Fusione di immagini multivista mediante knowledge distillation per la classificazione di perline di vetro antiche rinvenute in Giappone

Perline come capsule del tempo

Per oltre mille anni, piccole perline di vetro hanno viaggiato lungo rotte commerciali dal Mediterraneo e dall’India all’arcipelago giapponese. Oggi questi frammenti colorati sono tra i reperti più comuni ritrovati in Giappone—ne sono stati trovati oltre 600.000—ma stabilire con precisione dove sono stati prodotti richiede in genere analisi chimiche lente e costose e l’occhio esperto di uno specialista. Questo studio pone una domanda semplice ma potente: fotografie ordinarie e intelligenza artificiale moderna possono sostituire il laboratorio, aiutando gli archeologi a tracciare rapidamente e in modo non invasivo i percorsi di queste perline?

Perché il vetro antico è importante

Le perline di vetro sono più che gioielli; sono indizi di contatti a lunga distanza attraverso l’Eurasia. Diverse regioni impiegavano miscugli distinti di materie prime e coloranti, producendo “firme” chimiche che gli specialisti usano per raggruppare le perline in famiglie collegate a luoghi come l’Asia orientale, l’India, il Sudest asiatico, l’Asia centrale e il Mediterraneo. Il lavoro tradizionale sulla provenienza si basa su strumenti che misurano componenti chimici e su esperti che esaminano forme, colori e segni di manifattura sotto ingrandimento. Questi approcci hanno rivelato storie complesse sul commercio antico, ma sono difficili da scalare a centinaia di migliaia di oggetti fragili conservati in musei e depositi in tutto il Giappone.

Dalle misure di laboratorio a semplici fotografie

Per superare questo collo di bottiglia, gli autori esplorano un metodo che usa soltanto immagini delle perline. Invece di dissolvere un frammento di vetro per l’analisi, fotografano ogni perlina da due angolazioni: una vista dall’alto che mette in evidenza il foro anulare e i motivi cromatici complessivi, e una vista laterale che mostra lo spessore e il profilo. Questo doppio punto di osservazione imita il modo in cui gli esperti maneggiano i reperti, ruotandoli con le mani per cogliere sottili cambiamenti nella texture superficiale e nella forma. L’obiettivo è ambizioso: date soltanto queste immagini, un computer può assegnare automaticamente ogni perlina a uno dei 16 gruppi chimici e regionali già utilizzati dagli archeologi?

Insegnare alle macchine a vedere come gli esperti

Il team ricorre a un sistema ibrido di intelligenza artificiale chiamato MidNet. Combina due strategie di analisi delle immagini all’avanguardia. Una, nota come rete neurale convoluzionale, è particolarmente abile nel cogliere dettagli fini come piccole cavità, striature di colore o danni superficiali. L’altra, un vision transformer, è progettata per cogliere il quadro generale—come colori e forme si relazionano su tutta la perlina. MidNet elabora entrambe le viste (alto e lato) attraverso entrambi i tipi di modelli e poi li incentiva a “mettersi d’accordo”. Durante l’addestramento, ogni modello impara non solo dall’etichetta corretta ma anche dalle predizioni del compagno e dalla vista alternativa. Questo scambio reciproco riduce il rischio che il sistema si aggrappi a particolarità di un angolo o di un tipo di modello invece che ai tratti visivi duraturi legati all’origine.

Lavorare con dati disomogenei e imperfetti

Il dataset alla base di MidNet è composto da 3.434 immagini di perline le cui classi erano state precedentemente stabilite mediante attenti studi di esperti e analisi chimiche. Alcuni tipi di perline sono abbondanti, mentre altri sono rappresentati da solo un pugno di esempi—un problema comune in archeologia. Per evitare che l’IA favorisca semplicemente le classi più comuni, i ricercatori hanno usato due accorgimenti. Primo, hanno generato immagini di addestramento aggiuntive per i tipi molto rari usando una moderna tecnica di sintesi delle immagini, creando variazioni credibili senza toccare i reperti. Secondo, hanno volutamente distorto le foto di addestramento—modificando leggermente il colore, ritagliando o nascondendo piccole porzioni—per rendere il sistema meno sensibile a danni minori o a differenze di illuminazione. Hanno poi valutato le prestazioni con una rigorosa procedura di cross-validation per verificare quanto il metodo si generalizzasse su perline non viste prima.

Quanto funziona il sistema?

Quando i ricercatori hanno confrontato il loro MidNet ibrido con modelli di immagini più standard, hanno scoperto che l’uso di entrambe le viste, alto e lato, ha sempre aiutato, confermando che i due angoli catturano indizi complementari. In termini di accuratezza grezza, MidNet si è allineato al miglior metodo concorrente con un margine di soli pochi esemplari su migliaia, ma ha mostrato il comportamento più stabile attraverso diverse suddivisioni di test. In altre parole, le sue prestazioni variavano meno da un esperimento all’altro, indicando che è meno sensibile a quali specifiche perline finiscono nel set di addestramento—una qualità cruciale quando si lavora con tipi rari. Il metodo continua a incontrare difficoltà con alcune categorie simili tra loro che persino gli specialisti trovano difficili da distinguere, suggerendo un problema “ultra-fine-grained” in cui le differenze sono quasi impercettibili solo dalle fotografie.

Cosa significa per gli scavi futuri

Questo studio dimostra che una fotografia accurata unita ad analisi d’immagine avanzata può stimare in modo affidabile la provenienza di molte perline di vetro antiche, senza toccarne la chimica. Per gli archeologi, questo apre la porta a una classificazione rapida, economica e non distruttiva di grandi collezioni, anche sul campo o in piccoli musei privi di laboratori. Sebbene i casi più complessi richiederanno ancora giudizio di esperti e analisi chimiche, un sistema come MidNet potrebbe gestire la maggior parte delle classificazioni di routine, mettere in evidenza pezzi insoliti e supportare grandi archivi digitali che tracciano il movimento del vetro attraverso continenti e secoli. In breve, il lavoro mostra come l’intelligenza artificiale possa contribuire a ricostruire la storia umana, una piccola perlina alla volta.

Citazione: 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

Parole chiave: archeologia, perline di vetro, machine learning, classificazione basata su immagini, patrimonio culturale