使用可见到中红外范围的融合超光谱成像数据与机器学习方法相结合的图像材料的自动区分的方法方法方法
G Capobianco1, Lucilla Pronti2, E Gorga2
1Department of Chemical Engineering, Materials & Environment, Sapienza University of Rome, via Eudossiana 18, 00184 Rome, Italy.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 23, 2023
概括
超光谱成像与化学测量和机器学习相结合,可以准确识别艺术材料. 这种新的数据融合方法提高了绘画中的颜料和粘合剂的自动识别.
科学领域:
- 艺术分析 艺术分析
- 材料科学是一种材料科学.
- 成像光谱学是一种成像光谱学.
背景情况:
- 超光谱成像 (HSI) 为艺术品分析提供同时的光谱和空间数据.
- 化学测量方法和机器学习 (ML) 增强了绘画中的材料识别.
- 图像材料的数据库对于自动识别至关重要.
研究的目的:
- 开发一种用于自动区分图像材料的新程序.
- 整合来自多个高光谱成像来源的数据和里埃变换红外光谱.
- 评估一个纠错输出代码支持矢量机器 (ECOC-SVM) 模型的性能,用于材料识别.
主要方法:
- 来自两个超光谱摄像机 (400-1000 nm和1000-2500 nm) 的成像数据集的中级数据融合.
- 在反射模式 (MA-rFTIR) 中纳入宏观里埃变换红外扫描数据 (7000-350 cm-1).
- 一个ECOC-SVM模型的应用,用于自动识别102个图像模型.
主要成果:
- 合并数据和ECOC-SVM模型在自动材料识别方面取得了良好的预测结果.
- 在涂料层的多类识别中展示了高精度.
- 只有少数像素与其他类别混,这表明强大的歧视.
结论:
- 拟议的方法允许准确的,自动化的多类识别涂料层.
- 化学测量方法有效地解决了研究艺术材料的挑战.
- 这种综合成像和机器学习方法推进了艺术材料的分析.
