Posts

Neue Dienstleistung: Risikoindikatoren für die historische Glasmalerei

Bild
Datenkonversion thermodynamischer Messdaten und Plots der neuen Risikoindikatoren Thermodynamische Messdaten werden oft in Form von Grafiken für Lufttemperatur- und relativer Feuchte, Glastemperatur der Schutzverglasung, der historischen Verglasung im Luftspalt und zum Kircheninneren hin dargestellt. Die Interpretation wird dann dem Kunden überlassen. Aus einer umfangreichen Studie der veröffentlichten Literatur der letzten 30 Jahre konnten iXtronics und Hajuveda nun Risiko-Indikatoren für die historische Glasmalerei bei Schutzverglasungen ableiten. Dabei spielen zu heiße, zu kalte, zu feuchte und zu trockene Klimata eine Rolle. Außerdem können Temperatur- und Feuchte-Wechselbeanspruchung und starke Gradienten der Temperatur und Feuchte Schäden an der Glasmalerei bewirken. Neu ist nun, daß auch Messdaten Dritter eingelesen und in den neuen Diagrammen dargestellt werden können. Damit besteht für jeden die Möglichkeit, neben den o.g. klassischen Grafiken aussagekräftige Darstellungen der

Mit künstlicher Intelligenz dem Schimmel auf der Spur

 Artikel erschienen in  https://www.restauratoren.de/mit-kuenstlicher-intelligenz-dem-schimmel-auf-der-spur/

Custos Mucoris: Erstellung einer Bilddatenbank für Schimmelfotos für das Training und den Test der KI-Algorithmen

Bild
Erstellung der Datenbank für die Speicherung und Verwaltung der Fotos Zum eindeutigen Nachweis der Herkunft eines Fotos, der entsprechenden Geodaten und der entsprechenden EXIF-Daten sollen die Schimmelfotos in eine Datenbank zwecks Speicherung und Verwaltung exportiert werden.  Hierfür steht ein FTP-Server zur Verfügung, auf den allen Daten im Projekt gesammelt und zwischen gespeichert werden können. Die gesammelten Bilddaten können so einfach per FTP-Client auf den Server geladen werden. Auch Projektdaten wie Dokumente und Präsentationen können so von allen Beteiligten optimal bearbeitet und verwaltet werden.  Im Folgenden ist der Ablauf für die automatisierte Erstellung der Bilddatenbank schematisch dargestellt. Die gesammelten bzw. erstellten Fotos werden zunächst auf einem Rechner lokal gespeichert. Dann werden die Bilder per Python-Skript lokal auf dem Rechner eingelesen. Das Skript fügt den Bildern alle für die Weiterverarbeitung notwendigen Informationen hinzu. Die Inform

Custos Mucoris: Systemplattform zur automatischen Detektion von Schimmelbildung an Kulturgütern mittels künstlicher Intelligenz, hier: Training des neuronalen Netzes Teil 2

Bild
Teil 2: Training des neuronalen Netzes Von der Biologie zum Computer In diesem zweiten Teil übertragen wir die biologischen Abläufe auf den Computer.  Die Netzhaut wird ersetzt durch eine Kamera mit z.B. 20 Megapixeln. Die Schichten der neuronalen Netze werden im Computer programmiert ebenso wie die Übergangswahrscheinlichkeiten der Synapsen. Das überwachte Lernen geschieht durch bekannte Bildeingaben mit Anlernen der einzelnen Begriffe: Übertragung des Blockschaltbildes für Neuronale Netze auf den Computer Die genannten Zahlen sind nur Anfangsbeispiele, die wirklichen Zahlen kommen später nach einer intensiven Trainingsphase. Aktuell sind dies 38.650.337 Parameter. Für die Bildverarbeitung werden neuronale Netze um eine weitere Eigenschaft, nämlich der Faltung ergänzt. Dabei wird das Eingangsbild stufenweise gefiltert und in seine Merkmale von einfach bis komplex zerlegt. Das nachgeschaltete neuronale Netz identifiziert dann aus den komplexen Merkmalen das Eingangsbild. Im nachfolgend

Custos Mucoris: Systemplattform zur automatischen Detektion von Schimmelbildung an Kulturgütern mittels künstlicher Intelligenz, hier: Training des neuronalen Netzes Teil 1

Bild
 Teil 1: Training des neuronalen Netzes Künstliche Intelligenz wird bereits in vielen Applikationen eingesetzt. Bei der automatischen Detektion von Schimmelbildung an Kulturgütern wird in diesem Forschungsprojekt versucht, Schimmelent-stehung durch bildgebende Verfahren mit anschließender Analyse durch (Convolutional) neuronale Netze im frühen Stadium zu entdecken und den Nutzer zu warnen. Wie neuronale Netze funktionieren, ist nicht einfach zu erklären. Hier soll nun versucht werden, dies anhand von Beispielen aus dem Leben etwas näher zu bringen: Sehen und Verstehen Wenn ein Baby das erste Mal die Augen aufmacht, sieht es viele verschiedene Gegenstände. Training neuronaler Netze Baby (aus Pixabay) Die Netzhaut mit über einer Millionen Pixeln überträgt diese Bilder über den Sehnerv zum Sehzentrum in der Großhirnrinde: Training neuronaler Netze Netzhaut (aus Pixabay) Erst durch überwachtes Lernen von den Eltern ergibt sich eine Verknüpfung von dem Gesehenen mit verstandenen Begriffen:

Custos Mucoris: Bewertung verschiedener Beleuchtungsquellen für die Qualität von Schimmelaufnahmen in Kulturgütern

Bild
Projekt DBU 35604 Entwicklung und modellhafte Anwendung einer Systemplattform zur automatischen Detektion von durch anthropogene Umwelteinflüsse verursachter Schimmelbildung an Kulturgütern mittels künstlicher Intelligenz   Hier: Schimmelpilznachweis mit unterschiedlichen Lichtquellen   Aufgrund von Hinweisen in der Literatur wurden für die Aufnahmen unterschiedliche Lichtquellen ausgewählt, um den Schimmel möglicherweise durch Lichteffekte, wie Fluoreszenzen besser sichtbar zu machen. So berichtete /Wooley 18/ über Fluoreszenzen bei unsichtbarem Schimmel in Wohnungen unter Verwendung von Schwarzlicht bei seitlicher Anstrahlung. Im DBU Abschlußbericht zum Schimmelbefall an Orgeln wird über Fluoreszenzen bei Schimmel berichtet. Weitere Untersuchungen wurden aber nicht gemacht /Henning 18/. In /Degand 20/ wird über fluoreszierende Schimmelpilze berichtet. Daher wurden als Lichtquellen sichtbares Licht (VIS), Infrarot (IR bei 950 nm) und in den ultravioletten Bereichen UV (bei 365 nm) und

Custos Aeris: New evaluations for the preventive protection of historical lead glazing (Part 4)

Bild
   Risk of temperature and humidity gradients Particularly with solar radiation very high gradients in glass temperature, air temperature and relative humidity can occur. They can lead to damage of the historical glass painting. Even though there are no limit values for these gradients so far, they are now evaluated and displayed to give a feeling for the values. Risk Temperature gradient The following picture shows the gradients of the glass temperature of the historic glass on the church interior side and on the air gap side as well as the gradients of the protective glazing. Gradient of glas temperature at historical lead glazing in K/15min An increase in the gradients is clearly visible for the summer months. However, since the window is on the north side, no extreme gradients are visible. The next picture shows the gradients of air temperatures: Gradien of air temperature around historical glazing with protective glazing in K/15min Here the summer-winter effect is also visible and