Ces dernières années, le domaine de la conservation des œuvres d’art s’est de plus en plus appuyé sur les technologies d’imagerie non destructives. La technologie d’analyse par fluorescence macroscopique des rayons X (MA-XRF) est un outil puissant qui fournit aux chercheurs un moyen efficace d’analyser les pigments et les techniques de peinture, mais les données massives qu’elle génère apportent également de nouveaux défis. L'éditeur de Downcodes vous présentera une étude qui utilise la technologie d'apprentissage en profondeur pour briser le goulot d'étranglement de l'analyse traditionnelle des données MA-XRF.
Ces dernières années, la technologie d'imagerie non destructive a connu un développement rapide dans le domaine de la recherche et de la protection des peintures. La technologie d'analyse par fluorescence macroscopique à rayons X (MA-XRF), en tant que leader, peut aider les experts à identifier les pigments et à analyser les techniques de peinture. , et fournir une meilleure compréhension du processus de création des artistes fournit des informations précieuses. Cependant, la technologie MA-XRF génère des ensembles de données volumineux et complexes, ce qui pose des défis aux méthodes traditionnelles d'analyse de données.
Récemment, des chercheurs italiens ont appliqué des algorithmes d'apprentissage profond à l'analyse spectrale des ensembles de données MA-XRF et ont développé un nouvel ensemble de méthodes d'analyse. Cette méthode utilise plus de 500 000 spectres synthétiques générés par la simulation Monte Carlo pour former un algorithme d’apprentissage profond et peut analyser rapidement et précisément les spectres XRF dans l’ensemble de données MA-XRF, surmontant ainsi les limites des méthodes de déconvolution traditionnelles.

Pour vérifier l'exactitude et l'applicabilité de la nouvelle méthode, les chercheurs l'ont appliquée à deux tableaux de Raphaël – « Dieu le Père » et « Vierge Marie » – exposés au musée de Capodimonte en Italie. Les résultats montrent que le modèle d'apprentissage profond peut non seulement quantifier l'intensité des raies de fluorescence avec plus de précision, mais également éliminer efficacement les artefacts produits par les méthodes d'analyse traditionnelles et générer une carte de distribution d'éléments plus claire.

Grâce à une analyse comparative avec l'algorithme de déconvolution traditionnel, les chercheurs ont découvert que la nouvelle méthode fonctionnait mieux lors du traitement des lignes d'éléments avec de faibles comptes et un faible rapport signal/bruit, et pouvait séparer plus précisément les lignes de fluorescence qui se chevauchaient dans le spectre XRF, ce qui la rendait Plus précis. Identifier avec précision les pigments. Par exemple, la nouvelle méthode peut distinguer avec précision les éléments de fer (Fe) et de manganèse (Mn) ayant des énergies similaires, ainsi que les éléments de plomb (Pb) et de soufre (S), évitant ainsi les erreurs d'appréciation facilement provoquées par les méthodes traditionnelles.
Ce résultat de recherche marque une avancée majeure dans la technologie de l’intelligence artificielle dans le domaine de l’analyse des œuvres d’art et fournit de nouvelles idées pour une analyse plus précise et plus efficace des spectres XRF, en particulier pour le traitement de grands ensembles de données générés par la technologie d’imagerie MA-XRF. À l’avenir, les chercheurs prévoient d’élargir encore le champ d’application de cette méthode, par exemple en déduisant la structure tomographique des peintures ou en comparant les données spectrales obtenues par différents instruments.
Adresse papier : https://www.science.org/doi/10.1126/sciadv.adp6234
Cette recherche démontre pleinement le grand potentiel de l'apprentissage profond dans le domaine de l'analyse des œuvres d'art et fournit de nouveaux moyens techniques pour la protection et la recherche sur l'art. L'éditeur de Downcodes attend avec impatience que davantage de technologies d'intelligence artificielle soient utilisées dans le domaine de l'art à l'avenir pour promouvoir. le développement ultérieur de la recherche artistique.