甘肅省研究團隊填補空白 首個簡牘字符檢測與識別大規(guī)模數據集正式發(fā)布

　　中國甘肅網3月27日訊 據蘭州晚報報道 3月26日，記者從西北師范大學獲悉，由該校聯合甘肅簡牘博物館推出的簡牘字符檢測與識別數據集——DeepJiandu數據集正式對外發(fā)布。該數據集的發(fā)布填補了歷史文獻數字化與人工智能結合的空白，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，也將進一步推動數字人文領域的持續(xù)創(chuàng)新與發(fā)展。

　　據介紹，該數據集共包含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場景。數據集基于紅外圖像資料構建，顯著增強了墨跡清晰度，為簡牘的數字化保護與學術研究提供了堅實的數據基礎。

　　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有的文獻數字化技術雖在甲骨文、蒙文手寫體、巴厘島棕櫚葉手稿等領域取得突破，但在簡牘字符識別方面仍缺乏高質量的數據集，制約了深度學習在該領域的應用。DeepJiandu數據集的構建正是為了解決這一問題。

　　該數據集由簡牘學專家與計算機團隊聯合標注，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張高質量圖像，覆蓋不同材料、書寫風格與字體特征，確保數據的代表性與多樣性。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，兼顧學術價值與機器可讀性。

　　為確保科學性，研究團隊將數據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。數據集的字符類別統(tǒng)計顯示，盡管字符尺寸差異較大，但該數據集仍可為多尺度目標檢測任務提供良好的支持。此外，結合計算機視覺與歷史語言學，該數據集還將推動文博機構的數字化轉型，為多模態(tài)文化遺產保護提供新的技術路徑。

　　據悉，隨著該數據集的推廣，研究團隊預計將有更多深度學習、計算機視覺領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、文化遺產保護等多學科交叉領域的應用。未來，團隊將繼續(xù)優(yōu)化數據集，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，為數字人文研究提供更加全面的技術支持。

　　據了解，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數據資源，西南大學參與數據驗證實驗工作，相關研究論文發(fā)表于國際期刊《Scientific Data》。

　　蘭州日報社全媒體記者 馬文艷