🤖 machine learning

Unmixing microinfrared spectroscopic images of cross-sections of historical oil paintings

تقترح هذه الورقة البحثية مشفرًا تلقائيًا يعتمد على الشبكات العصبية التلافيفية غير الخاضعة للإشراف مع دالة فقدان مبتكرة تعتمد على مسافة الزاوية الطيفية الموزونة لتمكين الفصل الأعمى والمؤتمت للصور فائقة الطيف الناتجة عن تقنية ATR- $\mu$ FTIR للمقاطع العرضية للوحات الزيتية التاريخية، مما يحسن بشكل كبير من قابلية التفسير وقابلية التوسع لتحليل المواد مقارنة بالطرق اليدوية التقليدية.

المؤلفون الأصليون: Shivam Pande, Nicolas Nadisic, Francisco Mederos-Henry, Aleksandra Pizurica

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shivam Pande, Nicolas Nadisic, Francisco Mederos-Henry, Aleksandra Pizurica

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك لوحة فنية قديمة وثمينة للغاية، مثل لوحة "مذبح غنت" (Ghent Altarpiece) الشهيرة. على مر مئات السنين، تشققت الألوان وتلاشت وتغيرت. لفهم كيفية صنعها وكيفية إصلاحها، يأخذ العلماء شريحة مجهرية صغيرة جدًا من اللوحة (مقطع عرضي). هذه الشريحة تشبه "الساندوتش" متعدد الطبقات: الطبقة العلوية قد تكون الورنيش، والطبقة الوسطى هي الطلاء، والطبقة السفلية هي القماش.

داخل هذه الشريحة الصغيرة، توجد عشرات المكونات المختلفة المختلطة معًا: أصباغ، زيوت، مواد رابطة، وحتى مواد كيميائية جديدة تشكلت بفعل الزمن (مثل الصدأ أو الصابون).

المشكلة: لغز "السموذي"

يستخدم العلماء آلة خاصة تسمى ATR-µFTIR للنظر في هذه الشريحة. هذه الآلة تسلط ضوء الأشعة تحت الحمراء على كل نقطة صغيرة (بكسل) في الشريحة وتسجل "بصمة" (طيف) لما يوجد هناك.

ومع ذلك، هناك عقبة؛ فالطبقات في اللوحة الحقيقية تكون فوضوية. في أي نقطة واحدة، لا ترى الآلة مجرد "طلاء أحمر" فقط، بل ترى "سموذي" مكونًا من طلاء أحمر، وطلاء أزم، وزيت، وربما بعض الغبار أو بخار الماء من الهواء.

تسجل الآلة هذا المزيج الفوضوي كإشارة واحدة معقدة. والهدف الذي يسعى إليه العلماء هو "فك خلط" هذا السموذي. إنهم يريدون معرفة:

ما هي المكونات الأصلية؟ (الأعضاء النهائية أو الـ Endmembers)
أين تقع هذه المكونات بالضبط داخل الشريحة؟ (خرائط الوفرة أو الـ Abundance Maps)

تقليديًا، كان على الخبراء القيام بذلك يدويًا، عبر مقارنة الإشارات الفوضوية بمكتبة من المواد الكيميائية المعروفة. كانت العملية بطيئة، وتعتمد على التقدير الشخصي، وغالبًا ما كانت تفشل في رصد بعض الأشياء.

الحل: المحقق الذكي بالذكاء الاصطناعي

قام مؤلفو هذه الورقة البحثية ببناء أداة ذكاء اصطناعي جديدة تسمى FTIR-unmixer. فكر فيها كمحقق ذكي جدًا يمكنه النظر إلى "السموذي" الفوضوي وفصل المكونات تلقائيًا.

إليك كيف تعمل، باستخدام تشبيهات بسيطة:

1. استراتيجية "الرقعة" (النظر إلى الأحياء المجاورة)

بدلاً من النظر إلى نقطة واحدة صغيرة بمعزل عن غيرها، ينظر الذكاء الاصطناعي إلى مجموعة صغيرة من النقاط (رقعة 5×5) في كل مرة.

التشبيه: تخيل أنك تحاول التعرف على شخص في حشد. إذا نظرت إلى وجه واحد فقط، سيكون الأمر صعبًا. ولكن إذا نظرت إلى المجموعة بأكملها ورأيت من يقف بجانب من، فسيصبح من السهل جدًا رصد الأنماط. يستخدم الذكاء الاصطناعي منطق "الجوار" هذا ليفهم أنه إذا كان هناك مادة كيميائية معينة هنا، فمن المرجح أن تكون موجودة بالقرب منها أيضًا.

2. "المشفر التلقائي" (لعبة الضغط)

يستخدم الذكاء الاصطناعي شبكة عصبية تسمى Autoencoder.

التشبيه: تخيل أن لديك حقيبة سفر كبيرة وفوضوية مليئة بالملابس (البيانات)، وتريد تعبئتها في صندوق صغير ومنظم (المكونات).
- المُشفّر (Encoder): يقوم بضغط الحقيبة الفوضوية للوصول إلى العناصر الأساسية بداخلها (المكونات).
- المُفكك (Decoder): يحاول تفريغ تلك العناصر لإعادة بناء الحقيبة.
- إذا تمكن الذكło الاصطناعي من إعادة بناء الحقيبة بشكل مثالي، فهذا يعني أنه وجد المكونات الصحيحة.

3. "زاوية الطيف الموزونة" (تجاهل الضجيج)

البيانات الناتجة عن الآلة مليئة بـ "الضجيج".

المشكلة: في بعض الأحيان، تلتقط الآلة إشارات من الهواء (مثل ثاني أكسيد الكربون أو بخار الماء) أو أعطالًا في المستشعر. هذه تشبه "التشويش" في الراديو. إذا استمع الذكاء الاصطناعي إلى هذا التشويش، فقد يظن أنه مكون جديد، مما يفسد التحليل.
الحل: ابتكر المؤلفون قاعدة خاصة تسمى WSAD (مسافة زاوية الطيف الموزونة).
- التشبيه: تخيل أنك تحاول سماع محادثة في غرفة صاخبة. أنت تقوم تلقائيًا بتجاهل صوت مكيف الهواء أو حركة المرور في الخارج لأنك تعلم أنها ليست جزءًا من المحادثة.
- يفعل الذكاء الاصطناعي الشيء نفسه؛ فهو يتحقق تلقائيًا من كل "قناة" من قنوات البيانات. إذا بدت قناة ما غريبة، أو متذبذبة بشكل حاد، أو مسطحة للغاية (مثل تلوث الهواء)، فإن الذكاء الاصطناعي يخفض مستوى الصوت على تلك القناة. إنه يستمع فقط للقنوات التي تبدو كإشارات كيميائية حقيقية.

النتيجة: تنظيف "مذبح غنت"

اختبر الفريق هذه التقنية على شريحة حقيقية من لوحة "مذبح غنت".

بدون القاعدة الجديدة (الذكاء الاصطناعي القياسي): ارتبك الذكاء الاصطناعي بسبب تلوث الهواء (ثاني أكسيد الكربون) وظن أنه جزء حقيقي من اللوحة. كما ظهرت خريطة مكان وجود "الصابون المعدني" (وهو نتاج تدهور كيميائي) مشتتة وفوضوية بعض الشيء.
مع القاعدة الجديدة (WSAD): تجاهل الذكاء الاصطناعي تلوث الهواء. وأصبحت خريطة مكان وجود "الصابون المعدني" أكثر وضوحًا وطابقت ما توقعه الخبراء. لقد نجح في فصل "المكونات" (مثل البروتينات، والصابون المعدني، وأوكسالات الكالسيوم) عن ضجيج الخلفية.

لماذا يهم هذا الأمر؟

هذا ليس مجرد بحث رياضي؛ بل يتعلق بإنقاذ التاريخ.

السرعة: يقوم بما كان يستغرق من الخبراء ساعات أو أيام في غض دقائق معدودة.
الدقة: يزيل الانحياز البشري ولا ينخدع بتلوث الهواء أو أعطال الآلات.
الاكتشاف: يمكنه العثور على طبقات مخفية أو كميات ضئيلة من المواد الكيميائية التي قد تغيب عن العين البشرية، مما يساعد المرممين على فهم كيفية ترميم هذه الأعمال الفنية التي لا تقدر بثمن دون إتلافها.

باختصار، صنع المؤلفون ذكاءً اصطناعيًا ذكيًا قادرًا على إلغاء الضجيج، يمكنه النظر إلى شريحة طلاء قديمة وفوضوية وفصل مكوناتها الأصلية بدقة، مما يساعدنا على فهم وحماية تراثنا الثقافي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "فك خلط الصور الطيفية للأشعة تحت الحمراء الدقيقة للمقاطع العرضية للوحات الزيتية التاريخية."

1. بيان المشكلة

تتناول الورقة تحدي تفسير صور التصوير الطيفي الفائق (HSI) بتقنية امتصاص الأشعة تحت الحمراء بتحويل فورييه بنمط الانعكاس الكلي الموهن (ATR- $\mu$ FTIR) للمقاطع العرضية للوحات الزيتية التاريخية.

السياق: تُعد تقنية ATR- $\mu$ FTIR أسلية قياسية غير جراحية تُستخدم في علوم التراث لتحليل الطبقات (الستراتيغرافيا) للوحات. وهي تولد مكعباً طيفياً يحتوي فيه كل بكسل على طيف (غالباً أكثر من 1500 حزمة).
التحديات:
- التعقيد: العينات غير متجانسة، متعددة الطبقات، ومتدهورة. أطياف البكسلات هي خليط من العديد من الأنواع (الأصباغ، الروابط، الورنيشات، ونواتج التحلل مثل الصابون المعدني).
- الضوضاء والشوائب: تعاني البيانات من ضوضاء كبيرة في عملية الاستحواذ وتداخلات جوية (مثل امتصاص $H_2O$ و $CO_2$ ) مما يخلق قممًا زائفة.
- قصور الطرق الحالية: يعتمد التحليل التقليدي على المقارنة اليدوية مع مكتبات مرجعية، وهو أمر بطيء، ذاتي، ويصعب توسيع نطاقه. كما أن خوارزميات فك الخلط الآلية الموجودة (المصممة غالباً لانعكاسات VIS-NIR) تفشل في التعامل مع ملفات الضوضاء المحددة، والأبعاد العالية، وطبيعة البيانات المعرضة للشوائب في ATR- $\mu$ FTIR. إن معاملة جميع الحزم الطيفية بالتساوي أثناء التدريب يؤدي إلى انحياز تقدير العناصر النهائية (أطياف المواد النقية) ووفرتها بسبب المناطق المشوبة بالضوضاء.

2. المنهجية

يقترح المؤلفون FTIR-unmixer، وهو إطار عمل للتعلم العميق غير الخاضع للإشراف يعتمد على مشفر تلقائي لشبكة عصبية تلافيفية (CNN Autoencoder) مصمم خصصاً لفك الخلط الأعمى لبيانات ATR- $\mu$ FTIR.

أ. نموذج الخلط الخطي (LMM) مع النمذجة القائمة على الرقع (Patch-Based Modeling)

الافتراض: تتبع البيانات قانون (Beer-Lambert) للخلط الخطي، حيث يكون الطيف المرصود عبارة عن مزيج خطي لأطياف العناصر النهائية النقية موازنةً بوفرتها.
نهج الرقع (Patch-wise): بدلاً من معالجة البكسلات بشكل مستقل، تعالج الطريقة رقعاً مكانية بحجم $p \times p$ . هذا يستغل الانتظامات الطيفية-المكانية، بافتراض أن البكسلات المتجاورة تشترك في تركيبات مواد متشابهة.
البنية:
- المشفر (Encoder): شبكة CNN تأخذ رقعة طيفية كمدخل وتخرج خريطة الوفرة ( $A_c$ ). تستخدم طبقات تلافيفية، وتطبيع الدفعات (Batch Normalization)، والإسقاط (Dropout)، وتنشيط "softmax" المقيّس لفرض قيود عدم سلبية الوفرة (ANC) ومجموع الوفرة إلى واحد (ASC).
- المفكك (Decoder): طبقة CNN خطية تعيد بناء رقعة المدخلات من خرائط الوفرة. تُفسر أوزان هذا المفكك على أنها مصفوفة العناصر النهائية (Endmember Matrix - $E$ ). يفرض النموذج عدم سلبية العناصر النهائية (ENC) عبر دالة تنشيط "softplus".

ب. الابتكار الرئيسي: مسافة الزاوية الطيفية الموزونة (WSAD)

لمعالجة مشكلة الحزم الطيفية غير الموثوقة (الضوضاء والشوائب)، قدم المؤلفون دالة خسارة مبتكرة، WSAD، والتي تحل محل مسافة الزاوية الطيفية القياسية (SAD).

المفهوم: تطبق WSAD أوزاناً ( $w$ ) على العناصر لكل حزمة قبل حساب الزاوية، مما يؤدي فعلياً إلى تقليل وزن الحزم المشوبة بالضوضاء أو غير المعلوماتية أثناء التدريب.
التقدير التلقائي للأوزان: تُشتق الأوزان مباشرة من البيانات باستخدام ثلاثة مقاييس إحصائية لتحديد الحزم "السيئة":
1. التسطح المكاني (Spatial Flatness): الحزم التي تظهر تبايناً مكانياً منخفضاً بشكل غير عادي (مما يشير إلى تأثيرات جوية مشتركة بدلاً من التباين المادي) يتم تقليل وزنها.
2. الاتفاق مع الجيران (Neighbour Agreement): الحزم التي تظهر ارتباطاً منخفضاً مع الجيران الطيفيين المجاورين (مما يشير إلى نبضات أو أعطال معزولة) يتم معاقبتها.
  3 الخشونة الطيفية (Spectral Roughness): الحزم ذات الانحناء عالي التردد (النبضات) في الطيف الوسيط يتم كبحها.
الآلية: يتم تحويل هذه التشخيصات إلى درجات شاذة (outlier scores) وتعيينها للأوزان عبر دالة "sigmoid". تحصل الحزم غير الموثوقة على أوزان قريبة من الحد الأدنى ( $w_{min}$ )، بينما تحصل الحزم المعلوماتية على أوزان قريبة من 1.

3. المساهمات الرئيسية

أول عملية فك خلط آلية لـ ATR- $\mu$ FTIR للمقاطع العرضية: هذا هو العمل الأول الذي يقترح طريقة فك خلط آلية تعتمد على التعلم العميق ومصممة خصيصاً للبيانات عالية الأبعاد والمشوبة بالضوضاء لمقاطع اللوحات العرضية.
دالة خسارة WSAD: تقديم دالة خسارة موزونة مدفوعة بالبيانات تحدد وتكبح تلقائياً تأثير الشوائب الجوية (مثل $CO_2$ ) وضوضاء الاستحواذ دون الحاجة لترشيح يدوي.
المشفر التلقائي (CNN Autoencoder) القائم على الرقع: بنية مبتكرة تستفيد من الهيكل المكاني المحلي لتحسين تقدير خرائط الوفرة مقارنة بالنهج القائم على البكسل.
المتانة تجاه عدد العناصر النهائية غير المعروف: تتضمن الطريقة استراتيجية لتحديد العدد الأمثل للعناصر النهائية ( $K$ ) بشكل تكراري من خلال تحليل انفصال وتكرار الخرائط.

4. النتائج التجريبية

مجموعة البيانات: تم اختبار الطريقة على مقاطع عرضية ATR- $\mu$ FTIR من لوحة "مذبح الحمل" (Ghent Altarpiece) (المنسوبة للأخوين فان إيك). تكونت مجموعة البيانات من بلاطات متتالية بحجم $64 \times 64 \times 1504$ .
الإعداد: تم تدريب النموذج لمدة 500 حقبة (epoch) باستخدام محسن Adam. تم تحديد عدد العناصر النهائية بـ $K=10$ من خلال الفحص التكراري لخرائط الوفرة.
المقارنة: تمت مقارنة نسخة WSAD المقترحة مع خط أساس SAD القياسي (حيث يتم وزن جميع الحزم بالتساوي).
النتائج:
- التحديد الكيميائي: نجحت كلتا الطريقتين في تحديد المكونات الرئيسية: البروتينات، الصابون المعدني، وأكسالات الكالسيوم.
- كبح الشوائب: قللت طريقة WSAD بشكل كبير من تأثير تلوث $CO_2$ (القمم حول $2350 \text{ cm}^{-1}$ ) في أطياف العناصر النهائية المقدرة. في خط أساس SAD، ظهرت هذه الشوائب كميزات بارزة في الأطياف المعاد بناؤها.
- التماسك المكاني: أظهرت خرائط الوفرة التي أنتجتها WSAD تماسكاً مكانياً محسناً، خاصة بالنسبة لـ الصابون المعدني، حيث ظهرت بشكل أكثر تجانساً واتساقاً مع الخرائط النوعية المرجعية مقارمة بخط أساس SAD.
- القابلية للتفسير: نجحت منهجية WSAD في فصل المكونات الثانوية والخلفية الراتنجية مع تقليل "تسرب" الضوضاء إلى التواقيع الكيميائية.

5. الأهمية

يمثل هذا العمل تقدماً كبيراً في علوم التراث والتحليل الطيفي الحسابي.

التحليل غير الجراحي: يتيماكلاً تحليلاً أكثر دقة، وآلية، وقابلية للتوسع للقطع الأثرية التاريخية الهشة دون الحاجة إلى أخذ عينات مدمرة أو تدخل يدوي مكثف.
النقل المنهجي: يسد الفجوة بين تقنيات فك الخلط الطيفي في الاستشعار عن بعد والمتطلبات المحددة والصعبة لمواد التراث الثقافي (التي تختلف بشكل كبير عن المناظر الطبيعية أو بيانات الانعكاس القياسية).
التأثير المستقبلي: من خلال توفير أداة غير خاضعة للإشراف ومتينة لفك الخلط الأعمى، تسمح هذه الطريقة للمرممين ومؤرخي الفن برسم خرائط التوزيعات الكيميائية المعقدة (مثل نواتج التحلل مقابل الأصباغ الأصلية) بسرعة، مما يساعد في استراتيجيات حفظ أفضل وفهم تاريخي أعمق.