Nos últimos anos, a técnica de imagem sem perdas avançou rapidamente no campo da pesquisa e preservação de pinturas. A análise por fluorescência de raios-X macro (MA-XRF), em particular, tem se destacado como uma ferramenta valiosa para especialistas, permitindo a identificação de pigmentos, a análise de técnicas de pintura e o fornecimento de informações preciosas sobre o processo criativo do artista. No entanto, a técnica MA-XRF gera conjuntos de dados vastos e complexos, representando um desafio para os métodos tradicionais de análise de dados.
Recentemente, pesquisadores italianos aplicaram algoritmos de aprendizado profundo à análise espectral de conjuntos de dados MA-XRF, desenvolvendo um novo método de análise. Este método utiliza mais de 500.000 espectros sintéticos gerados por simulação de Monte Carlo para treinar o algoritmo de aprendizado profundo, permitindo a análise rápida e precisa de espectros XRF em conjuntos de dados MA-XRF, superando as limitações dos métodos tradicionais de deconvolução.
Para validar a precisão e a aplicabilidade do novo método, os pesquisadores o aplicaram a duas pinturas de Rafael expostas no Museu Capodimonte, na Itália: "O Pai Eterno" e "A Virgem Maria". Os resultados mostraram que o modelo de aprendizado profundo não apenas quantifica com mais precisão a intensidade das linhas de fluorescência, mas também elimina eficazmente artefatos produzidos por métodos tradicionais de análise, gerando mapas de distribuição elementar mais nítidos.
Através de uma análise comparativa com algoritmos tradicionais de deconvolução, os pesquisadores descobriram que o novo método apresenta desempenho superior no tratamento de linhas elementares com baixa contagem e baixa relação sinal-ruído, permitindo a separação mais precisa de linhas de fluorescência sobrepostas em espectros XRF e, consequentemente, a identificação mais precisa de pigmentos. Por exemplo, o novo método consegue distinguir com precisão os elementos ferro (Fe) e manganês (Mn), com energias semelhantes, assim como chumbo (Pb) e enxofre (S), evitando erros comuns em métodos tradicionais.
Este resultado representa um avanço significativo da inteligência artificial na análise de obras de arte, oferecendo novas perspectivas para a análise mais precisa e eficiente de espectros XRF, especialmente no processamento de grandes conjuntos de dados gerados por técnicas de imagem MA-XRF. No futuro, os pesquisadores pretendem expandir o escopo de aplicação deste método, por exemplo, para inferir a estrutura estratigráfica de pinturas ou comparar dados espectrais obtidos por diferentes instrumentos.
Endereço do artigo: https://www.science.org/doi/10.1126/sciadv.adp6234