ما وراء إعادة الإضاءة: RTI لتجميع المنسوجات التراثية المتفتتة باستخدام التعلم العميق

جمع شتات الماضي

تصلنا المنسوجات الأثرية غالبًا كخِرَق صغيرة متداعية بدلًا من أزياء أو نسيج كامل. ومع ذلك، يمكن لهذه الخيوط الهشة أن تكشف كيف كان الناس يلبسون، وما القصص التي نقشوها على القماش، ومدى تطور حرفتهم والتجارة لديهم. يقدم هذا البحث طريقة حاسوبية جديدة لمساعدة القيمين وعلماء الآثار على فرز وتجميع مثل هذه القطع، باستخدام نوع خاص من الإضاءة وتحليل صور حديث ليقترح أي القطع قد تكون كانت جزءًا من بعضها سابقًا.

إضاءة من زوايا متعددة

جوهر العمل هو طريقة تصوير تُدعى تصوير التحول الانعكاسي (RTI). بدلًا من التقاط صورة واحدة فقط للمنسوج، يلتقط RTI عشرات الصور أثناء تسليط الضوء من زوايا متعددة داخل قبة محكمة التحكم. هذا لا ينتج نموذجًا ثلاثي الأبعاد كاملًا، لكنه يسجل كيف تعكس السطح الضوء، كاشفًا نتوءات دقيقة وخيوطًا ومناطق مهترئة لا تستطيع الصورة الملونة العادية إظهارها. مقارنة بالتصوير التقليدي، يقدم RTI معلومات أغنى بكثير عن الملمس وحالة السطح، ويقوم بذلك دون لمس أو إتلاف الجسم.

تحويل الضوء إلى أرقام

لاستثمار هذه البيانات الغنية، يقوم المؤلفون أولًا بضغط كل مجموعة RTI إلى صورة مبسطة تمثل المظهر العام المستقل عن الإضاءة لسطح النسيج. يستخدمون تقنية رياضية تُدعى متسلسلات توافقيات نصف كروية لوصف كيف يستجيب كل نقطة على القماش للضوء القادم من اتجاهات مختلفة. بالحفاظ فقط على المركبة الأساسية من هذا الوصف، يحصلون على صورة تلتقط اللون الثابت والانعكاس المنتشر للنسيج مع تقليل تأثير الظلال والبقع اللامعة. هذا مهم بشكل خاص للقطع القديمة غير المتساوية، حيث يمكن لتغييرات بسيطة في وضعية القطعة أو الإضاءة أن تضلل التحليل لو لم يُؤخذ ذلك في الحسبان.

تعليم الحاسوب رؤية القماش

بعد ذلك، يدخل الفريق هذه الصور المعالجة إلى نموذج تعلم عميق تم تدريبه في الأصل على ملايين الصور اليومية. رغم أن هذا النموذج، المعروف باسم ResNet-50، لم يُصمم خصيصًا لعلم الآثار، فإن طبقاته المبكرة جيدة جدًا في اكتشاف أنماط مثل الخطوط والأنسجة والأشكال. لكل قطعة، ينتج النموذج قائمة طويلة من الأرقام — متجه ميزات — يلخص الطابع البصري للنسيج، بما في ذلك بنية النسيج، والزخرفة، وتوزيع الألوان، وآثار التلف. وبما أن هذا الوصف مفصل للغاية، فإنه يعيش في فضاء يزيد عن ألفي بُعد، هو أبعد بكثير مما يستطيع البشر تفسيره بسهولة.

رؤية التجمعات في الفوضى

لتحويل هذا الوصف المعقد إلى شيء يمكن لعلماء الآثار استخدامه، يطبق الباحثون أدوات تقليل الأبعاد التي تضغط الميزات عالية الأبعاد إلى خريطة ثنائية الأبعاد. على هذه الخريطة، تميل القطع ذات الخصائص السطحية المتشابهة إلى الوقوع بالقرب من بعضها، بينما تبعد القطع المختلفة عن بعضها البعض. ثم يطبقون طرق تجميع قياسية، مثل k‑means والتجميع الطيفي، لتجميع القطع ذات الصلة تلقائيًا. اختُبرت الطريقة على مجموعتين من المنسوجات: منسوجات دفن أوسبرغ الشهيرة من العصر الفايكنغي، التي بقيت فقط كقطع متناثرة، وراية دراجون بولندية، حيث يُعرف الشكل الأصلي الرقمي وقد قُطِّع لاختبار التجزئة.

أفضل من الصور العادية

بمقارنة نتائج RTI مع تلك الناتجة عن صور ملونة مفردة ومضاءة جيدًا لنفس القطع، يظهر المؤلفون أن RTI يعطي تجميعات أوضح وأكثر اتساقًا. تُوضع قطع منشطرة من نفس النسيج الأصلي أقرب إلى بعضها في فضاء ميزات RTI، وتشكل المجموعات المعروفة من مجموعة الراية الضابطة تجمعات ضيقة ومنفصلة. كما يدعم إطار RTI مهمة بسيطة لِـ "بحث الصور": بالنظر إلى قطعة واحدة، يمكن للنظام اقتراح قطع أخرى يحتمل أن تتطابق معها، مما قد يقلل كثيرًا الجهد اليدوي للخبراء عند فرز مجموعات كبيرة.

ماذا يعني هذا لإعادة بناء التاريخ

بعبارات بسيطة، تُظهر الدراسة أن تسليط الضوء على المنسوجات من اتجاهات متعددة وتحليل الأنماط الناتجة باستخدام التعلم العميق يساعد الحواسيب على "ملاحظة" نفس الأدلة الدقيقة التي يستخدمها الخبراء البشريون: سمك الخيط، النسيج، التآكل، والزخارف الخافتة. وبينما لا تعيد الطريقة بعد بناء الأزياء كاملة بمفردها — ومقيدًة بانعدام حقائق أرضية مؤكدة لكثير من الاكتشافات الأثرية — فإنها تقدم وسيلة قوية وغير مدمرة لتضييق نطاق القطع التي من المحتمل أن تنتمي لنفس الشيء الأصلي. مع مرور الوقت، قد تساعد مثل هذه الأدوات المتاحف وعلماء الآثار على تحويل أكوام قماش قديمة فوضوية إلى سرد أكثر اكتمالًا ومصداقية عن الناس الذين نسجوه وارتدوه.

الاستشهاد: Khawaja, M.A., Gigilashvili, D., Łojewski, T. et al. Beyond relighting: RTI for clustering fragmented heritage textiles using deep learning. npj Herit. Sci. 14, 95 (2026). https://doi.org/10.1038/s40494-026-02326-9

الكلمات المفتاحية: المنسوجات الأثرية, تصوير التحول الانعكاسي, التعلم العميق, إعادة بناء التراث الثقافي, تجميع الصور