Miten voimme tunnistaa keskiaikaisten käsikirjoitusten materiaalit kajoamatta niihin? CHARM-hankkeessa yhdistämme perinteisen kodikologian ja tekoälyn vastataksemme tähän kysymykseen.
Syksyn aikana harjoittelijamme Li Tian kehitti uuden laskennallisen työnkulun Dino-Lite-mikroskoopilla otettujen multispektrikuvien analysointiin. Perinteisesti musteiden tunnistaminen (esimerkiksi rautagallusmusteen ja hiilimusteen erottaminen toisistaan) perustuu vahvasti tutkijan visuaaliseen kokemukseen. Hienovaraisia eroja siinä, miten materiaalit heijastavat infrapuna- (IR) tai ultraviolettivaloa (UV), on kuitenkin vaikea kvantifioida paljaalla silmällä. Satojen kuvien kohdalla jokaisen kuvajoukon manuaalinen analyysi on myös erittäin työlästä.
Ratkaisuksi kehitimme räätälöidyn koneoppimisputken Pythonilla. Algoritmi erottaa automaattisesti tutkittavan musteen pergamenttipohjasta ja laskee niin sanottuja ”spektripisteitä” fysiikkaan perustuvien sääntöjen avulla. Esimerkiksi se mittaa, kuinka läpinäkyväksi muste muuttuu infrapunavalossa, ja tarjoaa näin objektiivisen mittarin sen luokittelemiseksi rautagallusmusteeksi (läpinäkyvä) tai hiilipohjaiseksi musteeksi (läpäisemätön).
Jotta työkalu olisi kaikkien saatavilla, olemme julkaisseet sen interaktiivisena verkkosovelluksena. Tutkijat voivat nyt yksinkertaisesti ladata kuvan ja saada automaattisen materiaaliennusteen sekunneissa ilman tarvetta ohjelmointiosaamiselle.
Kokeile työkalua täällä:
Tutustu lähdekoodiin:
Toivomme, että tämä avoimen lähdekoodin työkalu auttaa yhdenmukaistamaan materiaalien analyysia ja tukee uusia monitieteisiä löytöjä kulttuuriperinnön tutkimuksessa.