In den letzten Jahren hat die zerstörungsfreie Bildgebungstechnologie im Bereich der Malereiforschung und -konservierung rasante Fortschritte gemacht. Die Makro-Röntgenfluoreszenz-Analyse (MA-XRF) hat sich als besonders wertvoll erwiesen. Sie ermöglicht es Experten, Pigmente zu identifizieren, Maltechniken zu analysieren und wertvolle Informationen über den Entstehungsprozess eines Kunstwerks zu gewinnen. MA-XRF-Techniken erzeugen jedoch umfangreiche und komplexe Datensätze, die herkömmliche Datenanalysemethoden vor Herausforderungen stellen.
Kürzlich haben italienische Forscher Deep-Learning-Algorithmen auf die Spektralanalyse von MA-XRF-Datensätzen angewendet und eine völlig neue Analysemethode entwickelt. Diese Methode nutzt über 500.000 synthetische Spektren, die mittels Monte-Carlo-Simulationen generiert wurden, um den Deep-Learning-Algorithmus zu trainieren. Sie ermöglicht eine schnelle und präzise Analyse von XRF-Spektren in MA-XRF-Datensätzen und überwindet die Grenzen herkömmlicher Entfaltungsmethoden.
Um die Genauigkeit und Anwendbarkeit der neuen Methode zu überprüfen, wendeten die Forscher sie auf zwei im Capodimonte-Museum in Neapel ausgestellte Raffael-Gemälde an: „Der Schöpfergott“ und „Maria mit dem Kinde“. Die Ergebnisse zeigten, dass das Deep-Learning-Modell nicht nur die Fluoreszenzintensität genauer quantifizieren, sondern auch Artefakte, die bei herkömmlichen Analysemethoden entstehen, effektiv eliminieren und so deutlichere Elementverteilungsbilder erzeugen kann.
Durch einen Vergleich mit herkömmlichen Entfaltungsalgorithmen stellten die Forscher fest, dass die neue Methode bei der Verarbeitung von Elementlinien mit geringer Zählrate und geringem Signal-Rausch-Verhältnis deutlich besser abschneidet. Sie kann überlappende Fluoreszenzlinien in XRF-Spektren präziser trennen und somit Pigmente genauer identifizieren. So kann die neue Methode beispielsweise Eisen (Fe) und Mangan (Mn) sowie Blei (Pb) und Schwefel (S) – Elemente mit ähnlichen Energien – zuverlässig unterscheiden und Fehlinterpretationen vermeiden, die bei herkömmlichen Methoden häufig auftreten.
Diese Forschungsergebnisse markieren einen bedeutenden Fortschritt im Bereich der künstlichen Intelligenz für die Kunstwerkanalyse. Sie bieten neue Ansätze für eine genauere und effizientere Analyse von XRF-Spektren, insbesondere bei der Verarbeitung großer Datensätze aus der MA-XRF-Bildgebung. Zukünftig planen die Forscher, den Anwendungsbereich der Methode zu erweitern, beispielsweise um die Schichtstruktur von Gemälden zu erschließen oder Spektren verschiedener Geräte zu vergleichen.
论文地址:https://www.science.org/doi/10.1126/sciadv.adp6234