25 مارس 2022 -توسط دانشگاه کاردیف
دانشمندان از هوش مصنوعی پیشرفته برای کمک به استخراج اطلاعات پیچیده از مجموعه های بزرگ نمونه های موزه استفاده می کنند.
تیمی از دانشگاه کاردیف از تکنیک‌های پیشرفته برای بخش‌بندی و ضبط خودکار اطلاعات از نمونه‌های موزه و بهبود کیفیت داده‌های مهم بدون نیاز به ورودی انسانی استفاده می‌کنند.
آنها با موزه‌هایی از سراسر اروپا، از جمله موزه تاریخ طبیعی، لندن، کار کرده‌اند تا روش‌های جدید خود را اصلاح و اعتبار بخشند و در کار بزرگ دیجیتالی کردن صدها میلیون نمونه مشارکت داشته باشند.
با بیش از 3 میلیارد نمونه بیولوژیکی و زمین‌شناسی که در موزه‌های تاریخ طبیعی در سراسر جهان نگهداری می‌شوند، دیجیتالی کردن نمونه‌های موزه‌ای که در آن اطلاعات فیزیکی از یک نمونه خاص به فرمت دیجیتالی تبدیل میشود، به یک وظیفه مهم برای موزه‌ها تبدیل شده است.
گنجینه ای از اطلاعات دیجیتال برای دانشمندانی که سعی در مدل سازی گذشته، حال و آینده موجودات زنده و سیاره ما دارند بسیار ارزشمند است و می تواند کلیدی برای مقابله با برخی از بزرگترین چالش های اجتماعی باشد که دنیای امروز ما با آن مواجه است، از حفظ تنوع زیستی و مقابله با تغییرات آب و هوایی تا یافتن راه های جدید برای مقابله با بیماری های نوظهور مانند COVID-19.
فرآیند دیجیتالی سازی همچنین به کاهش میزان جابجایی دستی نمونه ها کمک می کند که بسیاری از آنها بسیار ظریف و مستعد آسیب هستند. داشتن داده ها و تصاویر مناسب به صورت آنلاین می تواند خطر مجموعه فیزیکی را کاهش دهد و از نمونه ها برای نسل های آینده محافظت کند.
در مقاله جدیدی که در مجله Machine Vision and Applications منتشر شد، تیم دانشگاه کاردیف گامی در جهت ارزان‌تر و سریع‌تر کردن این فرآیند برداشته است.
لورنس لیورمور، معاون مدیر برنامه دیجیتال در موزه تاریخ طبیعی لندن، می‌گوید: «این رویکرد جدید می‌تواند گردش‌های کاری دیجیتالی‌سازی ما را متحول کند».
این تیم روش جدیدی به نام تقسیم‌بندی تصویر را ایجاد و آزمایش کرده است که می‌تواند به راحتی و به طور خودکار مناطق بصری مختلف را بر روی تصاویر به گونه‌ای متنوع مانند اسلایدهای میکروسکوپ یا ورق‌های هرباریوم با دقت بالایی مشخص و محدود کند.
تقسیم‌بندی خودکار را می‌توان برای تمرکز بر گرفتن اطلاعات از مناطق خاصی از یک اسلاید یا صفحه، مانند یک یا چند برچسب چسبانده شده روی اسلاید، استفاده کرد. همچنین می تواند به انجام کنترل کیفیت مهم بر روی تصاویر کمک کند تا اطمینان حاصل شود که کپی های دیجیتالی نمونه ها تا آنجا که می توانند دقیق هستند.
“در گذشته، دیجیتالی شدن ما با سرعتی که می‌توانیم به صورت دستی داده‌ها را از تصاویرمان بررسی، استخراج و تفسیر کنیم، محدود شده بود. این رویکرد جدید به ما امکان می‌دهد تا برخی از کندترین بخش‌های گردش کار دیجیتالی خود را مقیاس‌بندی و آن را حیاتی کنیم. لیورمور ادامه داد: داده ها به راحتی در دسترس محققان تغییرات آب و هوا و تنوع زیستی است.
این روش بر روی هزاران تصویر از اسلایدهای میکروسکوپ و ورق‌های هرباریوم از مجموعه‌های مختلف تاریخ طبیعی آموزش داده شده و سپس آزمایش شده است که سازگاری و انعطاف‌پذیری سیستم را نشان می‌دهد.
اطلاعات کلیدی در مورد اسلاید میکروسکوپ یا ورق هرباریوم، مانند خود نمونه، برچسب‌ها، بارکدها، نمودارهای رنگی و نام مؤسسه در تصاویر گنجانده شده است.
به طور معمول، هنگامی که یک تصویر گرفته شد، باید برای اهداف کنترل کیفیت بررسی شود و اطلاعات برچسب‌ها ثبت شود – فرآیندی که در حال حاضر به صورت دستی انجام میشود، که می‌تواند زمان و منابع زیادی را به خود اختصاص دهد.
پروفسور پل روزین، نویسنده اصلی مطالعه جدید، از دانشکده علوم کامپیوتر و انفورماتیک دانشگاه کاردیف، گفت: تلاش‌های قبلی برای تقسیم‌بندی تصویر اسلایدهای میکروسکوپ و صفحات هرباریوم به تصاویر تنها از یک مجموعه محدود شده بود.کار ما بر روی شرکای متعدد در پروژه بزرگ اروپایی ما برای ایجاد یک مجموعه داده حاوی نمونه هایی از چندین مؤسسه متمرکز شده است و نشان می دهد که چگونه می توان روش های هوش مصنوعی ما را برای پردازش تصاویر از طیف گسترده ای از مجموعه ها آموزش داد.ما مطمئن هستیم که این روش می‌تواند به بهبود جریان کاری کارکنانی که با مجموعه‌های تاریخ طبیعی کار می‌کنند کمک کند تا در ازای هزینه و منابع بسیار کم، روند دیجیتالی‌سازی را به شدت سرعت بخشد.
