Le but de ce projet est d'utiliser des algorithmes d'apprentissage automatique (ML) pour modéliser comment les spectres de réflectance de mélanges complexes de matériaux colorés provenant d'œuvres d'art historiques, en particulier des enluminures et/ou des lettres décorées de manuscrits anciens, dépendent de leur composition chimique. Couvrant une large gamme spectrale allant du visible (VIS) à l'infrarouge moyen (mid-IR) couplé à la spectroscopie de fluorescence X (XRF), une base de données spectrale de matériaux inorganiques et organiques de référence sera construite. Ensuite, un algorithme de ML supervisé sera entraîné sur la base de données, et le modèle de ML obtenu sera capable de prédire simultanément la composition de la couche colorée et l'abondance des matériaux présents dans le mélange. Par la suite, nous utiliserons le modèle de ML entraîné pour générer une plus grande variété de spectres de réflectance artificiels, élargissant ainsi l'ensemble des données existantes. Un deuxième modèle de ML sera alors entraîné sur l'ensemble des données étendues pour comprendre comment le spectre de réflectance est corrélé à la composition du mélange pictural. Ce deuxième modèle sera appliqué à l'analyse de manuscrits historiques. Le candidat développera une approche qui offrira une méthode efficace et générale pour la détermination sur site de la composition des enluminures historiques basée sur leur réponse spectrale.
Plus d’informations :
[Site web CNRS]