在使用SWNIR高光谱成像和机器学习的古代纸张中,对基于多糖的特性进行非破坏性预测和像素级可视化

科学领域:

• 材料科学 材料科学 材料科学
• 化学 化学 化学
• 计算机科学 计算机科学

背景情况:

• 古代文献和艺术品是重要的文化遗产,需要保存.
• 传统的评估方法往往具有破坏性,有可能对文物造成不可逆转的损害.
• 非侵入性技术对于分析和保护微妙的文化遗产至关重要.

研究的目的:

• 开发一种新的,非破坏性的方法来评估古代艺术品的物理和化学特性.
• 为了能够精确地,像素级预测纸张特性受到诸如纤维素之类的多糖化合物的影响.
• 支持有针对性的修复策略,促进文化遗产的保护.

主要方法:

• 使用短波近红外 (SWNIR) 超光谱成像 (HSI).
• 集成的光谱预处理,特征选择和机器学习模型 (BPNN,LSTM,CNN).
• 采用了SSA优化和GLCM的特征提取,创建了SSA-BP-UVE-GLCM模型.

主要成果:

• 通过使用SSA-BP-UVE-GLCM模型,实现了纸张性能的高预测精度 (R2 ≥ 0.98).
• 证明了材料特征的精确,像素级预测.
• 验证了SWNIR HSI与机器学习结合用于非侵入性分析的有效性.

结论:

• 开发的框架为基于多糖的材料提供了一种非侵入性分析方法,例如文化遗产中的纸张.
• 这种方法支持有针对性的修复,并加强珍贵艺术品的保护.
• 这些发现为探索使用先进机器学习对艺术品完整性的环境影响提供了基础.