В последние годы область консервации произведений искусства все больше опирается на технологии неразрушающего изображения. Технология макроскопического рентгенофлуоресцентного анализа (MA-XRF) — это мощный инструмент, который предоставляет исследователям эффективные средства анализа красящих пигментов и методов, но огромные объемы данных, которые она генерирует, также ставят новые задачи. Редактор Downcodes представит вам исследование, в котором используется технология глубокого обучения, позволяющая преодолеть узкое место традиционного анализа данных MA-XRF.
В последние годы технология неразрушающего изображения получила быстрое развитие в области исследования и защиты живописи. Технология макроскопического рентгенофлуоресцентного анализа (MA-XRF), являющаяся одним из лидеров, может помочь экспертам идентифицировать пигменты, анализировать методы окраски. и обеспечить лучшее понимание процесса творчества художников дает ценную информацию. Однако технология MA-XRF генерирует большие и сложные наборы данных, что создает проблемы для традиционных методов анализа данных.
Недавно итальянские исследователи применили алгоритмы глубокого обучения для спектрального анализа наборов данных MA-XRF и разработали новый набор методов анализа. Этот метод использует более 500 000 синтетических спектров, созданных с помощью моделирования Монте-Карло, для обучения алгоритма глубокого обучения и позволяет быстро и точно анализировать спектры РФА в наборе данных MA-XRF, преодолевая ограничения традиционных методов деконволюции.

Чтобы проверить точность и применимость нового метода, исследователи применили его к двум картинам Рафаэля — «Бог-Отец» и «Дева Мария» — выставленным в музее Каподимонте в Италии. Результаты показывают, что модель глубокого обучения может не только более точно определять интенсивность линий флуоресценции, но также эффективно устранять артефакты, возникающие при использовании традиционных методов анализа, и генерировать более четкую карту распределения элементов.

Путем сравнительного анализа с традиционным алгоритмом деконволюции исследователи обнаружили, что новый метод лучше работает при обработке линий элементов с малым количеством отсчетов и низким отношением сигнал/шум, а также может более точно разделить перекрывающиеся линии флуоресценции в спектре XRF, тем самым делая его более точным. Более точно определить пигменты. Например, новый метод позволяет точно различать элементы железа (Fe) и марганца (Mn) с одинаковой энергией, а также элементы свинца (Pb) и серы (S), избегая ошибок, легко вызываемых традиционными методами.
Этот результат исследования знаменует собой значительный прогресс в технологии искусственного интеллекта в области анализа произведений искусства и дает новые идеи для более точного и эффективного анализа спектров XRF, особенно для обработки больших наборов данных, генерируемых с помощью технологии визуализации MA-XRF. В будущем исследователи планируют еще больше расширить сферу применения этого метода, например, для определения томографической структуры картин или сравнения спектральных данных, полученных с помощью разных инструментов.
Адрес статьи: https://www.science.org/doi/10.1126/sciadv.adp6234.
Это исследование полностью демонстрирует огромный потенциал глубокого обучения в области анализа произведений искусства и предоставляет новые технические средства для защиты и исследования произведений искусства. Редактор Downcodes надеется, что в будущем в сфере искусства будет использоваться больше технологий искусственного интеллекта для продвижения. дальнейшее развитие искусствоведческих исследований.