Nos últimos anos, o campo da conservação da arte tem dependido cada vez mais de tecnologias de imagem não destrutivas. A tecnologia de análise macroscópica de fluorescência de raios X (MA-XRF) é uma ferramenta poderosa que fornece aos pesquisadores um meio eficaz de analisar pigmentos e técnicas de pintura, mas os enormes dados que ela gera também trazem novos desafios. O editor de Downcodes apresentará a você um estudo que usa tecnologia de aprendizado profundo para romper o gargalo da análise de dados MA-XRF tradicional.
Nos últimos anos, a tecnologia de imagem não destrutiva alcançou rápido desenvolvimento no campo da pesquisa e proteção de pintura. A tecnologia de análise macroscópica de fluorescência de raios X (MA-XRF), como uma das líderes, pode ajudar especialistas a identificar pigmentos e analisar técnicas de pintura. e fornecer uma melhor compreensão do processo de criação dos artistas fornece informações valiosas. No entanto, a tecnologia MA-XRF gera conjuntos de dados grandes e complexos, colocando desafios aos métodos tradicionais de análise de dados.
Recentemente, pesquisadores italianos aplicaram algoritmos de aprendizagem profunda à análise espectral de conjuntos de dados MA-XRF e desenvolveram um novo conjunto de métodos de análise. Este método usa mais de 500.000 espectros sintéticos gerados pela simulação de Monte Carlo para treinar um algoritmo de aprendizado profundo e pode analisar espectros XRF de forma rápida e precisa no conjunto de dados MA-XRF, superando as limitações dos métodos tradicionais de deconvolução.
Para verificar a precisão e aplicabilidade do novo método, os pesquisadores aplicaram-no a duas pinturas de Rafael – “Deus Pai” e “Virgem Maria” – em exposição no Museu Capodimonte, na Itália. Os resultados mostram que o modelo de aprendizagem profunda pode não apenas quantificar a intensidade da linha de fluorescência com mais precisão, mas também eliminar efetivamente os artefatos produzidos pelos métodos de análise tradicionais e gerar um mapa de distribuição de elementos mais claro.
Através da análise comparativa com o algoritmo de deconvolução tradicional, os pesquisadores descobriram que o novo método teve melhor desempenho ao processar linhas de elementos com contagens baixas e baixa relação sinal-ruído, e poderia separar com mais precisão as linhas de fluorescência sobrepostas no espectro XRF, tornando-o assim mais preciso. mais preciso. Identificar com precisão os pigmentos. Por exemplo, o novo método pode distinguir com precisão elementos de ferro (Fe) e manganês (Mn) com energias semelhantes, bem como elementos de chumbo (Pb) e enxofre (S), evitando erros de julgamento facilmente causados pelos métodos tradicionais.
Este resultado de pesquisa marca um grande avanço na tecnologia de inteligência artificial no campo da análise de obras de arte e fornece novas ideias para análises mais precisas e eficientes de espectros de XRF, especialmente para o processamento de grandes conjuntos de dados gerados pela tecnologia de imagem MA-XRF. No futuro, os pesquisadores pretendem ampliar ainda mais o escopo de aplicações desse método, como inferir a estrutura tomográfica de pinturas ou comparar dados espectrais obtidos por diferentes instrumentos.
Endereço do artigo: https://www.science.org/doi/10.1126/sciadv.adp6234
Esta pesquisa demonstra plenamente o grande potencial do aprendizado profundo no campo da análise de obras de arte e fornece novos meios técnicos para proteção e pesquisa de arte. O editor do Downcodes espera que mais tecnologia de inteligência artificial seja usada no campo da arte para promover no futuro. o desenvolvimento da pesquisa artística.