我省研究團隊填補空白 首個簡牘字符檢測與識別大規(guī)模數(shù)據(jù)集正式發(fā)布

3月26日，記者從西北師范大學獲悉，由該校聯(lián)合甘肅簡牘博物館推出的簡牘字符檢測與識別數(shù)據(jù)集——DeepJiandu數(shù)據(jù)集正式對外發(fā)布。該數(shù)據(jù)集的發(fā)布填補了歷史文獻數(shù)字化與人工智能結(jié)合的空白，標志著簡牘智能化研究的重要進展，不僅為簡牘整理與自動識別提供了重要支持，也將進一步推動數(shù)字人文領(lǐng)域的持續(xù)創(chuàng)新與發(fā)展。

據(jù)介紹，該數(shù)據(jù)集共包含7416張圖像，標注了99852個字符，涵蓋2242個類別，能夠提供極具挑戰(zhàn)性的簡牘字符識別任務(wù)場景。數(shù)據(jù)集基于紅外圖像資料構(gòu)建，顯著增強了墨跡清晰度，為簡牘的數(shù)字化保護與學術(shù)研究提供了堅實的數(shù)據(jù)基礎(chǔ)。

簡牘（Jiandu）是中國古代記錄歷史信息的重要媒介，其歷史可追溯至戰(zhàn)國、秦、漢、魏晉等時期。然而，由于簡牘材料的脆弱性，長期埋藏環(huán)境導致字符模糊、字跡缺損、布局復雜等問題，使得人工識別與整理極為困難?，F(xiàn)有的文獻數(shù)字化技術(shù)雖在甲骨文、蒙文手寫體、巴厘島棕櫚葉手稿等領(lǐng)域取得突破，但在簡牘字符識別方面仍缺乏高質(zhì)量的數(shù)據(jù)集，制約了深度學習在該領(lǐng)域的應用。DeepJiandu數(shù)據(jù)集的構(gòu)建正是為了解決這一問題。

該數(shù)據(jù)集由簡牘學專家與計算機團隊聯(lián)合標注，涵蓋2242種常用字符類別，確保專業(yè)性與準確性。其設(shè)計充分考慮了字符殘損、異形字、多種排布等復雜場景，有效提升了模型對歷史文獻的適應能力。

據(jù)了解，研究團隊依托已有紅外圖像資料，從1萬余件簡牘文物中篩選出7416張高質(zhì)量圖像，覆蓋不同材料、書寫風格與字體特征，確保數(shù)據(jù)的代表性與多樣性。所有圖像使用目標檢測標注工具（LabelImg）對99852個字符進行了精細標注，包括字符位置與類別信息。整個過程在專家釋讀指導下完成，兼顧學術(shù)價值與機器可讀性。

為確保科學性，研究團隊將數(shù)據(jù)集按比例劃分為訓練集、驗證集和測試集，提升模型的泛化能力。數(shù)據(jù)集的字符類別統(tǒng)計顯示，盡管字符尺寸差異較大，但該數(shù)據(jù)集仍可為多尺度目標檢測任務(wù)提供良好的支持。此外，結(jié)合計算機視覺與歷史語言學，該數(shù)據(jù)集還將推動文博機構(gòu)的數(shù)字化轉(zhuǎn)型，為多模態(tài)文化遺產(chǎn)保護提供新的技術(shù)路徑。

據(jù)悉，隨著該數(shù)據(jù)集的推廣，研究團隊預計將有更多深度學習、計算機視覺領(lǐng)域的研究者加入簡牘OCR研究，并推動人工智能在歷史文獻解析、文化遺產(chǎn)保護等多學科交叉領(lǐng)域的應用。未來，團隊將繼續(xù)優(yōu)化數(shù)據(jù)集，并探索圖像融合、文獻綴合、書寫風格分析、端到端識別等前沿技術(shù)，為數(shù)字人文研究提供更加全面的技術(shù)支持。

據(jù)了解，該工作由西北師范大學簡牘研究院、甘肅省簡牘智能計算與數(shù)字人文工程研究中心張強教授團隊具體開展，上海中西書局、甘肅文化出版社提供相關(guān)數(shù)據(jù)資源，西南大學參與數(shù)據(jù)驗證實驗工作，相關(guān)研究論文發(fā)表于國際期刊《Scientific Data》。

蘭州日報社全媒體記者 馬文艷

責任編輯：王旭偉