Mejora del análisis micromorfológico mediante segmentación basada en CNN de sílex/obsidiana, hueso y carbón vegetal

Área de la Ciencia:

• Ciencia Arqueológica; Geoarqueología; Arqueología Digital

Sus antecedentes:

• El análisis de la micromorfología arqueológica es a menudo subjetivo y desafiante.
• La cuantificación precisa de materiales como huesos, carbón vegetal y litoide es crucial para comprender los entornos pasados y las actividades humanas.

Objetivo del estudio:

• Desarrollar y evaluar una herramienta de aprendizaje profundo para la segmentación y cuantificación automática de materiales clave en cortes delgados arqueológicos.
• Mejorar la objetividad, precisión y reproducibilidad en el análisis de la micromorfología arqueológica.

Principales métodos:

• Se utilizaron fotomicrografías de alta resolución de 57 cortes delgados.
• Se entrenaron y evaluaron redes neuronales convolucionales (CNN) de última generación, específicamente una U-Net con un codificador InceptionV4.
• Se aplicaron los modelos para segmentar y clasificar la abundancia relativa de sílex/obsidiana, hueso y carbón vegetal.

Principales resultados:

• La U-Net con codificador InceptionV4 logró altas puntuaciones medias de intersección sobre unión (IoU): 0.96 para sílex/obsidiana, 0.80 para hueso y 0.82 para carbón vegetal.
• Las precisiones equilibradas para la clasificación de la abundancia de materiales fueron excelentes: 0.99 para sílex/obsidiana, 0.92 para hueso y 0.85 para carbón vegetal.
• Se demostró la eficacia del aprendizaje profundo en la segmentación y cuantificación de materiales.

Conclusiones:

• El aprendizaje profundo ofrece una solución poderosa para mejorar la objetividad y la precisión en la micromorfología arqueológica.
• La herramienta desarrollada proporciona un recurso valioso para la investigación geoarqueológica, permitiendo un análisis más fiable de contextos del Paleolítico.
• La segmentación y cuantificación automatizadas pueden mejorar significativamente la reproducibilidad en el campo.