通过MA-XRPD与超光谱数据的数据融合在艺术品中的高分辨率化合物特定映射 (第1部分:方法评估)

科学领域:

• 艺术保护科学 艺术保护科学
• 计算化学是一种计算化学.
• 遗产科学 遗产科学 遗产科学

背景情况:

• 像反射成像光谱 (RIS) 和宏观X射线光 (MA-XRF) 这样的高光谱成像技术提供了对艺术品的非侵入性化学分析.
• 宏观X射线粉碎衍射 (MA-XRPD) 提供了特定的色素分布,但速度缓慢,分辨率低.
• 结合这些方法对于对文化遗产进行详细,高效的分析至关重要.

研究的目的:

• 开发一种机器学习 (ML) 方法,用于艺术品的高分辨率化学成像.
• 将不同成像模式 (RIS,MA-XRF,MA-XRPD) 的数据合并,以提高分析速度和特异性.
• 评估预处理技术对ML模型准确度对艺术品分析的影响.

主要方法:

• 利用机器学习模型来整合来自反射成像光谱 (RIS),宏观X射线光 (MA-XRF) 和宏观X射线粉碎衍射 (MA-XRPD) 的数据.
• 探索各种预处理技术以提高预测准确度.
• 在一个16世纪的光彩手稿上应用和评估了开发的方法.

主要成果:

• 获得了与RIS和MA-XRF可比的分辨率的化合物分布图,同时保留了MA-XRPD的特异性.
• 合并MA-XRF和MA-XRPD数据产生了最好的整体根平均平方误差 (RMSE) 评分.
• 融合RIS和MA-XRPD数据也产生了令人满意的高分辨率化合物图.

结论:

• 机器学习驱动的数据融合有效地克服了MA-XRPD (时间和分辨率) 在艺术品分析中的局限性.
• 将超光谱数据与ML集成,可以在不牺牲准确性的情况下加速非破坏性成像.
• 融合过程提高了地图的可读性,有利于艺术馆长和历史学家.