⚡ electrical engineering

Infrared Transparency as a Discriminative Signal and Task-Specific Spectral Ranges for Ink and Substrate Analysis in Historical Manuscripts

본 연구는 적외선 투과도가 역사적 필사본 분석을 위한 핵심적인 판별 신호임을 입증하며, 단파 적외선 영역이 잉크 판별에 있어 가시광선보다 훨씬 더 효과적인 반면 기질 특성화는 모든 스펙트럼 대역에서 견고하게 유지된다는 점을 밝힘으로써, 과업별 스펙트럼 범위 선택의 타당성을 뒷받침한다.

원저자: Osama Abdelaziz, Younes Akbari, Somaya Al-Maadeed, Kishor Kumar Sadasivuni, Sherine El-Menshawy

게시일 2026-08-28

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Osama Abdelaziz, Younes Akbari, Somaya Al-Maadeed, Kishor Kumar Sadasivuni, Sherine El-Menshawy

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

역사는 종종 흐릿해지거나, 얼룩지거나, 수 세기의 흐름 속에 가려진 잉크로 기록되곤 합니다. 보존 전문가와 역사학자들에게 어떤 종류의 잉크가 사용되었는지 정확히 아는 것은 단순히 호기심의 문제가 아닙니다. 그것은 문서가 언제 만들어졌는지, 누가 썼는지, 그리고 어떻게 보존해야 하는지를 이해하는 열쇠입니다. 각기 다른 잉크는 서로 다른 방식으로 노화되며, 아이언 갤(iron gall) 잉크와 같은 일부 잉크는 그 위에 놓인 종이나 양피지를 실제로 부식시키기도 합니다. 이러한 재료들을 손상시키지 않고 연구하기 위해 과학자들은 초분광 이미징(hyperspectral imaging)이라는 기술을 사용합니다. 일반적인 카메라처럼 단 세 가지 색상으로 이미지를 포착하는 대신, 이 기술은 페이지의 모든 지점에서 빛의 전체 스펙트럼을 포착합니다. 이는 모든 픽셀이 그 아래에 있는 재료의 상세한 화학적 지문을 포함하고 있는 사진을 찍는 것과 같습니다. 과제는 항상 어떤 부분의 빛의 스펙트럼이 실제로 유용한지를 결정하는 것이었습니다. 카메라는 가시광선, 근적외선, 단파 적외선을 볼 수 있지만, 단 하나의 카메라도 이 모든 것을 동시에 볼 수는 없습니다. 연구자들은 서로 다른 종류의 빛이 서로 다른 비밀을 밝혀낼 것이라고 오랫동안 의심해 왔지만, 지금까지는 어떤 특정 범위의 빛이 역사적 잉크를 식별하는 데 가장 좋은지, 혹은 종이나 양피지를 식별하는 데 가장 좋은지에 대한 명확한 증거가 없었습니다.

카타르 대학교의 연구팀은 공개된 역사적 문서와 테스트 샘플인 HYPERDOC 데이터셋을 사용하여 이 수수께끼를 풀기 위해 나섰습니다. 그들은 빛의 스펙트럼 중 큰 부분을 제거하더라도 여전히 정확한 결과를 얻을 수 있는지, 아니면 전체 범위의 데이터가 필요한지를 알아내고자 했습니다. 이를 위해 그들은 이러한 빛의 스펙트럼을 읽을 수 있는 컴퓨터 시스템을 구축하고, 세 가지 흔한 유형의 역사적 잉크인 아이언 갤, 탄소 기반, 세피아를 구별하도록 훈련시켰습니다. 또한 그들은 시스템이 양피지나 면-리넨 종과 같은 배경 재료를 식별하도록 요청했습니다. 연구자들은 단순히 추측한 것이 아니라, 동일한 컴퓨터 모델을 아홉 번 실행하면서 매번 서로 다른 빛의 스로트(slice)를 입력했습니다. 어떤 실행에서는 우리가 눈으로 보는 가시광선만을 사용했고, 어떤 경우에는 근적외선만을 사용했으며, 또 다른 경우에는 단파 적외선이나 이들의 조합을 사용했습니다. 그들은 컴퓨터가 단순히 정답을 암기하는 것을 방지하기 위해 데이터를 분할함으로써 테스트가 공정하게 이루어지도록 했습니다.

결과는 놀라울 정도로 명확했으며 이 분야의 일반적인 가정을 뒤집었습니다. 연구진은 우리가 볼 수 있는 색상인 가시광선 부분이 잉크를 구별하는 데 거의 도움이 되지 않는다는 것을 발견했습니다. 분석에서 가시광선을 제거했을 때, 잉크를 식별하는 컴퓨터의 능력은 거의 변하지 않았습니다. 사실, 근적외선과 단파 적외선 범위가 훨씬 더 강력했습니다. 단파 적외선만으로도 높은 정확도로 잉크를 식별할 수 있었으며, 이는 가시광선보다 훨씬 뛰어난 성능을 보였습니다. 이 현상의 이유는 이 잉크들이 빛과 상호작용하는 방식에 있습니다. 빛의 파장이 길어져 적외선 영역으로 이동함에 따라, 아이언 갤 잉크는 투명해지기 시작하여 센서가 그 아래의 종이를 볼 수 있게 합니다. 그러나 탄소와 세피아 잉크는 어둡고 불투명한 상태를 유지하며 빛을 계속 차단합니다. 이 투명도의 차이가 컴퓨터가 이들을 구별하는 핵심 신호입니다. 반면 가시광선은 세 가지 잉ک 모두를 어둡고 유사하게 보기 때문에 구별할 방법을 제공하지 못합니다.

이 연구는 또한 이러한 문서들을 분석하는 가장 좋은 방법이 모든 것을 보는 단일 카메라를 사용하는 것이 아니라, 두 가지 특정 빛의 범위를 결합하는 것임을 밝혔습니다. 근적외선과 단파 적외선 데이터를 병합함으로써, 연구진은 거의 모든 경우에 잉크와 배경 재료를 정확히 식별하여 가장 높은 정확도를 달ей했습니다. 이 조합을 통해 시스템은 잉크가 불투명한 곳과 투명해진 곳을 모두 볼 수 있는 전체 그림을 볼 수 있었습니다. 흥미롭게도, 연구진은 잉크를 식별하는 데 필요한 빛이 종을 식별하는 데 필요한 빛과 다르다는 것을 발견했습니다. 잉크 분류는 적외선에서의 특정 거동에 크게 의존한 반면, 종과 양피지는 테스트된 전체 범위에 걸쳐 쉽게 구별되었습니다. 이는 문서를 연구하는 도구가 단순히 사용 가능한 장비를 사용하는 것이 아니라, 던져진 특정 질문에 따라 선택되어야 함을 시사합니다.

이 작업은 향후 보존 노력에 대한 실질적인 가이드를 제공합니다. 이는 만약 목표가 단순히 잉크 유형을 분류하는 것이라면, 가시광선을 포착하는 비싼 장비는 크게 불필요하다는 것을 보여줍니다. 대신, 적외선 스펙트럼에 집중하는 것이 더 명확하고 신뢰할 수 있는 신호를 제공합니다. 연구진은 그들의 방법이 데이터셋에 있는 특정 유형의 어두운 잉크들에 대해 잘 작동함을 확인했으며, 더 복잡하거나 다른 접근 방식을 사용했던 이전 방법들과 일치하거나 이를 능가하는 수준의 정확도를 달성했습니다. 그러나 그들은 자신들의 발견이 이러한 어두운 잉크들과 측정된 빛의 범위에 국한된다는 점을 언급했습니다. 그들은 자외선이나 중적외선 빛을 테스트하지 않았으며, 유색 잉크나 안료도 테스트하지 않았습니다. 연구는 결론적으로, 가시광선 스펙트럼은 이 특정 작업에 있어서는 중복되지만, 적외선 스펙트럼은 원고를 직접 건드리지 않고도 그 화학적 역사를 읽어내는 데 필요한 결정적인 정보를 담고 있다고 밝히고 있습니다.

기술 요약: 역사적 필사본의 잉크 및 기질 분석을 위한 적외선 투과성 기반 변별 신호와 작업 특이적 스펙트럼 범위

문제 제기
역사적 필사본에서 잉크 유형을 식별하는 것은 연대 측정, 귀속 판정 및 보존 측면에서 매우 중요하며, 서로 다른 잉크(예: 아이언 갤(iron gall) 대 탄소 기반 잉크)는 서로 다르게 퇴화하기 때문이다. 초분광 이미징(HSI)은 비파괴적 분석을 제공하지만, 스펙트럼이 유사한 어두운 색상의 잉크(아이언 갤, 탄소, 세피아)를 구별하기 위한 최적의 스펙트럼 범위는 여전히 미해결 과제로 남아 있다. 또한, 잉크 분류에 가장 적합한 스펙트럼 범위가 기질(양피지 대 종이)을 특징짓는 데 필요한 범위와 동일한지도 불분명하다. 관행적으로는 가시광선/근적외선(VNIR)과 단파장 적외선(SWIR)을 서로 다른 목적을 위해 분리하여 획득하곤 하지만, 이러한 분할 방식이 가시광선 영역에서 재료들이 구별 불가능한 경우가 많은 역사적 잉크 식별에 대해 정량적으로 검증된 바는 없다.

방법론
본 연구는 61개의 역사적 문서 및 모형 샘플로부터 얻은 공간적으로 정렬된 VNIR(400–1000 nm, 121개 밴드) 및 SWIR(900–1700 nm, 161개 밴드) 이미지를 포함하는 공개 HYPERDOC 데이터셋을 활용한다. 실험 설계는 다음과 같다:

스펙트럼 구성 비교: 저자들은 400–1700 nm에 걸친 9가지 서로 다른 스펙트럼 구성을 대상으로 동일한 Residual U-Net 세그멘테이션 모델을 학습시켜, 어떤 밴드가 변별 정보를 제공하는지 결정하기 위해 특정 범위(VIS, NIR, SWIR-Low, SWIR-High) 및 조합(융합 입력)을 격리하였다.
데이터 분할: 현실적인 평가를 보장하기 위해, 데이터는 문서 단위(학습 72%, 검증 15%, 테스트 13%)로 분할되었으며, 이를 통해 동일한 문서의 픽셀이 학습 세트와 테스트 세트에 동시에 나타나지 않도록 하였다. 각 구성은 평균 성능과 표준 편차를 보고하기 위해 서로 다른 무작위 시드(random seed)를 사용하여 5회 반복 실행되었다.
물리적 분석: 모델 학습 외에도, 저자들은 분류를 주도하는 물리적 메커니즘을 이해하기 위해 파장에 따른 잉크-기질 대비(contrast, $C_c(\lambda)$ )를 직접 측정하였다. 또한, 모델 프리 메트릭(Cohen's d 및 AUC)을 사용하여 기질의 분리 가능성(양피지 대 면-리넨)을 평가하였다.
작업 정의: 주요 작업은 4개 클래스 세그멘테이션(아이언 갤, 탄소, 세피아, 기타/비잉크)이다. 부가적인 실험으로는 기존 문헌의 3개 클래스 벤치마크(메탈로-갈레이트, 탄소 함유, 비탄소 함유)를 재현하여 직접적인 비교를 수행하였다.

주요 결과

가시광선 영역의 중복성: 가시광선 스펙트럼(400–700 nm)은 잉크 식별을 위한 추가 정보를 거의 제공하지 않았다. 이를 융합 입력에서 제거했을 때 매크로 F1 점수의 변화는 0.009에 불과했다. 반면, SWIR 데이터 단독으로는 0.660의 가시광선 데이터와 NIR(0.791)을 크게 상회하는 0.920의 매크로 F1을 달려냈다.
SWIR의 우월성 및 밴드 수: SWIR의 이점은 밴드의 수가 아니라 스펙트럼 내용에 기인했다. NIR의 밴드 수와 일치하도록 서브샘플링된 SWIR 구성(SWIR-61)은 매크로 F1 0.914를 달성하여, 전체 SWIR 이점의 95%를 유지했다.
최적의 구성: NIR과 SWIR(700–1700 nm)을 융합했을 때 가장 좋은 성능을 보였으며, 0.977의 정확도와 0.941의 매크로 F1을 기록했다. 이는 개별 스펙트럼 모델 및 가중 소프트 보팅(weighted soft-voting) 조합보다 뛰어난 성능으로, 결합된 스펙트럼-공간 특징을 학습하는 것이 사후 융합보다 더 효과적임을 시사한다.
물리적 메커서니즘 (차등 투과성): 본 연구는 **차등 적외선 투과성(differential infrared transparency)**을 주요 변별 신호로 식별하였다. 아이언 갤 잉크는 파장이 증가함에 따라 대비가 점진적으로 감소하며 센서에 투명하게 보이게 되며, 약 1695–1700 nm에서 노이즈 플로어(noise floor)에 도달한다. 반대로, 탄소 및 세피아 잉크는 400–1700 nm 전 구간에서 측정 가능한 불투명성을 유지한다. 결과적으로, 아이언 갤의 분류는 색상이 아닌 그 "사라짐"을 감지하는 것에 의존한다.
기질 대 잉크 식별: 잉크 분류가 특정 적외선 소멸 거동에 의존하는 것과 달리, 기질 특성(양피지 대 면-리넨)은 전체 측정 범위에 걸쳐 강한 분리 가능성을 보였다(중앙값 Cohen's d = 2.04). 이는 잉크와 기질 분석이 서로 다른, 작업 특이적인 스펙트럼 정보를 사용함을 나타낸다.
벤치마크 비교: 매칭된 문서 단위 분할 하에서, 제안된 모델은 3개 클래스 벤치마크에서 5개의 전통적인 머신러닝 베이스라인(KNN, LDA, RF, PLS-DA)을 능가하고 SVM과 대등한 성능을 보였으나, 원본 HYPERDOC 연구에서 보고된 DeepLabV3보다는 낮은 성능을 보였다.

의의 및 주장
본 논문은 유산 이미징을 위한 스펙트럼 범위가 균일하게 획득되는 것이 아니라 분석 목적에 따라 선택되어야 한다고 주장한다. 연구 결과는 다음과 같다:

작업 특이적 범위: 역사적 필사본의 잉크 식별은 SWIR 데이터와 차등 투과성이라는 물리적 현상에 의해 주도되며, 이는 가시광선 영역이 중복적임을 입증한다.
물리적 해석 가능성: 분류의 성공은 아이언 갤 잉크의 물리적 소멸 거동과 직접적으로 연결되어 있으며, 이는 모델이 사용하는 "사라짐" 신호에 대한 측정 가능한 광학적 근거를 제공한다.
방법론적 엄밀성: 모델 구조를 고정하고 엄격한 문서 단위 분할 하에서 스펙트럼 입력만을 변화시킴으로써, 본 연구는 스펙트럼 밴드의 기여도를 격리하여 유산 과학을 위한 기기 설계 및 데이터 획득 전략에 대한 명확한 가이드를 제공한다.

저자들은 크롭된 미니큐브를 사용했다는 점, 유색 잉크를 제외했다는 점, 그리고 자외선 또는 중적외선 데이터를 포함하지 않았다는 점을 한계점으로 언급하며, 이를 향후 연구 과제로 남겨두었다.

유사한 논문