⚡ electrical engineering

Infrared Transparency as a Discriminative Signal and Task-Specific Spectral Ranges for Ink and Substrate Analysis in Historical Manuscripts

Este estudo demonstra que a transparência no infravermelho serve como um sinal discriminativo fundamental para a análise de manuscritos históricos, revelando que as faixas do infravermelho de ondas curtas são muito mais eficazes do que a luz visível para a discriminação de tintas, enquanto a caracterização do substrato permanece robusta em todas as bandas espectrais, apoiando, assim, a seleção de cobertura espectral específica para cada tarefa.

Autores originais: Osama Abdelaziz, Younes Akbari, Somaya Al-Maadeed, Kishor Kumar Sadasivuni, Sherine El-Menshawy

Publicado 2026-08-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Osama Abdelaziz, Younes Akbari, Somaya Al-Maadeed, Kishor Kumar Sadasivuni, Sherine El-Menshawy

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A história é frequentemente escrita com uma tinta que desbotou, manchou ou foi obscurecida pela passagem dos séculos. Para conservadores e historiadores, saber exatamente que tipo de tinta foi usada em um manuscrito frágil não é apenas uma questão de curiosidade; é uma chave para entender quando um documento foi feito, quem o escreveu e como ele deve ser preservado. Diferentes tintas envelhecem de formas diferentes, e algumas, como a tinta ferrogálica, podem de fato corroer o papel ou o pergaminho sobre os quais estão assentadas. Para estudar esses materiais sem danificá-los, cientistas utilizam uma técnica chamada imagem hiperespectral. Em vez de capturar uma imagem com apenas três cores como uma câmera padrão, esta tecnologia captura um espectro completo de luz em cada ponto da página. É como tirar uma fotografia onde cada pixel contém uma impressão digital química detalhada do material subjacente. O desafio sempre foi decidir quais partes do espectro de luz são realmente úteis. As câmeras podem ver a luz visível, a luz infravermelha próxima e a luz infravermelha de ondas curtas, mas nenhuma câmera vê todas elas ao mesmo tempo. Pesquisadores há muito suspeitam que diferentes tipos de luz revelam segredos diferentes, mas até agora, não havia uma prova clara de qual faixa específica de luz é melhor para identificar tintas históricas versus identificar o papel ou o pergaminho sobre os quais foram escritas.

Uma equipe de pesquisadores da Universidade do Catar estabeleceu-se para resolver este enigma usando uma coleção pública de documentos históricos e amostras de teste conhecidas como conjunto de dados HYPERDOC. Eles queriam descobrir se poderiam remover grandes porções do espectro de luz e ainda assim obter resultados precisos, ou se precisariam de toda a gama de dados. Para fazer isso, construíram um sistema de computador capaz de ler esses espectros de luz e o treinaram para distinguir entre três tipos comuns de tintas históricas: ferrogálica, à base de carbono e sépia. Eles também pediram ao sistema que identificasse o material de fundo, como pergaminho ou papel de algodão e linho. Os pesquisadores não apenas adivinharam; eles executaram o exato mesmo modelo de computador nove vezes, cada vez alimentando-o com uma fatia diferente do espectro de luz. Algumas execuções usaram apenas as cores visíveis que vemos com nossos olhos, outras usaram apenas o infravermelho próximo, e algumas usaram o infravermelho de ondas curtas ou uma combinação deles. Eles garantiram que seu teste fosse justo dividindo os dados de modo que o computador fosse testado em documentos que nunca tinha visto antes, evitando que ele simplesmente memorizasse as respostas.

Os resultados foram surpreendentemente claros e derrubaram uma suposição comum no campo. Os pesquisadores descobriram que a parte visível do espectro, as cores que podemos ver, fornecia quase nenhuma ajuda extra para distinguir as tintas. Quando removeram a luz visível de sua análise, a capacidade do computador de identificar a tinta quase não mudou. Na verdade, as faixas de infravermelho próximo e de infravermelho de ondas curtas foram muito mais poderosas. O infravermelho de ondas curtas sozinho foi capaz de identificar as tintas com um alto grau de precisão, superando amplamente a luz visível. A razão para isso reside em como essas tintas interagem com a luz. À medida que as ondas de luz ficam mais longas e entram no infravermelho, a tinta ferrogálica começa a se tornar transparente, permitindo que o sensor veja o papel por baixo dela. As tintas de carbono e sépia, no entanto, permanecem escuras e opacas, continuando a bloquear a luz. Essa diferença de transparência é o sinal fundamental que o computador usa para distingui-las. A luz visível, por outro lado, vê as três tintas como escuras e semelhantes, não oferecendo forma de distingui-las.

O estudo também revelou que a melhor maneira de analisar esses documentos não é usar uma única câmera que veja tudo, mas sim combinar duas faixas específicas de luz. Ao fundir os dados do infravermelho próximo e do infravermelho de ondas curtas, os pesquisadores alcançaram a maior precisão, identificando corretamente a tinta e o material de fundo em quase todos os casos. Essa combinação permitiu que o sistema visse o quadro completo: onde a tinta era opaca e onde ela havia se tornado transparente. Curiosamente, os pesquisadores descobriram que a luz necessária para identificar a tinta não é a mesma necessária para identificar o papel. Enquanto a classificação da tinta dependia fortemente do comportamento específico da tinta no infravermelho, o papel e o pergaminho eram fáceis de distinguir em toda a faixa de luz testada. Isso sugere que as ferramentas usadas para estudar esses documentos devem ser escolhidas com base na pergunta específica que está sendo feita, e não apenas usando o equipamento que estiver disponível.

Este trabalho fornece um guia prático para futuros esforços de conservação. Ele mostra que, para a identificação de tintas históricas, equipamentos caros que capturam a luz visível são amplamente desnecessários se o objetivo for simplesmente classificar o tipo de tinta. Em vez disso, focar no espectro de infravermelho oferece um sinal mais claro e confiável. Os pesquisadores confirmaram que seu método funciona bem nos tipos específicos de tintas escuras encontradas em seu conjunto de dados, alcançando um nível de precisão que iguala ou excede métodos anteriores que usavam abordagens mais complexas ou diferentes. No entanto, eles observaram que suas descobertas são específicas para essas tintas escuras e para a faixa de luz que mediram. Eles não testaram a luz ultravioleta ou o infravermelho médio, nem testaram tintas ou pigmentos coloridos. O estudo conclui que, embora o espectro visível seja redundante para esta tarefa específica, o espectro de infravermelho detém a informação crítica necessária para ler a história química de um manuscrito sem nunca tocá-lo.

Resumo Técnico: Transparência no Infravermelho como Sinal Discriminativo e Intervalos Espectrais Específicos para Tarefas na Análise de Tintas e Substratos em Manuscritos Históricos

Definição do Problema
A identificação de tipos de tinta em manuscritos históricos é crítica para a datação, atribuição e conservação, uma vez que diferentes tintas (por exemplo, de ferro-gálica versus baseadas em carbono) se deterioram de formas distintas. Embora a imagem hiperespectral (HSI) ofereça análise não destrutiva, o intervalo espectral ideal para distinguir entre tintas escuras espectralmente semelhantes (ferro-gálica, carbono e sépia) permanece uma questão em aberto. Além disso, não está claro se os intervalos espectrais mais adequados para a classificação de tintas são os mesmos necessários para a caracterização do substrato (pergaminho vs. papel). A prática convencional frequentemente divide a aquisição em Visível/Infravermelho Próximo (VNIR) e Infravermelho de Ondas Curtas (SWIR) para propósitos diferentes, mas essa divisão não foi quantitativamente validada para a discriminação de tintas históricas, onde os materiais são frequentemente indistinguíveis no espectro visível.

Metodologia
O estudo utiliza o conjunto de dados público HYPERDOC, composto por imagens VNIR (400–1000 nm, 121 bandas) e SWIR (900–1700 nm, 161 bandas) espacialmente alinhadas, provenientes de 61 documentos históricos e amostras simuladas. O design experimental envolve:

Comparação de Configuração Espectral: Os autores treinaram um modelo de segmentação Residual U-Net idêntico em nove configurações espectrais distintas abrangendo 400–1700 nm. Estas configurações isolaram intervalos específicos (VIS, NIR, SWIR-Low, SWIR-High) e combinações (entradas fundidas) para determinar quais bandas contribuem com informações discriminativas.
Particionamento de Dados: Para garantir uma avaliação realista, os dados foram divididos ao nível do documento (72% treino, 15% validação, 13% teste), garantindo que nenhum pixel do mesmo documento aparecesse tanto no treino quanto no teste. Cada configuração foi executada cinco vezes com diferentes sementes aleatórias para relatar a média de desempenho e o desvio padrão.
Análise Física: Além do treinamento do modelo, os autores mediram o contraste tinta–substrato ( $C_c(\lambda)$ ) diretamente como uma função do comprimento de onda para compreender os mecanismos físicos que impulsionam a classificação. Eles também avaliaram a separabilidade do substrato (pergaminho vs. algodão-linho) usando métricas independentes de modelo (d de Cohen e AUC).
Definições de Tarefa: A tarefa primária foi uma segmentação de quatro classes (Ferro-gálica, Carbono, Sépia e Outros/Não-tinta). Um experimento secundário reproduziu o benchmark de três classes (Metalogalato, Contendo carbono, Não contendo carbono) de literatura anterior para permitir comparação direta.

Resultos Principais

Redundância do Espectro Visível: O espectro visível (400–700 nm) forneceu informação adicional negligenciável para a discriminação de tinta. Remover o visível de uma entrada fundida alterou o F1 macro em apenas 0,009. Em contraste, os dados SWIR sozinhos alcançaram um F1 macro de 0,920, superando significativamente os dados visíveis (0,660) e os dados NIR (0,791).
Superioridade do SWIR e Contagem de Bandas: A vantagem do SWIR foi atribuída ao conteúdo espectral e não ao número de bandas. Uma configuração de subamostragem de SWIR (SWIR-61, igualando a contagem de bandas do NIR) alcançou um F1 macro de 0,914, retendo 95% da vantagem total do SWIR.
Configuração Ótima: O melhor desempenho foi alcançado pela fusão de NIR e SWIR (700–1700 nm), resultando em 0,977 de acurácia e 0,941 de F1 macro. Isso superou tanto os modelos espectrais individuais quanto sua combinação de votação suave ponderada, sugerindo que aprender características espectrais-espaciais conjuntas é mais eficaz do que a fusão post-hoc.
Mecanismo Físico (Transparência Diferencial): O estudo identificou a transparência diferencial no infravermelho como o principal sinal discriminativo. A tinta ferro-gálica perde progressivamente o contraste e torna-se transparente para o sensor conforme o comprimento de onda aumenta, atingindo o nível de ruído aproximadamente em 1695–1700 nm. Por outro lado, as tintas de carbono e sépia permanecem mensuravelmente opacas em todo o intervalo de 400–1700 nm. Consequentemente, a classificação da tinta ferro-gálica baseia-se na detecção do seu "desaparecimento", e não da sua cor.
Discriminação de Substrato vs. Tinta: Diferente da classificação de tinta, que depende de comportamentos específicos de extinção no infravermelho, a caracterização do substrato (pergaminho vs. algodão-linho) mostrou forte separabilidade em todo o intervalo medido (mediana do d de Cohen = 2,04). Isso indica que a análise de tinta e de substrato dependem de informações espectrais diferentes e específicas para cada tarefa.
Comparação de Benchmark: Sob um split de documento correspondente, o modelo proposto superou quatro de cinco bases tradicionais de aprendizado de máquina (KNN, LDA, RF, PLS-DA) e igualou o SVM no benchmark de três classes, embora tenha permanecido abaixo do desempenho do DeepLabV3 relatado no estudo original do HYPERDOC.

Significância e Alegações
O artigo afirma que a cobertura espectral para imagens de patrimônio deve ser selecionada com base no objetivo analítico, em vez de ser adquirida uniformemente. Os resultados demonstram que:

Intervalos Específicos para Tarefas: A identificação de tintas em manuscritos históricos é impulsionada pelos dados SWIR e pelo fenômeno físico da transparência diferencial, tornando o intervalo visível redundante para esta tarefa específica.
Interpretabilidade Física: O sucesso da classificação está diretamente ligado ao comportamento de extinção física da tinta ferro-gálica, fornecendo uma base óptica mensurável para o sinal de "desaparecimento" utilizado pelo modelo.
Rigor Metodológico: Ao manter a arquitetura do modelo fixa e variar apenas os inputs espectrais sob rigorosos splits de nível de documento, o estudo isola a contribuição das bandas espectrais, oferecendo um guia claro para o design de instrumentos e estratégias de aquisição de dados em ciência do patrimônio.

Os autores observam limitações, incluindo o uso de minicubos recortados em vez de páginas completas, a exclusão de tintas coloridas e a falta de dados ultravioleta ou infravermelho médio, deixando estas áreas para investigações futuras.

Mais como este