案例分享 | 应用 TensorFlow 量化匠人经验，助力文化传承
日本广岛县熊野町生产的传统工艺品“熊野笔 (Kumano Fude)”拥有 180 年的悠久历史，是日本最著名的毛笔。
这款毛笔约占日本毛笔制作产量的 80％，拥有日本最大的市场份额。近年来，随着日本以外的知名品牌 OEM（原始设备制造商）对熊野笔化妆刷业务咨询量的不断增加，使得熊野笔遍及全球。
而另一方面，由于熊野笔刷头的质地和笔刷外观难以通过机械方式量化的原因，在大多数制作流程中都需要人工的参与。尽管培养资深熊野笔制作者很重要，但是要成为传承手艺的接班人并不容易，他们需要很长时间才能掌握这些技能。
如今，利用科技为熊野笔制作者提供一部分人力支持（哪怕支持力度很小），不仅对于提高生产效率十分重要，而且从文化可持续性的角度来说，也非常有意义。
我们使用 TensorFlow 创建了一个原型工具来量化熊野笔刷头形状的检查工作，这也是笔刷制作者的众多任务之一。我们未来的目标是使用此工具量化手工艺人的工作，以减少其工作量，并帮助培养传承者。
熊野笔是什么？
熊野笔是自 1840 年左右开始生产的传统日本毛笔。熊野笔包括书法毛笔和化妆刷两个生产分支。
日文平假名字符中含有很多曲线，为了正确书写这些字符，书法毛笔采用了柔软的笔尖设计。这些特性后来也用于制作化妆刷。熊野笔的一个特点是质地柔软，拥有如同触摸空气一般的触感。现在，化妆刷已成为熊野笔的生产重点，来自日本国内和国外化妆品制造商的订单源源不断。
培养传统手工艺传承者所面临的问题
制作柔软的刷头无法靠机械完成，需要完全依靠手工制作而成。目前专门制作熊野笔的手工艺人共有 1500 名，其中 19 名因其高超的技能和技艺水平荣获传统手工艺人光荣称号。
传统手工艺人光荣称号
http://www.kougeishi.jp/list_by_kougeihin.php?kougeihin_id=25&mode=gyoushu_kensaku
要达到专业熊野笔制作者所需的技能水平需要花费多年时间，并且由于高价值熊野笔的制作离不开个人的独特手艺，因此很难培养传承者。这也成为了文化保护的一个难题。
熊野笔制作流程
熊野笔在制作时使用了包括马和貉在内的十多种动物的毛发。制作方式综合考量了所使用毛发的不同类型和长度，而且每位制作者的手法也各不相同。由熊野笔制作者手工制成的笔将交由多人进行目视检测，以确认笔的品质并筛选出不良品。我们的项目合作伙伴 Koyudo 在采用这种生产方法后，熊野笔的日产量可达 2000 至 4000 支。
熊野笔的检测难度
对于熊野笔来说，笔尖的形状尤为重要
由于熊野笔的笔尖均为人工制作，因此即便是优良品也会在外形上存在细微差异。这与不良品略有不同，因为在不良品中，笔尖整体很小、存在凹陷或者有突出的毛发。业余人士很难对二者进行区分。
另外，在一年中不同时节，动物皮毛的品质也存在差异，因此很难为优良品的形状建立量化标准。目前，制作者均根据自己的经验对熊野笔进行综合评估，以区分出产品的好坏。
解决方案
我们使用 TensorFlow 创建了原型图像分析工具，用以识别产品的好坏。
我们将摄像机和转盘安装在小盒子的外壳上，再将要检测的化妆刷放在转盘上； 化妆刷在转盘上旋转一圈将被拍摄 20 张图像，而且每一张图像都将用于判断化妆刷的好坏； 如果 20 张图像中有一定数量的图像被识别为不良图像，则可断定化妆刷本身为不良品。
学习数据
我们让手工艺人选出 200 支他们认为品质良好的化妆刷，然后为这些化妆刷的刷头拍摄了大约 5000 张图像，并将这些图像用于模型学习。我们使用 OpenCV 将提取出图像轮廓进行预处理，以便仅捕获学习所需的刷头数据。
建模
我们使用 TensorFlow 构建了一个简单的卷积自编码器 (CAE)。此模型对这 5000 张高品质化妆刷的刷头图像进行了学习。
在完成对高品质化妆刷图像的特征学习后，CAE 会成为具有特定属性的模型；如此一来，即使输入了不良品图像（如刷头过窄的图像），CAE 也会基于习得的特征输出（重建）优良品的刷头图像。
随后，模型根据化妆刷输入和输出图像之间的差异计算重建误差。通过可视化这一重建误差，我们能够看到输入化妆刷图像中出现瑕疵的问题位置的相关信息。
结果
让我们使用学习后的模型检查输入优良品图像和不良品图像时的结果。
如果输入到模型中的化妆刷为优良品，我们几乎不会在重建图像中观察到任何重建误差（即问题位置，以白色区域表示）。另一方面，如果输入的是不良品，重建图像则将显示相对较大的问题位置。
下方视频显示了化妆刷的重建图像，供大家参考。红色部分代表问题位置。相比图像，通过视频更容易找出问题位置。
左侧：化妆刷优良品，中间和右侧：化妆刷不良品
评估方法
通过将基于模型的定量评估（计算精确率和召回率）和化妆刷制作者的定性评估相结合，我们设置出一个阈值，以便在图像中至少有 40 个白色像素（重建误差）时，将化妆刷分类为不良品。
尽管设置阈值的目的是强化对化妆刷不良品的检测，但用此方法分类的化妆刷大体与化妆刷制作者的评估结果相一致。
此评估方法专用于判定化妆刷的好坏。使用此方法时，化妆刷在转盘上旋转一圈即被拍摄 20 张图像，而这些图像随后将用于判定好坏。如果 20 张图像中最终有 6 张被视为不良图像，则该模型会将化妆刷认定为不良品。在与化妆刷制作者讨论后，我们确定阈值为 6 张图像。
使用此工具得到的实际输出结果如下所示。
未来展望
量化手工艺人的劳动：我们希望构建一种不单依赖于人类感官的定量评估方法。在质量控制方面，使用不同的判定方法将能带来颇多益处。而使用工具为手工艺人的定性判定方法提供定量支持也具有很高的实用性。 减少工作量：通过使用可反映手工艺人感官判断的工具，即便是没有多年制作经验的人也可以执行检测工作。用一次机械检测代替人工执行的数十个检查点，这将有助于减少人工检测工作量。 帮助培养传承者：用于可视化问题位置的重建误差图为培养手工艺人提供了极为丰富的信息来源。能够量化传递问题位置及其严重程度的相关信息，也对于向他人传授技能提供了巨大帮助。
由于判断刷头的形状是一项对专业知识要求很高的工作，同时还必须加入人类感官上的判定，因此目前仍然很难完全实现机械化替代。
一般来说，人工作业涉及极高的精度，即便是在以人工为前提的当前状态下进行操作也未必效率低下。因此，功能验证不单涉及机械习得的检测准确率问题，其还需正确理解当前操作状况以及 AI 系统的各种可能性，然后确定在何处以及如何应用 AI 以实现最佳效果。
在本文示例中，我们成功确定了在刷头形状检测工作中使用 AI 模型的可能性。未来，我们计划提高模型的准确率和性能，以便在现有操作中采用可行的方法部署此工具。