Soutenance de thèse d'Astrid Tazzioli

Le C2RMF accueille la soutenance de thèse de Astrid Tazzioli, intitulée " Méthodologie pour l'automatisation du traitement par intelligence artificielle de l'imagerie IBA à New AGLAE : application aux vitraux de Notre-Dame de Paris ".

Résumé 

Cette thèse propose une méthodologie de traitement automatisé des données spectrales issues des analyses par faisceau d’ions, afin de caractériser des matériaux patrimoniaux présentant des stratigraphies fines et répondre aux questions posées par ces objets, notamment les vitraux de Notre-Dame de Paris. Les analyses par faisceau d'ions, en particulier la combinaison PIXE-RBS, se révèlent particulièrement adaptées en raison de leur caractère non invasif et non destructif. Cette approche est rendue possible grâce à l'accélérateur New AGLAE (Accélérateur Grand Louvre d'Analyses Élémentaires) qui permet, depuis plusieurs années, le développement de l'imagerie chimique sur ces matériaux. Cette imagerie est essentielle pour offrir une vision globale de l'objet analysé.

Toutefois, un défi majeur réside dans le traitement de la quantité massive des données générées sous forme de volumes spectraux. Pour y répondre, une méthodologie a donc été mise en place afin d’extraire les caractéristiques principales des cubes de données obtenus. Le recours à des méthodes de partition non supervisée des données constitue une approche efficace pour structurer automatiquement les spectres en groupes homogènes, tout en extrayant les informations pertinentes dissimulées dans des volumes de données complexes. La pertinence de ces algorithmes a été évaluée sur des jeux de données acquis dans le cadre du projet. À partir des partitions obtenues, les principales caractéristiques spectrales sont extraites, puis traitées comme des analyses ponctuelles. Le traitement de ces analyses ponctuelles peut être optimisé par l'automatisation de la définition de certains paramètres et une utilisation plus performante des logiciels d'analyse existants. Par ailleurs, des approches par réseaux neuronaux sont envisagées pour le traitement des spectres RBS, dans le but de réduire le temps de traitement. Cette méthodologie a été validée sur différents types de matériaux stratifiés et notamment appliquée à la caractérisation des décors peints des vitraux des baies hautes de la cathédrale Notre-Dame de Paris. Elle permet ainsi de mieux comprendre les techniques de fabrication des vitraux du XIX^e siècle.

Cette approche propose un enchaînement méthodologique inédit entre techniques d’analyse non destructive, partition de données et apprentissage automatique, appliqué pour la première fois aux vitraux patrimoniaux dans un contexte post-sinistre.

Abstract

This PhD project introduces a methodology for automating the processing of spectral data obtained by ion beam analyses, with the aim of characterizing heritage materials with fine layerings and adressing the challenges posed by such objects, like the stained-glass windows of Notre-Dame de Paris. Ion beam analyses, particularly the combined use of PIXE and RBS, are especially well-suited due to their non-invasive and non-destructive nature. This approach is made possible thanks to the AGLAE facility (Accélérateur Grand Louvre d’Analyses Élémentaires), which has enabled the development of chemical imaging on these materials for several years. This imaging is essential for providing a comprehensive view of the analyzed object.

However, a significant challenge lies in handling the massive amount of data generated as spectral volumes. To address this, a specific methodology has therefore been developed to extract the key features from the resulting data cubes. Unsupervised data partitioning methods have proven to be an effective approach, allowing for the automatic structuring of spectra into homogeneous groups while extracting relevant information hidden within complex datasets. The performance of these algorithms has been evaluated using data collected within the framework of the project. Based on the resulting clusters, the main spectral features are extracted and then processed as single-point analyses, that can be optimized by automating the definition of some parameters and by making a more efficient use of existing analysis software. Moreover, neural network approaches are under investigation for processing RBS spectra, with the goal of significantly reducing processing time by bypassing the heavy simulations typically required by conventional software. This methodology has been validated on various types of layered materials and specifically applied to the characterization of the painted decorations on the upper stained-glass windows of Notre-Dame de Paris Cathedral, thereby offering new insights into 19th-century stained-glass manufacturing techniques.

This approach introduces a novel methodological sequence combining non-destructive analysis techniques, data partitioning, and machine learning, applied for the first time to heritage stained-glass in a post-disaster context.