Imagerie proche infrarouge (SWIR) pour la caractérisation des peintures historiques – SWIP

La gamme proche infrarouge SWIR (« à ondes courtes », environ 1000 à 2500 nm, soit 10000 à 4000 cm-1) présente un fort potentiel pour la caractérisation des peintures d'art, et en particulier pour l'identification non invasive des liants et des matériaux organiques, question cruciale pour l'authentification des œuvres. Cependant, ce potentiel semble sous-exploité, notamment en raison de la complexité de l'interprétation des données. L'objectif de ce projet est de développer l'utilisation de la spectroscopie et de l'imagerie hyperspectrale SWIR pour l'étude des peintures historiques, en tenant compte de leur composition hybride complexe (superposition de couches, chacune préparée par le broyage de divers pigments minéraux et liants organiques). Pour ce faire, je propose une acquisition multimodale innovante combinée à des développements dans l'interprétation des données (grâce à la mise en place d'une base de données étendue) et des procédures de traitement des données adaptées aux spécificités de l'œuvre d'art et de ce domaine de longueur d'onde. Ce projet permettra la mise en place d'une méthodologie non invasive pour la caractérisation des liants dans les peintures historiques.

Le premier objectif sera de caractériser les matériaux de la peinture dans le domaine SWIR. Un large ensemble de références (pigments purs et peintures, monocouches et multicouches) sera étudié afin de fournir des spectres SWIR haute résolution des principaux composants des peintures historiques et d'établir une base de données étendue, non disponible dans la communauté jusqu'à présent. Cela permettra d'étudier l'absorption de ces matériaux dans ce domaine de longueurs d’ondes, et de mieux souligner les limites inhérentes à la caractérisation SWIR des pigments, des liants et des vernis, en se concentrant particulièrement sur l'identification des composants organiques.
Ensuite, nous caractériserons et optimiserons les capacités de notre instrument. Nous proposerons une méthodologie innovante de super-résolution spectrale, en utilisant le « dictionary learning » pour transférer la résolution du système FORS à l'image hyperspectrale.
Enfin, nous proposerons des procédures de traitement des données, adaptées aux spécificités de cette gamme de longueurs d'onde, ainsi qu'à la complexité particulière des systèmes étudiés. L'interprétation directe des spectres SWIR ne fournit que des informations limitées en raison du chevauchement des nombreuses harmoniques et bandes de combinaison. L'exploration détaillée de ces spectres nécessite donc la combinaison de techniques classiques telles que l'utilisation de spectres différentiels ou dérivés, et/ou d'outils plus avancés incluant des méthodes chimiométriques, la déconvolution spectrale, etc... Ensuite, compte tenu de l'énorme quantité de spectres créés en quelques minutes par la caméra hyperspectrale SWIR, un traitement statistique avancé sera effectué sur le cube de données pour extraire les informations majeures et mineures, en tenant compte des variations d'intensités spécifiques. Des analyses multivariées courantes (par exemple, PCA, NNMA) seront combinées pour la première fois dans le domaine SWIR, et comparées à des techniques innovantes d'apprentissage automatique (par exemple, t-SNE, U-MAP) dans le cas de variations subtiles d'intensité.