En los últimos años, el campo de la conservación del arte se ha basado cada vez más en tecnologías de imágenes no destructivas. La tecnología de análisis de fluorescencia de rayos X macroscópicos (MA-XRF) es una poderosa herramienta que proporciona a los investigadores un medio eficaz para analizar pigmentos y técnicas de pintura, pero los datos masivos que genera también plantean nuevos desafíos. El editor de Downcodes le presentará un estudio que utiliza tecnología de aprendizaje profundo para superar el cuello de botella del análisis de datos MA-XRF tradicional.
En los últimos años, la tecnología de imágenes no destructivas ha logrado un rápido desarrollo en el campo de la investigación y protección de la pintura. La tecnología de análisis de fluorescencia de rayos X macroscópicos (MA-XRF), como una de las líderes, puede ayudar a los expertos a identificar pigmentos y analizar técnicas de pintura. , y proporcionar una mejor comprensión del proceso de creación de los artistas proporciona información valiosa. Sin embargo, la tecnología MA-XRF genera conjuntos de datos grandes y complejos, lo que plantea desafíos a los métodos tradicionales de análisis de datos.
Recientemente, investigadores italianos aplicaron algoritmos de aprendizaje profundo al análisis espectral de conjuntos de datos MA-XRF y desarrollaron un nuevo conjunto de métodos de análisis. Este método utiliza más de 500.000 espectros sintéticos generados por la simulación Monte Carlo para entrenar un algoritmo de aprendizaje profundo y puede analizar de forma rápida y precisa los espectros XRF en el conjunto de datos MA-XRF, superando las limitaciones de los métodos de deconvolución tradicionales.

Para verificar la precisión y aplicabilidad del nuevo método, los investigadores lo aplicaron a dos pinturas de Rafael, "Dios Padre" y "Virgen María", expuestas en el Museo Capodimonte en Italia. Los resultados muestran que el modelo de aprendizaje profundo no sólo puede cuantificar con mayor precisión la intensidad de la línea de fluorescencia, sino también eliminar eficazmente los artefactos producidos por los métodos de análisis tradicionales y generar un mapa de distribución de elementos más claro.

Mediante un análisis comparativo con el algoritmo de deconvolución tradicional, los investigadores descubrieron que el nuevo método funcionaba mejor al procesar líneas de elementos con recuentos bajos y una relación señal-ruido baja, y podía separar con mayor precisión las líneas de fluorescencia superpuestas en el espectro XRF, haciéndolo así Más preciso. Identificar con precisión los pigmentos. Por ejemplo, el nuevo método puede distinguir con precisión elementos de hierro (Fe) y manganeso (Mn) con energías similares, así como elementos de plomo (Pb) y azufre (S), evitando errores de cálculo fácilmente causados por los métodos tradicionales.
El resultado de esta investigación marca un avance importante en la tecnología de inteligencia artificial en el campo del análisis de obras de arte y proporciona nuevas ideas para un análisis más preciso y eficiente de los espectros XRF, especialmente para el procesamiento de grandes conjuntos de datos generados por la tecnología de imágenes MA-XRF. En el futuro, los investigadores planean ampliar aún más el alcance de las aplicaciones de este método, como por ejemplo inferir la estructura tomográfica de pinturas o comparar datos espectrales obtenidos con diferentes instrumentos.
Dirección del artículo: https://www.science.org/doi/10.1126/sciadv.adp6234
Esta investigación demuestra plenamente el gran potencial del aprendizaje profundo en el campo del análisis de obras de arte y proporciona nuevos medios técnicos para la protección y la investigación del arte. El editor de Downcodes espera que en el futuro se utilice más tecnología de inteligencia artificial en el campo del arte. el mayor desarrollo de la investigación artística.