10月5日消息，据European Coatings报道，研究人员开发出一种非侵入式机器学习方法，仅利用三种光谱照明条件下采集的图像即可对绘画颜料进行分类，随机森林模型达到了99.3%的准确率，为高光谱成像提供了轻量化、低成本的替代方案，研究成果面向艺术品分析与保护场景。

颜料识别是历史画作分析、修复与鉴定的核心环节。传统分析方法如X射线荧光（XRF）、拉曼光谱和傅里叶变换红外光谱（FTIR）精度高，但往往空间覆盖有限、耗时较长，且不适合对脆弱物体进行常规现场检测；高光谱成像分类性能优异，却需要复杂仪器和繁重的数据处理。该研究提出的方案仅基于监督机器学习和三种明确定义的光谱照明模式。

研究团队构建的数据集来自可见光反射成像（VIS）、紫外伪色成像（UVFC）与红外伪色成像（IRFC）三种模式采集的图像。40种唯一颜料每种制备五个变体——包括透明、不透明以及分别与铅白、锌白、钛白混合的形式——共形成200个颜料类别；从600张原始图像中提取4000个32×32像素的图像块，再利用VIS、UVFC和IRFC图像RGB通道的统计描述符生成特征向量用于训练。

这一技术路线的意义不止于艺术品保护：多光谱成像加统计特征 машинного学习的组合，本质上是一套低成本颜色与成分识别方案，与涂料工业中的颜色质控、来料检验场景逻辑相通。对于颜料与色浆生产商，此类轻量化识别工具未来有可能嵌入产线或现场检测流程，替代部分昂贵的实验室分析。该研究也将出现在European Coatings的涂料配方数字化会议上，作为数字化检测技术的展示案例之一。 （来源：European Coatings）