ย้อนมองวิทยาศาสตร์เพื่อการอนุรักษ์งานศิลปะในปี 2025
แม้ว่าจะเริ่มปี 2026 กันไปแล้ว แต่ก็ยังไม่สายที่จะมาย้อนดูปี 2025 ว่าในแวดวงวิทยาศาสตร์การอนุรักษ์งานศิลปะในแต่ละประเทศนั้นเกิดอะไรขึ้นบ้าง
ปี 2025 ถือเป็นอีกหนึ่งปีที่เราได้เห็นความก้าวหน้าของวงการวิทยาศาสตร์การอนุรักษ์ในหลายประเทศทั่วโลก ในบทความนี้ เราจะพาทุกคนไปสำรวจงานวิจัยและโครงการที่น่าสนใจ ซึ่งคัดสรรจากผลงานของนักวิทยาศาสตร์ในแต่ละประเทศมาเล่าให้ฟัง
อิตาลี: สีน้ำเงินใน Blue Room ที่ปอมเปอี
แม้ว่างานวิจัยนี้จะถูกตีพิมพ์ในปี 2026 แต่ก็เราก็อยากจะหยิบขึ้นมาเล่าให้ฟัง งานนี้ถือเป็นหนึ่งในงานที่โด่งดังในรอบปีคือการวิเคราะห์สีน้ำเงินที่ใช้ใน Blue Room ที่ปอมเปอี งานนี้เป็นความร่วมมือกันระหว่าง อุทยานโบราณคดีปอมเปอีและมหาวิทยาลัย MIT นักวิจัยใช้เทคนิค scanning electron microscope - energy dispersive spectroscopy (SEM-EDS), Raman spectroscopy และ visible-induced infrared luminescence imaging เพื่อวัดปริมาณสีน้ำเงินอียิปต์ (Egyptian blue) บนผนังห้องขนาด 9 ตารางเมตร พบว่ามีการใช้สารสี (pigment) สีน้ำเงินนี้ราว 2.7–4.9 กิโลกรัม. [1] หรือคิดคร่าว ๆ เป็นสี (wet paint) ปริมาณ 2.4-6.5 ลิตร
Egyptian blue ถือเป็นสารสีสังเคราะห์ตัวแรกของโลก ที่สังเคราะห์ขึ้นมาเพื่อทดแทน Lapiz Lasuli ที่มีราคาสูง แต่ทั้งนี้ Egyptian blue ก็ยังเป็นสีสังเคราะห์ทีมีราคาแพงที่สุดในยุคนั้น การศึกษานี้จึงสะท้อนให้เห็นว่า สีน้ำเงินที่ผนังในปอมเปอีไม่ได้มีไว้แค่เพื่อความสวยงามเท่านั้น แต่เป็นหนึ่งในสัญลักษณ์แสดงความร่ำรวยอีกด้วย
เนเธอร์แลนด์: ไขความลับ The Night Watch ของเรมบรันด์
หากใครติดตามงานวิจัยจากประเทศนเธอร์แลนด์ อาจจะพอผ่านตากับโครงการ Operation Night Watch กันมาบ้างแล้ว โครงการนี้เริ่มต้นเมื่อปี 2019 โดยพิพิธภัณฑ์ Rijksmuseum กรุงอัมสเตอร์ดัม โดยมีจุดประสงค์เพื่อศึกษา อนุรักษ์ และสืบทอดภาพ The Night Watch ของเรมบรันด์ที่มีอายุเกือบ 400 ปี [2]
ทีมนักวิจัยใช้เทคนิค reflectance imaging spectroscopy (RIS) [3], macroscopic X-ray powder diffraction (MA-XRPD) และ macroscopic X-ray fluorescence (MA-XRF) เพื่อทำแผนที่การกระจายตัวของสีทั่วทั้งภาพ (pigment mapping) พบว่าเรมบรันด์ใช้สีอาร์เซนิก (arsenic sulfide pigments) หรือสารหนู อย่างเป็นแบบแผนเพื่อจำลองแสงสะท้อนของเส้นด้ายทอง ซึ่งเป็นเอกลักษณ์เฉพาะในชุดของนายทหาร Van Ruytenburch เพียงตำแหน่งเดียวในภาพ ผลงานวิจัยนี้นับเป็นหลักฐานใหม่ที่แสดงให้เห็นถึงความสามารถในกระบวนการสร้างงานศิลปะของเรมบรันด์ [4]
จีน: ตรวจสอบความเสียหายของภาพเขียนบนฝาผนังถ้ำด้วย Computer vision และ AI
การอนุรักษ์ภาพเขียนถ้ำยุนกังมีความจำเป็นเร่งด่วนจากการเสื่อมสภาพตามธรรมชาติ และด้วยข้อจำกัดของการตรวจสอบความเสียหายด้วยตามนุษย์ที่อาจไม่สามารถมองเห็นรอยแตก หรือความเสียหายที่ซ่อนอยู่ได้ ทีมวิจัยนี้จึงนำเสนอโมเดล YOLO-CP เพื่อเป็นเครื่องมืออัจฉริยะในการช่วยตรวจสอบความเสียหายของภาพเขียนบนฝาผนังถ้ำ
โดยประโยชน์สำคัญคือความสามารถในการตรวจจับความเสียหายขนาดเล็ก เช่น รอยแตกและการหลุดล่อน ได้อย่างแม่นยำและรวดเร็วแบบเรียลไทม์ เทคโนโลยีนี้ช่วยให้เจ้าหน้าที่ประเมินสภาพของภาพเขียนได้อย่างรวดเร็วและแม่นยำ ลดความเสี่ยงจากการซ่อมแซมที่ล่าช้า และสร้างฐานข้อมูลดิจิทัลเพื่อวิเคราะห์แนวโน้มการเสื่อมสภาพในระยะยาว [5]
EU: GREENART ปิดฉากโครงการนวัตกรรมสีเขียวเพื่อมรดกโลก
โครงการ GREENART ประสบความสำเร็จอย่างยิ่งใหญ่ในการปฏิวัติวงการอนุรักษ์ศิลปะ โดยมีความสำคัญคือการเปลี่ยนจากการใช้สารเคมีอันตรายมาเป็นวัสดุชีวภาพและวัสดุรีไซเคิลที่ปลอดภัยต่อทั้งชิ้นงาน ผู้ปฏิบัติงาน และสิ่งแวดล้อม ถือเป็นก้าวสำคัญที่เชื่อมโยงวิทยาศาสตร์เข้ากับการรักษาประวัติศาสตร์อย่างยั่งยืนตามหลักเศรษฐกิจหมุนเวียน
การประชุมสุดท้าย ณ กรุงโรม ถือเป็นการปิดฉากโครงการอย่างเป็นทางการ โดยมีการนำเสนอผลสำเร็จของนวัตกรรม เช่น เจลทำความสะอาดและบรรจุภัณฑ์รักษ์โลกที่ผ่านการทดสอบจริง วาร์นิชที่ทำจากของเสียและโปรตีนพืช สารเสริมโครงสร้าง (consolidants) จาก natural polymers สำหรับงานวัตถุที่เปราะบาง แม้โครงการจะสิ้นสุดลง แต่เครือข่ายความร่วมมือและมาตรฐาน "Safe-by-Design" นี้จะกลายเป็นต้นแบบสำคัญให้พิพิธภัณฑ์ทั่วโลกนำไปใช้ เพื่อปกป้องมรดกทางวัฒนธรรมต่อไป [6]
ภาพรวม: Machine Learning ก้าวเข้ามาสู่โลกการอนุรักษ์
การใช้ machine learning (ML) กับการวิเคราะห์งานศิลปะอาจจะไม่ใช่เรื่องใหม่อะไรในปี 2025 แต่เราอาจเห็นได้ว่าบทบาทของ machine learning นั้นมีมากขึ้นในช่วงปีที่ผ่านมา เราจึงอยากนำงานทบทวนวรรณกรรม (review paper) ที่ตีตีพิมพ์ในวารสาร npj Heritage Science ขึ้นมาให้ผู้อ่านเห็นถึงภาพรวมและทิศทางการใช้งาน machine learning กับงานอนุรักษ์ภาพเขียน
โดยบทความนี้มุ่งเน้น 5 ประเด็นหลัก คือ
- การเพิ่มคุณภาพภาพถ่ายทางวิทยาศาสตร์ (Scientific Imaging Enhancement): การใช้ ML ช่วยวิเคราะห์ภาพ X-ray, อินฟราเรด และภาพสเปกตรัม เพื่อเปิดเผยชั้นซ่อนของภาพวาด เช่น ลายเส้นร่าง (underdrawing) และภาพที่ถูกซ่อนอยู่ด้านล่าง โดยใช้โมเดลอย่าง CNN
- การวิเคราะห์สารสีและสารสีผสม (Pigment Analysis): ใช้ machine learning เพื่อระบุและแยกสารสีที่ใช้ในภาพวาด ซึ่งมีความซับซ้อนสูง
- การตรวจจับความเสียหาย (Damage Detection): ช่วยตรวจจับรอยแตก (craquelure), การหลุดร่อนของสี (paint loss) และรอยพุพองอย่างอัตโนมัติ ลดภาระงานที่ต้องอาศัยผู้เชี่ยวชาญตรวจสอบด้วยตาเปล่า
- การบูรณะเสมือนจริง (Virtual Restoration): ใช้ generative models โดยเฉพาะ GAN เพื่อซ่อมแซมภาพวาดแบบดิจิทัล ไม่ว่าจะเป็นการเติมพื้นที่ที่เสียหาย ลบสีเคลือบเก่าเสมือน หรือฟื้นฟูสีที่จางหายไป
- การทำนายความเสียหาย (Damage Prediction): รวม machine learning เข้ากับการจำลองด้วย Finite Element Modelling (FEM) เพื่อทำนายรอยแตกที่เกิดจากการเปลี่ยนแปลงสภาพอากาศในภาพวาดไม้
อย่างไรก็ตามการพัฒนาโมเดล machine learning นั้นต้องการข้อมูลจำนวนมาก และเรายังขาดแคลนข้อมูลประวัติศาสตร์ที่มีคุณภาพสูงอยู่ [7]
สรุป
โดยภาพรวมในงานจิตรกรรมเราจะเห็นการใช้ Machine learning ในการอนุรักษ์มากขึ้น, การพัฒนาวัสดุการอนุรักษ์ที่ยั่งยืน, และการวิเคราะห์แบบไม่ทำลายตัวอย่าง
ถึงแม้ว่าบทความนี้อาจไม่ได้ครอบคลุมเนื้อหาในหมวดอื่นนอกเหนือจากภาพเขียน ไม่ได้คัดเลือกงานจากวารสารที่หลากหลายนัก และหยิบตัวอย่างมาเพียงแค่บางประเทศ แต่ก็สะท้อนให้เห็นว่าในปี 2025 วิทยาศาสตร์การอนุรักษ์งานศิลปะไม่ได้จำกัดอยู่เพียงสาขาวิชาใดสาขาวิชาหนึ่งอีกต่อไป แต่เป็นการบูรณาการองค์ความรู้จากหลากหลายแขนง ไม่ว่าจะเป็น AI การประมวลผลภาพขั้นสูง เคมีวิเคราะห์ และสาขาอื่น ๆ เพื่อมุ่งสู่เป้าหมายร่วมกัน คือการสืบทอดมรดกของมนุษยชาติให้คงอยู่ยาวนานที่สุดเท่าที่จะเป็นไปได้
References
[1] Quraishi, M. A. et al. The Pompeiian 'Blue Room': In situ detection and economic estimation of Egyptian blue pigment in an ancient domestic sacrarium. npj Herit. Sci. 2026. https://doi.org/10.1038/s40494-026-02349-2.
[2] Rijksmuseum. Operation Night Watch. https://www.rijksmuseum.nl/en/whats-on/exhibitions/operation-night-watch (accessed 20 March 2026).
[3] Gabrieli, F.; Delaney, J. K.; Erdmann, R. G.; Gonzalez, V.; van Loon, A.; Smulders, P.; Berkeveld, R.; van Langh, R.; Keune, K. Reflectance Imaging Spectroscopy (RIS) for Operation Night Watch: Challenges and Achievements of Imaging Rembrandt's Masterpiece in the Glass Chamber at the Rijksmuseum. Sensors 2021, 21 (20), 6855. https://doi.org/10.3390/s21206855.
[4] De Keyser, N.; van Loon, A.; Gabrieli, F. et al. Illuminating Rembrandt's Chiaroscuro in The Night Watch: the painting process of Van Ruytenburch's costume. npj Herit. Sci. 2025, 13, 406. https://doi.org/10.1038/s40494-025-01874-w.
[5] Zhan, J.; Meng, Y.; Zhang, L.; Li, K.; Yan, F. Research on computer vision in intelligent damage monitoring of heritage conservation: The case of Yungang cave paintings. npj Herit. Sci. 2025, 13, 50. https://doi.org/10.1038/s40494-025-01567-4.
[6] GREENART Project. GREENART Final Meeting Marks the Official Close of a Visionary EU Project. https://www.greenart-project.eu/greenart-final-meeting-marks-the-official-close-of-a-visionary-eu-project/ (accessed 20 March 2026).
[7] Van Vijle, A.; Hacıgüzeller, P.; Van der Snickt, G. Machine learning for painting conservation: a state-of-the-art review. npj Herit. Sci. 2025, 13, 437. https://doi.org/10.1038/s40494-025-01924-3.