في السنوات الأخيرة، اعتمد مجال الحفاظ على الفن بشكل متزايد على تقنيات التصوير غير المدمرة. تعد تقنية تحليل مضان الأشعة السينية العيانية (MA-XRF) أداة قوية توفر للباحثين وسيلة فعالة لتحليل أصباغ وتقنيات الطلاء، ولكن البيانات الضخمة التي تولدها تجلب أيضًا تحديات جديدة. سيقدم لك محرر Downcodes دراسة تستخدم تقنية التعلم العميق لاختراق عنق الزجاجة في تحليل بيانات MA-XRF التقليدي.
في السنوات الأخيرة، حققت تكنولوجيا التصوير غير المدمرة تطورًا سريعًا في مجال أبحاث الطلاء وحمايته، حيث يمكن لتكنولوجيا تحليل الأشعة السينية العيانية (MA-XRF)، باعتبارها واحدة من الشركات الرائدة، أن تساعد الخبراء في تحديد الأصباغ وتحليل تقنيات الرسم. وتوفر عملية فهم أفضل لإبداعات الفنانين معلومات قيمة. ومع ذلك، تولد تقنية MA-XRF مجموعات بيانات كبيرة ومعقدة، مما يشكل تحديات أمام طرق تحليل البيانات التقليدية.
في الآونة الأخيرة، طبق الباحثون الإيطاليون خوارزميات التعلم العميق على التحليل الطيفي لمجموعات بيانات MA-XRF وطوروا مجموعة جديدة من طرق التحليل. تستخدم هذه الطريقة أكثر من 500000 طيف اصطناعي تم إنشاؤها بواسطة محاكاة مونت كارلو لتدريب خوارزمية التعلم العميق ويمكنها تحليل أطياف XRF بسرعة ودقة في مجموعة بيانات MA-XRF، والتغلب على قيود طرق تفكيك الالتفاف التقليدية.
وللتحقق من دقة الطريقة الجديدة وإمكانية تطبيقها، طبقها الباحثون على لوحتين لرافائيل - "الله الآب" و"مريم العذراء" - معروضتين في متحف كابوديمونتي في إيطاليا. تظهر النتائج أن نموذج التعلم العميق لا يمكنه فقط قياس كثافة خط التألق بدقة أكبر فحسب، بل يمكنه أيضًا إزالة القطع الأثرية التي تنتجها طرق التحليل التقليدية بشكل فعال وإنشاء خريطة توزيع أكثر وضوحًا للعناصر.
من خلال التحليل المقارن مع خوارزمية تفكيك الالتفاف التقليدية، وجد الباحثون أن الطريقة الجديدة تؤدي أداءً أفضل عند معالجة خطوط العناصر ذات الأعداد المنخفضة ونسبة الإشارة إلى الضوضاء المنخفضة، ويمكنها فصل خطوط التألق المتداخلة في طيف XRF بشكل أكثر دقة، مما يجعلها أكثر دقة. تحديد الأصباغ بدقة أكبر. على سبيل المثال، يمكن للطريقة الجديدة أن تميز بدقة عناصر الحديد (Fe) والمنغنيز (Mn) ذات الطاقات المتشابهة، وكذلك عناصر الرصاص (Pb) والكبريت (S)، مما يتجنب سوء التقدير الذي تسببه الطرق التقليدية بسهولة.
تمثل نتيجة البحث هذه تقدمًا كبيرًا في تكنولوجيا الذكاء الاصطناعي في مجال تحليل الأعمال الفنية، وتوفر أفكارًا جديدة لتحليل أكثر دقة وكفاءة لأطياف XRF، خاصة لمعالجة مجموعات البيانات الكبيرة التي تم إنشاؤها بواسطة تقنية التصوير MA-XRF. وفي المستقبل، يخطط الباحثون لتوسيع نطاق تطبيقات هذه الطريقة، مثل استنتاج البنية المقطعية للوحات أو مقارنة البيانات الطيفية التي تم الحصول عليها بأدوات مختلفة.
عنوان الورقة: https://www.science.org/doi/10.1126/sciadv.adp6234
يوضح هذا البحث بشكل كامل الإمكانات الكبيرة للتعلم العميق في مجال تحليل الأعمال الفنية، ويوفر وسائل تقنية جديدة لحماية الفن والبحث فيه، ويتطلع محرر Downcodes إلى استخدام المزيد من تكنولوجيا الذكاء الاصطناعي في مجال الفن في المستقبل للترويج مواصلة تطوير البحوث الفنية.