Détection des altérations des violons historiques par contrôle optique

Detection of alterations in historical violins with optical monitoring

• Auteur / Autrice : Alireza Rezaei
• Direction : Sylvie Le Hégarat, Emanuel Aldea
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 13/06/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Systèmes et applications des technologies de l'information et de l'énergie (Gif-sur-Yvette, Essonne ; 2002-....) - Computer Vision and Multimedia Laboratory (Pavia, Italie)
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Jon Yngve Hardeberg
• Jury : Examinateurs / Examinatrices : Yann Gousseau, Olivier Laligant, Piercarlo Dondi
• Jury : Rapporteurs / Rapporteuses : Yann Gousseau, Olivier Laligant

Mots clés

Mots clés contrôlés

Contrôle optique

Conservation et restauration

Instruments à cordes

Détection de défaut (ingénierie)

Probabilités

Vision par ordinateur

Mots clés libres

Instruments de musique

Vision par ordinateur

Raisonnement incertain

Contrôle optique

Détection des changements

Cadre a-contrario

Clustering 3D

Conservation préventive

Musical instrument

Computer vision

Uncertain reasoning

Wear estimation

Change detection

A-contrario framework

3D clustering

Preventive conservation

Résumé

La conservation préventive est le contrôle continu de l'état d'une œuvre d'art pour réduire le risque de dommages et minimiser les restaurations. De nombreuses méthodes ont été proposées pour atteindre cet objectif, soit à partir de données unimodales, soit par combinaison de différentes techniques d'analyse. Dans ce travail, nous présentons deux algorithmes probabilistes de clustering pour la détection d'altérations sur des surfaces vernies, telles que celles des instruments de musique historiques. Les deux méthodes reposent sur une approche a-contrario et le critère Nombre de Fausses Alarmes (NFA). La première méthode aborde le problème de la détection de changement entre une paire d'images couleur en analysant leur image de différence. Il considère simultanément l'information spectrale et spatiale avec un seul modèle de bruit. La deuxième méthode travaille avec une séquence d'images et analyse l'évolution des zones altérées entre les images. Les deux méthodes sont robustes au bruit et évitent réglage des paramètres ainsi que toute hypothèse sur la forme et la taille de la modification domaines. Dans les deux cas, des tests ont été effectués sur des séquences d'images UVIFL (images de fluorescence induite par les UV) incluses dans le jeu de données "Violins UVIFL imagery". UVIFL est une technique de diagnostic bien connue, utilisée pour voir les détails d'une surface qui ne sont pas perceptibles à la lumière visible. Les résultats obtenus prouvent la capacité de l'algorithme pour détecter correctement les régions altérées. Des comparaisons avec d'autres les méthodes de clustering de pointe montrent une amélioration à la fois de la Precision et du Recall.

Preventive conservation is the constant monitoring of the state of conservation of an artwork to reduce the risk of damage in order to minimise the necessity of restorations. Many methods have been proposed to achieve this goal, generally including a mix of different analytical techniques. In this work, we present two probabilistic clustering algorithms for the detection of alterations on varnished surfaces, in particular those of historical musical instruments. Both methods are based on the a-contrario framework and the Number of False Alarms (NFA) criterion. The first one tackles the problem of detecting changes between a pair of colour images by analysing their difference map. It considers simultaneously grey-level and spatial density information with a single background model. The second method works with a sequence of images and analyses the evolution of the changed areas between frames. Both methods are robust to noise and avoid parameter tuning as well as any assumption about the shape and size of the changed areas. In both cases, tests have been conducted on UV-induced fluorescence (UVIFL) image sequences included in the “Violins UVIFL imagery” dataset. UVIFL photography is a well-known diagnostic technique used to see details of a surface not perceivable with visible light. The obtained results prove the capability of the algorithm to properly detect the altered regions. Comparisons with other state-of-the-art clustering methods show improvement in both precision and recall.