Fusion d'images multi-vues par distillation de connaissances pour la classification de perles de verre anciennes excavées au Japon

Des perles comme capsules temporelles

Pendant plus d’un millénaire, de petites perles de verre ont voyagé le long des routes commerciales depuis la Méditerranée et l’Inde jusqu’à l’archipel japonais. Aujourd’hui, ces fragments colorés figurent parmi les artefacts les plus couramment mis au jour au Japon — plus de 600 000 ont été trouvés — mais déterminer précisément leur lieu de fabrication exige généralement des analyses chimiques longues et coûteuses ainsi que l’œil exercé d’un spécialiste. Cette étude pose une question simple mais puissante : des photographies ordinaires et l’IA moderne peuvent-elles remplacer le laboratoire, aidant les archéologues à retracer rapidement et en douceur les parcours de ces perles ?

Pourquoi le verre ancien compte

Les perles de verre sont plus que des bijoux ; elles constituent des indices de contacts à longue distance à travers l’Eurasie. Les régions utilisaient des mélanges de matières premières et d’oxydes colorants distincts, produisant des « signatures » chimiques que les spécialistes utilisent pour regrouper les perles en familles liées à des zones telles que l’Asie de l’Est, l’Inde, l’Asie du Sud-Est, l’Asie centrale et la Méditerranée. Le travail de provenance traditionnel repose sur des instruments mesurant les composants chimiques et sur des experts qui examinent formes, couleurs et marques de fabrication sous grossissement. Ces approches ont révélé des récits riches sur le commerce ancien, mais elles sont difficiles à étendre à des centaines de milliers d’objets fragiles conservés dans des musées et dépôts à travers le Japon.

Des mesures de laboratoire aux simples photographies

Pour lever ce goulot d’étranglement, les auteurs explorent une méthode qui n’utilise que des images des perles. Au lieu de dissoudre un éclat de verre pour l’analyse, ils photographient chaque perle sous deux angles : une vue de dessus qui révèle le trou annulaire et les motifs de couleur globaux, et une vue de côté qui montre l’épaisseur et le profil. Cette double perspective imite la façon dont les experts manipulent les artefacts, les faisant tourner dans leurs mains pour capter des variations subtiles de texture et de forme. L’objectif est ambitieux : avec seulement ces images, un ordinateur peut-il automatiquement affecter chaque perle à l’un des 16 groupes chimiques et régionaux établis que les archéologues utilisent déjà ?

Apprendre aux machines à voir comme des experts

L’équipe se tourne vers un système d’intelligence artificielle hybride appelé MidNet. Il combine deux stratégies d’analyse d’image de pointe. L’une, connue sous le nom de réseau de neurones convolutionnel, est particulièrement bonne pour détecter des détails fins tels que de minuscules creusements, des stries de couleur ou des dommages de surface. L’autre, un transformeur de vision, est conçu pour percevoir la vision d’ensemble — comment couleurs et formes se rapportent sur l’ensemble de la perle. MidNet traite les deux vues (dessus et côté) via ces deux types de modèles puis les incite à « se mettre d’accord ». Pendant l’entraînement, chaque modèle apprend non seulement à partir de l’étiquette correcte mais aussi à partir des prédictions de son partenaire et de la perspective alternative. Cet échange réduit le risque que le système s’accroche à des bizarreries d’un angle spécifique ou d’un type de modèle plutôt qu’aux traits visuels durables liés à l’origine.

Travailler avec des données inégales et imparfaites

Le jeu de données derrière MidNet consiste en 3 434 images de perles dont les classes ont été établies auparavant par des études expertes et des analyses chimiques. Certains types de perles sont abondants, tandis que d’autres ne comptent que quelques exemplaires — un problème courant en archéologie. Pour empêcher l’IA de favoriser simplement les classes les plus fréquentes, les chercheurs ont utilisé deux astuces. D’abord, ils ont généré des images d’entraînement supplémentaires pour les types très rares en recourant à une technique moderne de synthèse d’image, créant des variations crédibles sans toucher aux artefacts. Ensuite, ils ont volontairement déformé les photos d’entraînement — en modifiant légèrement la couleur, en recadrant ou en masquant de petites zones — pour rendre le système moins sensible à des dommages mineurs ou à des différences d’éclairage. Ils ont ensuite évalué les performances avec une procédure rigoureuse de validation croisée afin de vérifier la généralisation sur des perles non vues.

Quelle est l’efficacité du système ?

Lorsque les chercheurs ont comparé leur MidNet hybride à des modèles d’image plus classiques, ils ont constaté que l’utilisation conjointe des vues dessus et côté était toujours bénéfique, confirmant que les deux angles capturent des indices complémentaires. En termes d’exactitude brute, MidNet égalait la meilleure méthode concurrente avec une marge de seulement quelques perles sur des milliers, mais il présentait le comportement le plus stable entre différentes divisions de test. Autrement dit, ses performances variaient moins d’une expérience à l’autre, indiquant qu’il est moins sensible aux perles spécifiques présentes dans le jeu d’entraînement — une qualité cruciale lorsqu’on traite des types rares. La méthode peine encore avec certaines catégories très ressemblantes que même les spécialistes trouvent difficiles à distinguer, suggérant un problème « ultra-fine » où les différences sont presque imperceptibles sur des photographies seules.

Ce que cela implique pour les fouilles futures

Cette étude montre qu’une photographie soignée associée à une analyse d’image avancée peut estimer de manière fiable le lieu de fabrication de nombreuses perles de verre anciennes, sans toucher à leur chimie. Pour les archéologues, cela ouvre la porte à un tri rapide, peu coûteux et non destructif de grandes collections, même sur le terrain ou dans de petits musées dépourvus de laboratoires. Si les cas difficiles nécessiteront toujours le jugement d’experts et des tests chimiques, un système comme MidNet pourrait gérer la majeure partie des classifications routinières, signaler les pièces inhabituelles et soutenir de vastes archives numériques retraçant le mouvement du verre à travers les continents et les siècles. En bref, ce travail illustre comment l’intelligence artificielle peut aider à reconstruire l’histoire humaine, une minuscule perle à la fois.

Citation: 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

Mots-clés: archéologie, perles de verre, apprentissage automatique, classification par image, patrimoine culturel