Multiview-Bildfusion mittels Knowledge Distillation zur Klassifikation antiker Glasperlen, die in Japan ausgegraben wurden

Perlen als Zeitkapseln

Seit mehr als tausend Jahren reisten winzige Glasperlen entlang von Handelsrouten vom Mittelmeer und Indien bis zum japanischen Archipel. Heute gehören diese bunten Fragmente zu den am häufigsten ausgegrabenen Artefakten in Japan – mehr als 600.000 wurden gefunden – doch die genaue Herkunft lässt sich meist nur mit langsamen, teuren chemischen Analysen und dem geschulten Auge von Fachleuten bestimmen. Diese Studie stellt eine einfache, aber vielversprechende Frage: Können gewöhnliche Fotografien und moderne KI das Labor ersetzen und Archäologen dabei helfen, die Wege dieser Perlen schnell und schonend nachzuvollziehen?

Warum antikes Glas wichtig ist

Glasperlen sind mehr als Schmuck; sie sind Hinweise auf Fernkontakte über Eurasien. Verschiedene Regionen verwendeten unterschiedliche Mischungen aus Rohstoffen und Farbmitteln, die chemische „Signaturen“ erzeugen, mit deren Hilfe Fachleute Perlen in Gruppen einordnen, die mit Orten wie Ostasien, Indien, Südostasien, Zentralasien und dem Mittelmeerraum verbunden sind. Traditionelle Provenienzforschung stützt sich auf Instrumente, die chemische Komponenten messen, sowie auf Expert:innen, die Formen, Farben und Herstellungsmerkmale unter Vergrößerung untersuchen. Diese Ansätze haben reiche Geschichten über alten Handel enthüllt, sind aber schwer auf Hunderttausende zerbrechlicher Objekte in Museen und Depots in ganz Japan übertragbar.

Von Labor­messungen zu einfachen Fotografien

Um diesen Engpass zu überwinden, untersuchen die Autor:innen einen Ansatz, der nur Bilder der Perlen nutzt. Anstatt eine Glasspäne zur Analyse aufzulösen, fotografieren sie jede Perle aus zwei Blickwinkeln: eine Draufsicht, die das ringförmige Loch und die allgemeinen Farb­muster zeigt, und eine Seitenansicht, die Dicke und Profil offenbart. Dieser doppelte Blickwinkel ahmt nach, wie menschliche Expert:innen Artefakte behandeln, indem sie sie drehen, um subtile Veränderungen in Oberflächenstruktur und Form einzufangen. Das Ziel ist ambitioniert: Können Computer anhand nur dieser Fotos automatisch jede Perle einer von 16 etablierten chemischen und regionalen Gruppen zuordnen, die Archäolog:innen bereits verwenden?

Maschinen beibringen, wie Expert:innen zu sehen

Das Team setzt auf ein hybrides KI-System namens MidNet. Es kombiniert zwei führende Bildanalyse­strategien. Die eine, bekannt als Convolutional Neural Network (CNN), ist besonders gut darin, feine Details wie winzige Grübchen, Farbstreifen oder Oberflächenschäden zu erfassen. Die andere, ein Vision Transformer, ist darauf ausgelegt, das große Ganze zu erfassen – wie Farben und Formen über die gesamte Perle hinweg zusammenhängen. MidNet verarbeitet beide Ansichten (Draufsicht und Seitenansicht) durch beide Modelltypen und bringt sie dazu, miteinander „Übereinstimmung“ zu erzielen. Während des Trainings lernt jedes Modell nicht nur aus dem korrekten Label, sondern auch aus den Vorhersagen seines Partners und aus der alternativen Ansicht. Dieser wechselseitige Austausch verringert das Risiko, dass das System sich an Besonderheiten eines bestimmten Blickwinkels oder Modelltyps festhängt, statt an den beständigen visuellen Merkmalen, die mit der Herkunft verbunden sind.

Arbeiten mit ungleichmäßigen und unvollkommenen Daten

Der Datensatz hinter MidNet besteht aus 3.434 Perlenbildern, deren Klassen zuvor durch sorgfältige Expertenstudien und chemische Analysen etabliert wurden. Manche Perlenarten sind zahlreich vertreten, andere nur durch wenige Beispiele – ein häufiges Problem in der Archäologie. Um zu verhindern, dass die KI einfach die häufigsten Klassen bevorzugt, nutzten die Forschenden zwei Tricks. Erstens erzeugten sie zusätzliche Trainingsbilder für sehr seltene Typen mit einer modernen Bildsynthese­technik, die glaubwürdige Variation erzeugt, ohne die Artefakte selbst zu berühren. Zweitens verzerrten sie Trainingsfotos gezielt – indem sie Farbe leicht veränderten, zuschnitten oder kleine Bereiche verdeckten – um das System weniger empfindlich gegenüber geringfügigen Beschädigungen oder Lichtunterschieden zu machen. Anschließend bewerteten sie die Leistung mit einem strengen Kreuzvalidierungsverfahren, um zu prüfen, wie gut die Methode auf unbekannte Perlen generalisieren würde.

Wie gut funktioniert das System?

Als die Forschenden ihr hybrides MidNet mit gebräuchlicheren Bildmodellen verglichen, zeigte sich, dass die Verwendung sowohl der Drauf- als auch der Seitenansicht immer hilfreich war, was bestätigt, dass die beiden Blickwinkel komplementäre Hinweise liefern. In puncto roher Genauigkeit erreichte MidNet die beste konkurrierende Methode bis auf wenige Perlen unter Tausenden, zeigte aber das stabilste Verhalten über verschiedene Testsplits hinweg. Anders gesagt: Seine Leistung schwankte weniger von Experiment zu Experiment, was darauf hindeutet, dass es weniger empfindlich darauf reagiert, welche konkreten Perlen im Trainingssatz enthalten sind – eine entscheidende Eigenschaft beim Umgang mit seltenen Artefakten. Die Methode hat weiterhin Probleme mit bestimmten sehr ähnlich aussehenden Kategorien, die selbst Expert:innen schwer zu unterscheiden fallen, was auf ein „ultra-fine-grained“-Problem hinweist, bei dem Unterschiede auf Fotos kaum wahrnehmbar sind.

Was das für zukünftige Ausgrabungen bedeutet

Die Studie zeigt, dass sorgfältige Fotografie plus fortgeschrittene Bildanalyse zuverlässig einschätzen können, wo viele antike Glasperlen hergestellt wurden, ohne ihre Chemie anzutasten. Für Archäolog:innen öffnet das die Tür zu schneller, kostengünstiger und nicht‑invasiver Sortierung großer Sammlungen, selbst im Feld oder in kleinen Museen ohne Laborausstattung. Während schwierige Fälle weiterhin Expertenurteil und chemische Tests erfordern, könnte ein System wie MidNet den Großteil routinemäßiger Klassifikationen übernehmen, ungewöhnliche Stücke hervorheben und große digitale Archive unterstützen, die die Bewegung von Glas über Kontinente und Jahrhunderte verfolgen. Kurz gesagt: Die Arbeit zeigt, wie künstliche Intelligenz helfen kann, menschliche Geschichte wiederzugewinnen – eine winzige Perle nach der anderen.

Zitation: Fukuchi, T., Tamura, T. & Fukunaga, K. Multi-view image fusion using knowledge distillation for classification of ancient glass beads excavated in Japan. npj Herit. Sci. 14, 41 (2026). https://doi.org/10.1038/s40494-026-02305-0

Schlüsselwörter: Archäologie, Glasperlen, Maschinelles Lernen, bildbasierte Klassifikation, kulturelles Erbe