מעבר להארה מחודשת: RTI לאשכול חתיכות טקסטיל ארכיאולוגיות באמצעות למידה עמוקה

הרכבת העבר

טקסטילים ארכיאולוגיים מגיעים אלינו לעיתים קרובות כקרעים זעירים ומתפוררים ולא כפריטים שלמים כמו בגדים או שטיחים. עם זאת, חוטים شکنיים אלה יכולים לחשוף כיצד אנשים התלבשו, אילו סיפורים נאמרו בבד, ומה דרגת המיומנות והסחר של יוצריהם. מאמר זה מציג שיטה ממוחשבת חדשה שתסייע לאוצרות ולארכיאולוגים למיין ולקבץ חתיכות כאלה, באמצעות סוג מיוחד של תאורה וניתוח תמונה מודרני כדי להציע אילו חלקים ייתכן ששייכים זה לזה.

הארה מכיוונים רבים

הליבה של העבודה היא שיטת דימות הנקראת Reflectance Transformation Imaging, או RTI. במקום לצלם תמונה אחת בלבד של הטקסטיל, RTI לוכד עשרות תמונות תוך כדי הארת החפץ מכיוונים שונים בתוך כיפה מבוקרת. זה לא מייצר מודל תלת־ממדי מלא, אבל זה רושם כיצד המשטח מוחזר על ידי האור, חושף בליטות זעירות, חוטים ואזורי שחיקה שתצלום צבע רגיל אינו מראה. בהשוואה לצילום סטנדרטי, RTI מספק מידע עשיר בהרבה על המרקם ומצב המשטח, וכל זאת ללא מגע או נזק לאובייקט.

הפיכת אור למספרים

כדי לנצל נתונים עשירים אלה, החוקרים לדחוס כל קבוצת RTI לתמונה מפושטת המייצגת את המראה הכולל של המשטח שלא תלוי בכיוון ההארה. הם משתמשים בטכניקה מתמטית הנקראת הרמוניות המיספריות (hemispherical harmonics) כדי לתאר כיצד כל נקודה בבד מגיבה לאור המגיע מכיוונים שונים. על ידי שמירה של הרכיב הבסיסי בלבד של התיאור הזה, הם משיגים תמונה שתופסת את הצבע היציב וההחזרה המפוזרת של הטקסטיל תוך דיכוי צללים ונקודות מבריקות. זה חשוב במיוחד עבור קרעים ישנים ואי־אחידים, שבהם שינויים קטנים במיקום או בהארה עלולים להטעות את הניתוח.

להדריך את המחשב לראות בד

בהמשך, הצוות מזין את תמונות ה‑RTI המעובדות למודל למידה עמוקה שאומן במקור על מיליוני תמונות יום־יומיות. אף על פי שמודל זה, הידוע כ‑ResNet-50, לא נבנה במיוחד לארכיאולוגיה, השכבות המוקדמות שלו טובות מאוד בזיהוי דפוסים כמו קווים, מרקמים וצורות. עבור כל קרע, המודל מפיק רשימת מספרים ארוכה — וקטור תכונות — שמסכמת את האופי הוויזואלי של הבד, כולל מבנה האריגה, קישוט, התפלגות צבעים וסימני נזק. תיאור מפורט זה חי במרחב של יותר מאלף שתי־אלפים ממדים, הרחק מעבר למה שבני אדם יכולים לפרש בקלות.

לראות אשכולות בתוך הכאוס

כדי להמיר את התיאור המורכב הזה למשהו שאדריכאים יכולים להשתמש בו, החוקרים מיישמים כלים לצמצום ממדים שמכווצים את התכונות הגבוהות־הממד אל מפה דו־ממדית. במפה זו, חתיכות עם תכונות משטח דומות נוטות לשכון קרוב זו לזו, בעוד שונות נמצאות מרוחקות יותר. לאחר מכן הם מיישמים שיטות אשכול סטנדרטיות, כגון k‑means ו‑spectral clustering, כדי לקבץ באופן אוטומטי חתיכות הנראות קשורות. השיטה נבדקה על שתי אוספים של טקסטיל: טקסטילים מקבר אוסברג מתקופת הוויקינגים, שנשמרו רק כחתיכות מפוזרות, ודגל דרגון פולני, שבו האובייקט המלא המקורי ידוע ונסרק דיגיטלית לחתיכות ניסוי.

עולה על צילומים רגילים

בהשוואת תוצאות מבוססות RTI לאלו שהתקבלו מתמונת צבע יחידה ומוארת היטב של אותן חתיכות, המחברים מראים כי RTI נותן קיבוצים ברורים ועקביים יותר. חתיכות מפוצלות של אותו טקסטיל מקורבי ממוקמות קרוב יותר זו לזו במרחב התכונות של RTI, וקבוצות ידועות מאוסף הבקרה של הדגל יוצרות אשכולות צמודים ונפרדים. מסגרת RTI גם תומכת במשימת "חיפוש תמונה" פשוטה: בהינתן קרע אחד, המערכת יכולה להציע חתיכות נוספות שסביר ביותר שיתאימו, מה שיכול להפחית משמעותית את המאמץ הידני של מומחים שממיינים אוספים גדולים.

מה המשמעות לשחזור ההיסטוריה

במונחים פשוטים, המחקר ממחיש כי הארה של טקסטילים מכיוונים רבים וניתוח התבניות הנובעות מכך באמצעות למידה עמוקה עוזרים למחשבים "לשים לב" לאותן רמזים עדינים שמומחים אנושיים משתמשים בהם: עובי החוט, האריגה, השחיקה ודפוסים חלשים. בעוד שהשיטה עדיין לא משחזרת בגדים שלמים בעצמה — והיא מוגבלת בחוסר אמת בסיסית מוצקה עבור ממצאים ארכיאולוגיים רבים — היא מציעה דרך חזקה ולא הרסנית להצר את המעגל של אילו קרעים סביר ששייכים לאותו אובייקט מקורי. עם הזמן, כלים כאלה יכולים לסייע למוזיאונים ולארכיאולוגים להפוך ערמות מבולגנות של בד עתיק לסיפורים מלאים ומהימנים יותר על האנשים שארגו ולבשו אותם.

ציטוט: 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

מילות מפתח: טקסטילים ארכיאולוגיים, דימות שינוי ההחזרה (RTI), למידה עמוקה, שחזור מורשת תרבותית, אשכול תמונות