Modelli di Machine Learning per la Fluorescenza a raggi-X nel Patrimonio Culturale

My PhD project is the outcome of a multidisciplinary collaboration between the Institute of Heritage Science and Computer Science Department of Catania University in Italy. Throughout my PhD years, I conducted scientific activities at the XRAYLab of ISPC-CNR in Catania. The primary objective of this PhD thesis is to design and develop Machine/Deep Learning (ML/DL) algorithms for processing multidimensional datasets recorded with the non-invasive Macro X-Ray Fluorescence (MA-XRF) scanning technique developed at the XRAYLab and applied in situ for the characterization of art objects and archeological materials. In this thesis, I present a novel approach based on Convolutional Neural Networks (CNNs) as an alternative to the standard deconvolution-based methodologies used for analyzing XRF spectra. This approach utilizes fully synthetic XRF spectra as a training dataset. These synthetic spectra are generated through Monte Carlo simulations, replicating real in situ MA-XRF measurements setups. To address the challenges posed by high-dimensional datasets, I customized the training procedure of the network. Finally, I have applied the methodology to three distinct MA-XRF datasets acquired during the in situ measurements campaigns of XRAYLab and in particular from a painting of Raphael at the Museo di Capodimonte in Napoli, Egyptian faience amulets at the Museo Egizio in Torino and Herculaneum carbonized papyri at the Biblioteca Nazionale di Napoli. Another contribution of this thesis is the development of a binary classifier for XRF spectra in one-session scans of many objects with different chemical compositions. This novel method was applied to the case of Egyptian faience amulets, which necessitates individual analysis for each sample, and a dataset segmentation is required. The classifier is responsible for providing a binary mask to filter the data, resulting in a segmented MA-XRF scan. Morphological operations and OpenCV are employed to perform amulet detection on the segmented dataset, enabling the extraction of each amulet’s position. The achievements obtained demonstrate the models’ versatility as general-purpose tools for automated fluorescence intensity inference in MA-XRF datasets.

Il mio progetto di dottorato è il risultato di una collaborazione multidisciplinare tra l'Istituto di Scienze del Patrimonio e il Dipartimento di Informatica dell'Università di Catania, in Italia. Nel corso degli anni del mio dottorato, ho svolto attività scientifiche presso il laboratorio XRAYLab dell'ISPC-CNR a Catania. L'obiettivo principale di questa tesi di dottorato è progettare e sviluppare algoritmi di Machine/Deep Learning (ML/DL) per elaborare set di dati multidimensionali registrati con la tecnica di scansione non invasiva Macro X-Ray Fluorescence (MA-XRF), sviluppata presso il XRAYLab e applicata in situ per la caratterizzazione di oggetti d'arte e materiali archeologici. In questa tesi, presento un approccio innovativo basato sulle Convolutional Neural Networks (CNN) come alternativa alle metodologie standard basate sulla deconvoluzione utilizzate per analizzare gli spettri XRF. Questo approccio utilizza spettri XRF completamente sintetici come set di dati di allenamento. Questi spettri sintetici sono generati attraverso simulazioni Monte Carlo, replicando le reali configurazioni di misurazione in situ di MA-XRF. Per affrontare le sfide poste dai set di dati ad alta dimensionalità, ho personalizzato la procedura di allenamento della rete. Infine, ho applicato la metodologia a tre distinti set di dati MA-XRF acquisiti durante le campagne di misurazioni in situ del laboratorio XRAYLab, in particolare da un dipinto di Raffaello al Museo di Capodimonte a Napoli, da amuleti in faience egiziana al Museo Egizio di Torino e da papiri carbonizzati di Ercolano alla Biblioteca Nazionale di Napoli. Un altro contributo di questa tesi è lo sviluppo di un classificatore binario per gli spettri XRF in scansioni di una sola sessione di molti oggetti con diverse composizioni chimiche. Questo nuovo metodo è stato applicato al caso degli amuleti in faience egiziana, che richiedono un'analisi individuale per ciascun campione, con necessità di segmentazione del set di dati. Il classificatore è responsabile di fornire una maschera binaria per filtrare i dati, risultando in una scansione MA-XRF segmentata. Operazioni morfologiche e OpenCV sono impiegate per eseguire la rilevazione degli amuleti sul set di dati segmentato, consentendo l'estrazione della posizione di ciascun amuleto. Gli obiettivi raggiunti dimostrano la versatilità dei modelli come strumenti generici per l'inferenza automatizzata dell'intensità di fluorescenza nei set di dati MA-XRF.