MétaCan
Menu
Retour à la cohorte
Enregistrement W2326365671 · doi:10.1515/oere-2015-0013

Subsurface imaging for panel paintings inspection: A comparative study of the ultraviolet, the visible, the infrared and the terahertz spectra

2015· article· en· W2326365671 sur OpenAlexaff
A. Bendada, Стефано Сфарра, Clemente Ibarra‐Castanedo, Moulay A. Akhloufi, J-P. Caumes, C. Pradère, J.C. Batsale, Xavier Maldague

Notice bibliographique

RevueOpto-Electronics Review · 2015
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueConservation Techniques and Studies
Établissements canadiensRobotiq (Canada)Université Laval
Organismes subventionnairesnon disponible
Mots-clésMultispectral imageInfraredOpacityTerahertz radiationOpticsUltravioletPaintingMaterials scienceThermographyOptoelectronicsWavelengthDetectorRemote sensingPhysicsGeologyArtVisual arts

Résumé

récupéré en direct d'OpenAlex

Abstract Infrared (IR) reflectography has been used for many years for the detection of underdrawings on panel paintings. Advances in the fields of IR sensors and optics have impelled the wide spread use of IR reflectography by several recognized Art Museums and specialized laboratories around the World. The transparency or opacity of a painting is the result of a complex combination of the optical properties of the painting pigments and the underdrawing material, as well as the type of illumination source and the sensor characteristics. For this reason, recent researches have been directed towards the study of multispectral approaches that could provide simultaneous and complementary information of an artwork. The present work relies on non−simultaneous multispectral inspection using a set of detectors covering from the ultraviolet to the terahertz spectra. It is observed that underdrawings contrast increases with wavelength up to 1700 nm and, then, gradually decreases. In addition, it is shown that IR thermography, i.e., temperature maps or thermograms, could be used simultaneously as an alternative technique for the detection of underdrawings besides the detection of subsurface defects.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,088
Tête enseignante GPT0,304
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations45
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpto-Electronics ReviewMême sujetConservation Techniques and StudiesTravaux en français237 207