Ученые используют передовой искусственный интеллект, чтобы извлекать сложную информацию из больших коллекций музейных экспонатов.

Команда из Университета Кардиффа использует самые современные технологии для автоматического сегментирования и сбора информации из музейных экспонатов , а также для улучшения качества важных данных без участия человека.

Они работали с музеями со всей Европы, в том числе с Музеем естественной истории в Лондоне, над усовершенствованием и валидацией своих новых методов и внесли свой вклад в гигантскую задачу по оцифровке сотен миллионов образцов.

Поскольку в музеях естествознания по всему миру хранится более 3 миллиардов биологических и геологических образцов, оцифровка музейных образцов , при которой физическая информация о конкретном образце преобразуется в цифровой формат, становится все более важной задачей для музеев по мере их адаптации. во все более цифровой мир .

Сокровищница цифровой информации бесценна для ученых, пытающихся смоделировать прошлое, настоящее и будущее организмов и нашей планеты, и может стать ключом к решению некоторых из самых серьезных социальных проблем, с которыми сталкивается наш мир сегодня, от сохранения биоразнообразия и решения проблемы изменения климата до поиск новых способов справиться с возникающими заболеваниями, такими как COVID-19.

Процесс оцифровки также помогает сократить количество ручных операций с образцами, многие из которых очень хрупкие и подвержены повреждениям. Наличие подходящих данных и изображений, доступных в Интернете, может снизить риск физической коллекции и защитить образцы для будущих поколений.

В новой статье, опубликованной сегодня в журнале Machine Vision and Applications, команда из Университета Кардиффа сделала шаг к тому, чтобы сделать этот процесс дешевле и быстрее.

«Этот новый подход может изменить наши рабочие процессы оцифровки», — сказал Лоуренс Ливермор, заместитель руководителя цифровой программы в Музее естественной истории в Лондоне.

Команда создала и протестировала новый метод, называемый сегментацией изображения, который может легко и автоматически находить и связывать различные визуальные области на изображениях, таких как предметные стекла микроскопа или гербарные листы, с высокой степенью точности.

Автоматическую сегментацию можно использовать для фокусировки сбора информации из определенных областей слайда или листа, например, одной или нескольких этикеток, приклеенных к слайду. Это также может помочь выполнить важный контроль качества изображений, чтобы гарантировать, что цифровые копии образцов будут максимально точными.

«В прошлом наша оцифровка была ограничена скоростью, с которой мы можем вручную проверять, извлекать и интерпретировать данные из наших изображений. Этот новый подход позволит нам масштабировать некоторые из самых медленных частей наших рабочих процессов оцифровки и сделать данные более доступны для исследователей изменения климата и биоразнообразия», — продолжил Ливермор.

Метод был обучен, а затем протестирован на тысячах изображений предметных стекол микроскопа и гербарных листов из различных коллекций естествознания, что продемонстрировало адаптивность и гибкость системы.

В изображения включена ключевая информация о предметном стекле микроскопа или гербарном листе, такая как сам образец, этикетки, штрих-коды, цветовые диаграммы и названия учреждений.

Как правило, после захвата изображения его необходимо проверить в целях контроля качества и записать информацию с этикеток — процесс, который в настоящее время выполняется вручную и может занимать много времени и ресурсов.

Ведущий автор нового исследования профессор Пол Розин из Школы компьютерных наук и информатики Кардиффского университета сказал: «Предыдущие попытки сегментации изображений предметных стекол микроскопа и гербарных листов ограничивались изображениями только из одной коллекции.

«Наша работа привлекла многочисленных партнеров в нашем большом европейском проекте для создания набора данных, содержащего примеры из нескольких учреждений, и показывает, насколько хорошо наши методы искусственного интеллекта могут быть обучены для обработки изображений из широкого спектра коллекций.

«Мы уверены, что этот метод может помочь улучшить рабочие процессы сотрудников, работающих с коллекциями естествознания, и значительно ускорить процесс оцифровки при очень небольших затратах и ​​ресурсах».