Evaluación de la composición interna de obras de arte usando algoritmos de aprendizaje supervisado y espectroscopía terahertz

Abstract

Resumen: El diagnóstico no invasivo de pinturas exige conocer su estructura interna el número de capas y el espesor de cada una . Los métodos tradicionales recuperan esa información a costa de muestreo destructivo, o recurren a imagen por rayos X, que identi ca materiales pero no resuelve el espesor capa por capa. La espectroscopía de terahercios en el dominio del tiempo (THz-TDS) penetra las capas internas sin contacto ni daño, pero recuperar la disposición de las capas a partir de su señal constituye un problema inverso: las capas delgadas o de bajo contraste producen señales casi indistinguibles. Este trabajo aplica aprendizaje supervisado a datos THz-TDS para caracterizar pinturas multicapa, estimando el número de capas, el espesor y el índice de refracción de cada una. Se desarrolló una red neuronal convolucional multitarea, entrenada íntegramente con pulsos sintéticos generados por un modelo físico de Fresnel Rouard con referencia instrumental real y ruido medido sobre el equipo. Ante la ausencia de obras reales con estructura conocida, la validación se efectuó sobre pintura automotriz multicapa sobre soporte plástico, un sistema físico sustituto de espesores comparables. Sobre el conjunto de prueba sintético, el conteo de capas alcanza una exactitud global del 77.4%, con el 92.6% de los errores concentrado entre clases vecinas. Contrastado contra microscopía de corte transversal, el sistema recupera el número de capas en dos de las cinco pinturas reales medidas, frente a ninguna de la línea base tradicional. Las capas nas se identi can como un límite de información, no del modelo. Dentro del dominio declarado, el aprendizaje supervisado resulta una técnica e caz para caracterizar las capas de las pinturas por THz. Palabras clave: espectroscopía de terahercios (THz-TDS), aprendizaje profundo, CNN 1D, problema inverso, diagnóstico de pinturas.

Abstract: The non-invasive diagnosis of paintings requires knowledge of their internal structure, namely the number of layers and the thickness of each, information that traditional methods recover only through destructive sampling, or by X-ray imaging, which identi es materials but does not resolve layer-by-layer thickness. Terahertz time-domain spectroscopy (THz-TDS) penetrates internal layers without contact or damage, but recovering the layer arrangement from its signal is an inverse problem: thin or low-contrast layers produce nearly indistinguishable signals. This work applies supervised learning to THz-TDS data to characterize multilayer paint, estimating the number of layers and the thickness and refractive index of each. A multitask convolutional neural network was developed, trained entirely on synthetic pulses generated by a Fresnel Rouard physical model with a real instrumental reference and noise measured on the instrument. In the absence of real artworks with known structure, validation was performed on multilayer automotive paint on a plastic substrate, a surrogate system of comparable thicknesses. On the synthetic test set, layer counting reaches a global accuracy of 77.4%, with 92.6% of the errors concentrated between adjacent classes. Validated against cross-section microscopy, the system recovers the layer count in two of the ve real paintings measured, versus none for the traditional baseline. Thin layers are identi ed as an information limit, not a model limit. Within the declared domain, supervised learning proves an e ective technique for characterizing paint layers by THz. Keywords: terahertz spectroscopy (THz-TDS), deep learning, 1D CNN, inverse problem, painting diagnosis.