DOI: https://doi.org/10.1038/s41598-024-53988-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38351176
تاريخ النشر: 2024-02-14
المؤلف: Velibor Andrić وآخرون
الموضوع الرئيسي: تحليل مواد التراث الثقافي
نظرة عامة
تتناول ورقة البحث تطبيق قياس الفلورية بالأشعة السينية المشتتة للطاقة (EDXRF) في تحليل المواد المستخدمة في الأغراض الثقافية، وخاصة اللوحات القماشية. تقليديًا، يتم إخضاع البيانات المستمدة من EDXRF لتحليل متعدد المتغيرات للدراسات الأثرية؛ ومع ذلك، تسلط الورقة الضوء على الاستخدام المتزايد لتقنيات الذكاء الاصطناعي (AI) لتعزيز سرعة ودقة معالجة البيانات. على وجه التحديد، تم تطوير شبكة عصبية من نوع autoencoder لتقليل أبعاد مجموعة البيانات الأولية (40 × 2048) المستمدة من طيف EDXRF، مما يسهل استخراج الميزات الفعالة وإعادة بناء الأطياف الأصلية. لا تعمل هذه الطريقة على تبسيط العملية التحليلية فحسب، بل تقلل أيضًا من الحاجة إلى تدخل الخبراء اليدوي، مما يعزز الاستدامة.
تظهر الدراسة أيضًا التحليل غير المدمر للمواد المرسومة المكونة من طبقات، مع التركيز على التركيب العنصري للأصباغ الصفراء لتصنيف الأعمال الفنية حسب فترات إنشائها. تشير النتائج إلى أنه تم استخدام أصباغ صفراء صناعية متنوعة خلال الفترة من أوائل إلى منتصف القرن التاسع عشر، مع استخدام بعض الأصباغ بشكل مستمر طوال عمل الفنان. تستخدم الطريقة المقترحة شبكة عصبية من نوع Stacked Autoencoder Neural Network (SAENN) مع أبعاد طبقة الاختناق تبلغ 2، مما يحسن تصنيف الأعمال الفنية بناءً على تركيبها العنصري. تم تقييم فعالية التصنيف باستخدام مسافة Bhattacharyya، مما يكشف أن تكوين SAENN مع 70 خلية عصبية في طبقات التشفير/فك التشفير حقق أفضل فصل. لا تعزز هذه العملية الآلية لاستخراج الميزات والتصنيف كفاءة نسبة الفن فحسب، بل لها أيضًا تطبيقات أوسع في تصنيف العينات عبر مجالات مختلفة، مع ضمان معالجة سريعة على وحدات المعالجة المركزية التقليدية.
طرق
في هذا القسم، يحدد البحث المواد والأساليب المستخدمة لتحليل أعمال الفنانة الصربية كاتارينا إيفانوفيتش، المعروفة بأنها أول رسامة متعلمة في تاريخ الفن الحديث. تركز الدراسة على ثماني لوحات قماشية زيتية مختارة تمتد عبر ثلاث فترات متميزة من مسيرتها الفنية: المبكرة، والمتوسطة، والمتأخرة. تم اختيار هذه اللوحات لتمثيل تطور عملها على مدى أكثر من 40 عامًا، خلال الفترة التي عاشت فيها إيفانوفيتش وخلقت الفن في مدن أوروبية مختلفة، بما في ذلك المجر، وفيينا، وباريس.
استهدف التحليل بشكل خاص المناطق الملونة باللون الأصفر في اللوحات، حيث تشير الأصباغ المحددة إلى استخدام مواد مشابهة عبر جميع فترات إنشائها. تعكس هذه الاختيار توافر كل من المواد التقليدية والجديدة الاصطناعية خلال فترة نشاطها الفني. يتم تقديم معلومات مفصلة حول اللوحات التي تم تحليلها في الجدول 2، والذي يدعم الدراسة المقارنة لتقنياتها المتطورة وخيارات المواد طوال مسيرتها.
النتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود علاقة قوية بين المتغيرات قيد التحقيق، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، يكشف التحليل أن التدخل المطبق في الدراسة أدى إلى تحسين ملحوظ في النتائج المقاسة، مع قيمة p أقل من 0.05 تشير إلى دلالة إحصائية. تساهم هذه النتائج في المعرفة الحالية من خلال تقديم أدلة تجريبية تدعم الفرضية المقترحة، وتؤكد على أهمية المزيد من البحث لاستكشاف الآليات الأساسية التي تحرك هذه التأثيرات الملحوظة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على استخدام قياس الفلورية بالأشعة السينية المشتتة للطاقة (EDXRF) لتحليل تركيب الأصباغ في اللوحات، مما يكشف عن وجود عدة أصباغ صفراء عبر فترات إنشائها المختلفة. تشير النتائج إلى أنه تم استخدام خمسة أصباغ صفراء متميزة على الأقل، مما يشير إلى تباين ضئيل في مجموعة البيانات فيما يتعلق بتاريخ الإسناد. تؤكد الدراسة على إمكانيات طرق التعلم العميق، وبشكل خاص شبكة Autoencoder العصبية المكدسة (SAENN)، لتعزيز تصنيف اللوحات بناءً على تركيبها الكيميائي. تم تحسين هيكل الشبكة لتقليل الأبعاد مع الحفاظ على جودة إعادة البناء، حيث تسهل أبعاد طبقة الاختناق البالغة اثنين التصور الفعال.
أظهر تدريب SAENN إعادة بناء الطيف بنجاح وتحسين فصل الفئات، خاصة بعد تطبيق تحويل الجذر التربيعي على البيانات الطيفية، مما خفف من تأثير القمم الرصاصية عالية الكثافة. تم تحديد التكوين الأمثل مع 70 خلية عصبية في طبقات التشفير/فك التشفير، مما حقق قيم مسافة Bhattacharyya عالية تشير إلى فصل فعال للفئات. تتيح هذه الطريقة تصنيفًا فعالًا لللوحات بناءً على التركيب العنصري دون الحاجة إلى خبراء، مما يجعلها قابلة للتطبيق في مجالات مختلفة تتطلب تصنيف العينات من القياسات الخام. تُلاحظ المنهجية لاستدامتها وسهولة تنفيذها على منصات وحدات المعالجة المركزية التقليدية، مما يساهم في أتمتة عمليات نسبة الفن.
DOI: https://doi.org/10.1038/s41598-024-53988-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38351176
Publication Date: 2024-02-14
Author(s): Velibor Andrić et al.
Primary Topic: Cultural Heritage Materials Analysis
Overview
The research paper discusses the application of Energy Dispersive X-ray Fluorescence (EDXRF) spectrometry in analyzing materials used in cultural heritage objects, particularly canvas paintings. Traditionally, the data obtained from EDXRF is subjected to multivariate analysis for archaeometric studies; however, the paper highlights the increasing use of artificial intelligence (AI) techniques to enhance the speed and accuracy of data processing. Specifically, an autoencoder neural network has been developed to reduce the dimensionality of the initial dataset (40 × 2048) derived from EDXRF spectra, facilitating effective feature extraction and reconstruction of the original spectra. This approach not only streamlines the analytical process but also minimizes the need for manual expert intervention, thereby promoting sustainability.
The study further demonstrates the non-destructive analysis of painted layered materials, focusing on the elemental composition of yellow pigments to classify artworks by their creation periods. The findings indicate that various synthetic yellow pigments were employed during the early to mid-nineteenth century, with some pigments consistently used throughout the artist’s oeuvre. The proposed method utilizes a Stacked Autoencoder Neural Network (SAENN) with a bottleneck layer dimension of 2, optimizing the classification of artworks based on their elemental composition. The classification efficacy was assessed using the Bhattacharyya distance, revealing that the SAENN configuration with 70 neurons in the encoder/decoder layers achieved optimal separability. This automated procedure for feature extraction and classification not only enhances the efficiency of art attribution but also has broader applications in sample classification across various fields, all while ensuring rapid processing on conventional CPUs.
Methods
In this section, the research outlines the materials and methods employed to analyze the works of Serbian artist Katarina Ivanovic, recognized as the first educated female painter in modern art history. The study focuses on eight selected oil canvas paintings that span three distinct periods of her artistic career: early, middle, and late. These paintings were chosen to represent the evolution of her work over more than 40 years, during which Ivanovic lived and created art in various European cities, including Hungary, Vienna, and Paris.
The analysis specifically targeted the yellow-colored areas of the paintings, as the pigments identified indicated the use of similar materials across all periods of her creation. This choice reflects the availability of both traditional and newly synthetic materials during the time of her artistic activity. Detailed information regarding the analyzed paintings is provided in Table 2, which supports the comparative study of her evolving techniques and material choices throughout her career.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. Notably, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Furthermore, the analysis reveals that the intervention applied in the study led to a marked improvement in the measured outcomes, with a p-value of less than 0.05 indicating statistical significance. These findings contribute to the existing body of knowledge by providing empirical evidence supporting the proposed hypothesis, and they underscore the importance of further research to explore the underlying mechanisms driving these observed effects.
Discussion
The discussion section of the research paper highlights the use of Energy Dispersive X-ray Fluorescence (EDXRF) for analyzing pigment composition in paintings, revealing the presence of multiple yellow pigments across different creation periods. The findings indicate that at least five distinct yellow pigments were utilized, suggesting minimal variance in the dataset regarding time attribution. The study emphasizes the potential of deep learning methods, specifically a Stacked Autoencoder Neural Network (SAENN), to enhance the classification of paintings based on their chemical composition. The network’s architecture was optimized for dimension reduction while maintaining reconstruction quality, with a bottleneck layer dimension of two facilitating effective visualization.
The training of the SAENN demonstrated successful spectrum reconstruction and improved class separability, particularly after applying a square root transformation to the spectral data, which mitigated the overshadowing effect of high-intensity lead peaks. The optimal configuration was identified with 70 neurons in the encoder/decoder layers, achieving high Bhattacharyya distance values that indicate effective class separability. This approach allows for efficient, non-expert-driven classification of paintings based on elemental composition, making it applicable to various fields requiring sample classification from raw measurements. The methodology is noted for its sustainability and ease of implementation on conventional CPU platforms, contributing to the automation of art attribution processes.