Dalam beberapa tahun terakhir, bidang konservasi seni semakin mengandalkan teknologi pencitraan non-destruktif. Teknologi analisis fluoresensi sinar-X makroskopis (MA-XRF) adalah alat canggih yang memberikan para peneliti sarana efektif dalam menganalisis pigmen dan teknik lukisan, namun data besar yang dihasilkannya juga membawa tantangan baru. Editor Downcodes akan memperkenalkan kepada Anda sebuah studi yang menggunakan teknologi pembelajaran mendalam untuk menerobos hambatan analisis data MA-XRF tradisional.
Dalam beberapa tahun terakhir, teknologi pencitraan non-destruktif telah mencapai perkembangan pesat di bidang penelitian dan perlindungan lukisan. Teknologi analisis Macroscopic X-ray fluorescence (MA-XRF), sebagai salah satu yang terdepan, dapat membantu para ahli mengidentifikasi pigmen, menganalisis teknik melukis. , dan memberikan pemahaman yang lebih baik tentang proses kreasi seniman. Namun, teknologi MA-XRF menghasilkan kumpulan data yang besar dan kompleks, sehingga menimbulkan tantangan bagi metode analisis data tradisional.
Baru-baru ini, peneliti Italia menerapkan algoritma pembelajaran mendalam pada analisis spektral kumpulan data MA-XRF dan mengembangkan serangkaian metode analisis baru. Metode ini menggunakan lebih dari 500.000 spektrum sintetik yang dihasilkan oleh simulasi Monte Carlo untuk melatih algoritma pembelajaran mendalam dan dapat dengan cepat dan akurat menganalisis spektrum XRF dalam kumpulan data MA-XRF, mengatasi keterbatasan metode dekonvolusi tradisional.

Untuk memverifikasi keakuratan dan penerapan metode baru ini, para peneliti menerapkannya pada dua lukisan Raphael - "Tuhan Bapa" dan "Perawan Maria" - yang dipajang di Museum Capodimonte di Italia. Hasilnya menunjukkan bahwa model pembelajaran mendalam tidak hanya dapat mengukur intensitas garis fluoresensi dengan lebih akurat, namun juga secara efektif menghilangkan artefak yang dihasilkan oleh metode analisis tradisional dan menghasilkan peta distribusi elemen yang lebih jelas.

Melalui analisis komparatif dengan algoritma dekonvolusi tradisional, para peneliti menemukan bahwa metode baru ini bekerja lebih baik ketika memproses garis-garis elemen dengan jumlah yang rendah dan rasio signal-to-noise yang rendah, dan dapat secara lebih akurat memisahkan garis-garis fluoresensi yang tumpang tindih dalam spektrum XRF, sehingga menjadikannya lebih akurat. lebih tepat. Misalnya, metode baru ini dapat secara akurat membedakan unsur besi (Fe) dan mangan (Mn) dengan energi yang sama, serta unsur timbal (Pb) dan belerang (S), sehingga menghindari kesalahan penilaian yang mudah disebabkan oleh metode tradisional.
Hasil penelitian ini menandai kemajuan besar dalam teknologi kecerdasan buatan di bidang analisis karya seni, dan memberikan ide-ide baru untuk analisis spektrum XRF yang lebih akurat dan efisien, terutama untuk memproses kumpulan data besar yang dihasilkan oleh teknologi pencitraan MA-XRF. Kedepannya, para peneliti berencana untuk memperluas cakupan penerapan metode ini, seperti menyimpulkan struktur tomografi lukisan atau membandingkan data spektral yang diperoleh dari instrumen yang berbeda.
Alamat makalah: https://www.science.org/doi/10.1126/sciadv.adp6234
Penelitian ini sepenuhnya menunjukkan potensi besar pembelajaran mendalam di bidang analisis karya seni, dan memberikan sarana teknis baru untuk perlindungan dan penelitian seni. Editor Downcodes menantikan lebih banyak teknologi kecerdasan buatan yang digunakan dalam bidang seni di masa depan untuk dipromosikan pengembangan lebih lanjut penelitian seni.