Spectrally Enriched 3D Models for Representation and Interpretation of Elemental Data in Augmented Reality

Immaginate di tenere tra le mani un fragile reperto secolare. Potrebbe essere un frammento di ceramica dipinta, un delicato gioiello o un modello botanico fatto di carta e colla. Per capire di cosa sia fatto, gli scienziati spesso utilizzano una tecnica chiamata Spettroscopia di Plasma Indotto da Laser (LIBS). Questo metodo consiste nell'emettere minuscoli impulsi di luce ad alta energia sulla superficie di un oggetto. Ogni impulso vaporizza una quantità microscopica di materiale, creando un breve lampo di plasma che rivela gli elementi chimici presenti in quel punto esatto. È uno strumento potente per svelare la storia dei materiali, dall'identificazione di pigmenti antichi al rilevamento di tracce minerali. Tuttavia, c'è un problema: il processo lascia un piccolo cratere nel punto in cui ha colpito il laser. Se uno scienziato vuole mappare l'intera superficie di un oggetto per vedere come la sua composizione cambi da un'area all'altra, deve emettere migliaia di questi impulsi. Su una superficie piatta e robusta, questo potrebbe essere accettabile. Ma su un oggetto fragile, curvo o tridimensionale, l'effetto cumulativo di migliaia di piccoli crateri può causare danni visibili, alterando proprio l'oggetto che i ricercatori stanno cercando di studiare.

La sfida, quindi, è imparare tutto il possibile sulla composizione chimica di un oggetto senza distruggerlo. Per gli oggetti piatti, i ricercatori hanno sviluppato un astuto espediente: scattano una fotografia, usano un computer per raggruppare insieme i colori dall'aspetto simile e poi sparano il laser solo in alcuni punti rappresentativi all'interno di ogni gruppo. Questo riduce significativamente il numero di colpi necessari. Ma questo approccio fallisce quando l'oggetto non è piatto. Una fotografia appiattisce il mondo, nascondendo le curve, le protuberanze e gli angoli nascosti di un oggetto reale. Se si tenta di mappare una superficie curva usando solo un'immagine piatta, si rischia di raggruppare due aree che sembrano simili nella foto ma che sono in realtà lontane sull'oggetto reale, o si potrebbe mancare un dettaglio cruciale nascosto in un'ombra o in una curva concava. Per risolvere questo problema, un team di ricercatori dell'INESC TEC e dell'Università del Porto, in Portogallo, ha sviluppato un nuovo modo per analizzare queste forme complesse. Sono andati oltre le immagini piatte e hanno creato un sistema che comprende la vera forma tridimensionale di un oggetto, permettendo loro di mappare la sua chimica con molti meno colpi di laser e con un rischio di danni significativamente minore.

I ricercatori hanno testato il loro nuovo metodo su un oggetto specifico e delicato: un modello di cartapesta del XIX secolo di un fungo, precisamente un Amanita muscaria, conservato nel Museo di Storia Naturale e Scienze dell'Università del Porto. Il modello è composto da due pezzi separati, un gambo e un cappello, ed è stato creato originariamente per scopi didattici. Poiché il materiale è fragile e l'oggetto ha una forma complessa e arrotondata, era un candidato ideale per questo esperimento. Il team ha iniziato creando un gemello digitale preciso del fungo. Utilizzando uno scanner 3D che proietta luce laser blu, hanno catturato la geometria esatta e la texture della superficie. Questo processo ha prodotto un modello digitale dettagliato che includeva non solo la forma, ma anche il colore e i fini dettagli superficiali, memorizzati come una mappa di texture ad alta risoluzione avvolta attorno alla forma 3D.

Con il modello digitale in mano, il team si è trovato di fronte al compito di decidere dove sparare il laser. Invece di guardare una fotografia piatta, hanno guardato direttamente il modello 3D. Hanno utilizzato un algoritmo per scomporre la superficie del fungo in migliaia di piccole patch irregolari chiamate superpixel. Fondamentalmente, questo algoritmo non guardava solo il colore; considerava anche la posizione fisica di ogni patch nello spazio tridimensionale. Si è assicurato che una patch rossa sul cappello del fungo non venisse raggruppata con una patch rossa sul gambo se erano lontane tra loro nella realtà, anche se apparivano simili in un'immagine piatta. Questo passaggio ha creato una mappa dell'oggetto che rispettava la sua vera geometria, preservando i confini tra le diverse parti del fungo pur mantenendo la superficie suddivisa in regioni coerenti e gestibili.

Una volta che la superficie è stata suddivisa in queste patch consapevoli della geometria, il team ha semplificato i dati. Hanno calcolato il colore medio per ogni patch e poi hanno raggruppato le patch in cluster più grandi basandosi sulla somiglianza dei loro colori. Questo processo ha ridotto la complessità della superficie del fungo da milioni di singoli pixel a un numero molto più piccolo di regioni distinte. Il risultato è stata una segmentazione che identificava le principali aree visive dell'oggetto, come il cappello rosso con macchie bianche e il gambo bianco, rispettando al contempo le curve e i contorni del modello fisico. Da ciascuno di questi cluster finali, i ricercatori hanno selezionato solo uno o pochi punti rappresentativi da analizzare con il laser.

Questa strategia ha portato a una riduzione drastica del numero di colpi laser richiesti. Invece di scansionare l'intera superficie con oltre 221.000 potenziali punti, il che avrebbe lasciato la fragile cartapesta costellata di crateri, il team ha selezionato solo 40 colpi specifici. Questi 40 colpi sono stati sufficienti per catturare l'essenziale informazione chimica per l'intero oggetto. Analizzando la luce emessa da questi pochi punti, potevano inferire la composizione elementale delle aree circostanti all'interno di ogni cluster. Gli impulsi laser sono stati impostati a un livello di energia basso, creando punti di ablazione di circa 300 micrometri di diametro, garantendo che il danno fosse microscopico e localizzato.

L'ultimo passaggio è stato quello di riportare in vita questi dati in un modo che sia facile da comprendere. Il team ha mappato i risultati dei loro 40 colpi laser sul modello digitale 3D. Hanno poi utilizzato la tecnologia della realtà aumentata per visualizzare i risultati. Indossando un visore specializzato, un utente poteva guardare il fungo digitale fluttuante nello spazio e vedere i diversi cluster chimici evidenziati direttamente sulla sua superficie. L'interfaccia permetteva di ruotare il modello, ingrandire e selezionare elementi specifici per vedere dove venivano trovati. Ciò ha fornito una visione spazialmente contestualizzata, permettendo agli esperti e ai non esperti di vedere esattamente come la composizione chimica si relazionasse alla forma fisica e alla texture.

Lo studio dimostra che è possibile estendere i benefici del campionamento intelligente dalle immagini piatte bidimensionali a oggetti tridimensionali complessi. Incorporando la geometria reale di un oggetto nell'analisi, i ricercatori possono evitare le distorsioni e gli errori derivanti dall'appiattimento di una superficie curva. Questo approccio non fa risparmiare solo tempo; cambia fondamentalmente la relazione tra analisi e conservazione. Permette agli scienziati di raccogliere ricchi dati chimici spazialmente dettagliati da fragili oggetti storici senza sottoporli al danno cumulativo di una scansione completa. Il lavoro suggerisce una nuova strada per la scienza del patrimonio culturale, dove l'integrità dell'oggetto è prioritaria e dove gli strumenti di analisi sono adattati alla vera natura tridimensionale del mondo che stiamo cercando di comprendere.