绘画中的自动模具缺陷分类:机器学习和基于规则的技术的比较

科学领域:

• 艺术保护科学 艺术保护科学
• 数字图像分析 数字图像分析
• 机器学习应用 机器学习应用

背景情况:

• 艺术绘画上的菌生长对文化遗产构成重大威胁.
• 菌污染会降低艺术品的品质,需要有效的检测方法.
• 目前的检测方法可能缺乏精度和效率.

研究的目的:

• 开发和评估一种新的自动化方法,用于检测和分类美术绘画中的模具缺陷.
• 为了比较用于模具识别的不同分类技术的性能.
• 通过早期和准确的菌检测,提高珍贵艺术品的保存.

主要方法:

• 使用衍生级别值来提取特征,以识别艺术品图像中的可疑区域.
• 使用形态过,分类和回归树 (CART) 和线性差异分析 (LDA) 来进行缺陷分类.
• 使用模具特征数据集 (MFD) 和独立测试图像验证了方法.

主要成果:

• 这两种分类方法 (形态过,机器学习) 都比基线提高了检测准确度和精度.
• 卡特算法表现出卓越的性能,精度提高了32%到53%,同时保持了96%的准确性.
• 即使使用不平衡的数据集,也可以实现高精度,这突显了CART模型的稳定性.

结论:

• 拟议的图像分析技术为识别绘画上的模具缺陷提供了精确有效的方法.
• 卡特算法显示了在艺术品保护中增强模具自动检测的巨大潜力.
• 这种方法所促进的早期和准确的检测对于保护宝贵的文化遗产艺术品至关重要.