的螺旋纹(S)和锯齿纹(Z)符号。通过Tukey统计方法进行符号分割，并比较了AlexNet、GoogLeNet和EfficientNet三种CNN架构的性能，其中GoogLeNet在跨域测试中表现最优(准确率98.7%)，为文化遗产数字化保护提供了可靠工具。

　　

在考古学领域，新石器时代Domus de Janas墓葬中发现的岩石雕刻符号是研究史前文明的重要载体。这些符号主要分为螺旋纹(S)和锯齿纹(Z)两类，但长期暴露导致的环境侵蚀给传统分析方法带来挑战。最新研究提出了一种结合统计预处理和深度学习的两阶段分析方法，为符号识别提供了新思路。

数据集构建
研究团队采用合成数据集模拟真实考古场景，符号特征通过三个参数定义：元素数量n∈{1,2,...,10}、雕刻深度d∈{0.3,0.5,0.7}以及组合类型。例如S_n,d表示具有n个螺旋的符号，SZ_n,m,d则代表同时包含n个螺旋和m个锯齿的复合符号。这种参数化方法成功构建了包含14,000张训练图像的数据集。

创新性预处理方法
研究创新性地采用Tukey统计方法进行符号检测，通过分析像素强度分布识别异常值。具体流程包括：

1. 将图像转换为灰度矩阵PIXEL:(i,j)→pix_i,j∈[0,1]
2. 计算第25百分位数Q₂₅和第75百分位数Q₇₅
3. 定义符号像素阈值pix_glyphs=Q₂₅-1.5IQR
4. 生成二值图像：pix_i,j<>_glyphs时置0，否则置1

该方法在深度≥0.5时表现优异，Jaccard指数达0.8081，Dice-S?rensen指数为0.8939。对真实文物的测试也验证了其有效性，如大英博物馆藏陶器上的螺旋纹被准确识别。

CNN架构性能比较
研究团队系统评估了三种经典CNN架构：

1. AlexNet
   作为早期深度网络代表，包含5个卷积层和3个全连接层。在合成数据测试中准确率达85.7%，但跨域测试性能波动较大。

2. GoogLeNet
   采用Inception模块并行处理多尺度特征，仅400万参数即实现98.7%的准确率。在光照变化测试中表现稳健，是现场部署的最佳选择。

3. EfficientNet-B0
   通过神经架构搜索优化，在匹配训练域时准确率高达100%，但对数据分布敏感，跨域测试性能可能骤降至26.6%。

实际应用验证
在两种真实考古场景中的测试表明：

• 陶器残片：GoogLeNet准确识别98.9%的符号
• 岩画面板：配合预处理后，EfficientNet达到62%的识别率
  特别值得注意的是，GoogLeNet在侧光(A)和斜光(B)条件下均保持98%以上的稳定性能。

研究结论与发展前景
该工作证实了CNN在考古符号识别中的实用价值，其中GoogLeNet凭借优异的泛化能力最适合现场应用。未来研究方向包括：

1. 扩大真实符号数据集
2. 开发三维成像分析方法
3. 优化嵌入式系统部署
   这项技术为文化遗产的数字化保存和非接触式研究提供了新范式，有望推动考古学研究的标准化和自动化进程。