L'identificazione dei pigmenti contenuti all'interno delle pitture è un passaggio fondamentale nello studio di manufatti pittorici. Le tecniche più comunemente utilizzate a questo fine sono spesso costose e in parte utilizzano tecniche invasivo o distruttive. Lo spettrofotometro è uno strumento poco costoso, trasportabile, il quale raccoglie informazione in maniera non invasiva e molto veloce. In questo lavoro di tesi si sono impiegate tecniche di intelligenza artificiale per la classificazione e degli spettri colorimetrici e quindi l'identificazione del pigmento contenuto. I risultati ottenuti sono promettenti e suggeriscono che tale approccio può essere indagato più a fondo per lo sviluppo di uno strumento alla portata di ogni operatore del settore.

Classificazione di spettri colorimetrici tramite l'utilizzo di tecniche di apprendimento statistico.

Umattino, Anna
2018/2019

Abstract

L'identificazione dei pigmenti contenuti all'interno delle pitture è un passaggio fondamentale nello studio di manufatti pittorici. Le tecniche più comunemente utilizzate a questo fine sono spesso costose e in parte utilizzano tecniche invasivo o distruttive. Lo spettrofotometro è uno strumento poco costoso, trasportabile, il quale raccoglie informazione in maniera non invasiva e molto veloce. In questo lavoro di tesi si sono impiegate tecniche di intelligenza artificiale per la classificazione e degli spettri colorimetrici e quindi l'identificazione del pigmento contenuto. I risultati ottenuti sono promettenti e suggeriscono che tale approccio può essere indagato più a fondo per lo sviluppo di uno strumento alla portata di ogni operatore del settore.
File in questo prodotto:
File Dimensione Formato  
843446-1214244.pdf

non disponibili

Tipologia: Altro materiale allegato
Dimensione 3.55 MB
Formato Adobe PDF
3.55 MB Adobe PDF   Richiedi una copia

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14247/6141