Ces dernières années, les techniques d'imagerie non destructive ont connu un développement fulgurant dans le domaine de la recherche et de la conservation des peintures. Parmi elles, l'analyse par fluorescence X macroscopique (MA-XRF) se distingue comme une méthode de choix, permettant aux experts d'identifier les pigments, d'analyser les techniques picturales et de mieux comprendre le processus créatif de l'artiste. Cependant, la technique MA-XRF génère des ensembles de données volumineux et complexes, posant un défi aux méthodes d'analyse traditionnelles.
Récemment, des chercheurs italiens ont appliqué des algorithmes d'apprentissage profond à l'analyse spectrale des données MA-XRF, développant ainsi une méthode d'analyse totalement nouvelle. Cette méthode, entraînée sur plus de 500 000 spectres synthétiques générés par simulation Monte-Carlo, permet une analyse rapide et précise des spectres XRF des données MA-XRF, surmontant les limitations des méthodes de déconvolution traditionnelles.
Pour valider l'exactitude et l'applicabilité de cette nouvelle méthode, les chercheurs l'ont appliquée à deux peintures de Raphaël exposées au musée de Capodimonte en Italie : « Le Père éternel » et « La Vierge Marie ». Les résultats montrent que le modèle d'apprentissage profond permet non seulement une quantification plus précise de l'intensité des raies de fluorescence, mais aussi une élimination efficace des artéfacts produits par les méthodes d'analyse traditionnelles, générant ainsi des cartes de distribution élémentaire plus nettes.
Une analyse comparative avec les algorithmes de déconvolution traditionnels a révélé que la nouvelle méthode est plus performante pour le traitement des raies élémentaires à faible comptage et à faible rapport signal/bruit. Elle permet une séparation plus précise des raies de fluorescence qui se chevauchent dans les spectres XRF, conduisant à une identification plus précise des pigments. Par exemple, la nouvelle méthode permet de distinguer précisément les éléments fer (Fe) et manganèse (Mn) d'énergies proches, ainsi que le plomb (Pb) et le soufre (S), évitant ainsi les erreurs d'interprétation fréquentes avec les méthodes traditionnelles.
Ces résultats marquent une avancée majeure de l'intelligence artificielle dans l'analyse des œuvres d'art. Ils ouvrent de nouvelles perspectives pour une analyse plus précise et plus efficace des spectres XRF, en particulier pour le traitement des grands ensembles de données produits par les techniques d'imagerie MA-XRF. À l'avenir, les chercheurs envisagent d'étendre le champ d'application de cette méthode, par exemple pour déduire la structure stratigraphique des peintures ou pour comparer les données spectrales obtenues avec différents instruments.
Adresse de l'article : https://www.science.org/doi/10.1126/sciadv.adp6234