Meervoudige beeldfusie met kennisdistillatie voor de classificatie van oude glaskralen opgegraven in Japan

Kralen als tijdcapsules

Meer dan duizend jaar reisden kleine glaskralen via handelsroutes van de Middellandse Zee en India naar de Japanse archipel. Tegenwoordig behoren deze kleurrijke fragmenten tot de meest voorkomende vondsten in Japan—er zijn er meer dan 600.000 gevonden—maar bepalen waar ze precies zijn vervaardigd vereist meestal langdurige, dure chemische tests en het getrainde oog van een specialist. Deze studie stelt een eenvoudige maar krachtige vraag: kunnen gewone foto’s en moderne AI het laboratorium vervangen en archeologen snel en onschadelijk helpen de herkomst van deze kralen te traceren?

Waarom oud glas van belang is

Glaskralen zijn meer dan versiering; ze bieden aanknopingspunten voor langeafstandcontacten in Eurazië. Verschillende regio’s gebruikten karakteristieke mengsels van grondstoffen en kleurstoffen, wat resulteerde in chemische “handtekeningen” die specialisten gebruiken om kralen te groeperen in families die te verbinden zijn met gebieden zoals Oost-Azië, India, Zuidoost-Azië, Centraal-Azië en de Middellandse Zee. Traditioneel proveniëringswerk berust op instrumenten die chemische samenstellingen meten en op experts die vormen, kleuren en productiemerken onder vergroting bestuderen. Deze benaderingen hebben rijke verhalen over oude handel onthuld, maar ze zijn moeilijk op te schalen voor de honderdduizenden fragiele objecten die in musea en depots in heel Japan liggen.

Van laboratoriummetingen naar eenvoudige foto’s

Om dit knelpunt te doorbreken, onderzoeken de auteurs een methode die alleen afbeeldingen van de kralen gebruikt. In plaats van een stukje glas op te lossen voor analyse, fotograferen ze elke kraal vanuit twee hoeken: een bovenaanzicht dat het ringvormige gat en de algehele kleurpatronen toont, en een zijaanzicht dat dikte en profiel laat zien. Dit dubbele gezichtspunt bootst na hoe menselijke experts artefacten in hun handen draaien om subtiele veranderingen in oppervlakstructuur en vorm op te merken. Het doel is ambitieus: alleen met deze foto’s kan een computer elke kraal automatisch toewijzen aan een van de 16 erkende chemische en regionale groepen die archeologen al gebruiken?

Machines leren zien als experts

Het team wendt zich tot een hybride kunstmatig-intelligentiesysteem genaamd MidNet. Het combineert twee toonaangevende beeldanalysemethoden. De een, bekend als een convolutioneel neuraal netwerk, is bijzonder goed in het oppikken van fijne details zoals kleine putjes, kleurstreepjes of oppervlaktebeschadigingen. De ander, een vision transformer, is ontworpen om het grotere geheel te zien—hoe kleuren en vormen zich over de hele kraal verhouden. MidNet verwerkt beide gezichtspunten (boven en zij) via beide modeltypen en stimuleert ze vervolgens om het met elkaar eens te zijn. Tijdens het trainen leert elk model niet alleen van het juiste label maar ook van de voorspellingen van zijn partner en van het alternatieve gezichtspunt. Deze kruiscommunicatie vermindert het risico dat het systeem zich vastklampt aan eigenaardigheden van een bepaalde hoek of modeltype in plaats van aan duurzame visuele kenmerken die met herkomst samenhangen.

Werken met ongelijk en imperfect gedragende data

De dataset achter MidNet bestaat uit 3.434 kraalafbeeldingen waarvan de klassen eerder waren vastgesteld met zorgvuldige expertsstudie en chemische analyse. Sommige kraalsoorten komen veel voor, terwijl andere slechts met enkele voorbeelden zijn vertegenwoordigd—een veelvoorkomend probleem in de archeologie. Om te voorkomen dat de AI simpelweg de meest voorkomende klassen bevoordeelt, gebruikten de onderzoekers twee trucs. Ten eerste genereerden ze extra trainingsafbeeldingen voor zeer zeldzame types met een moderne beeldsynthesetechniek, waarmee geloofwaardige variaties werden gemaakt zonder de artefacten zelf aan te raken. Ten tweede vervormden ze doelbewust trainingsfoto’s—lichtelijke kleurveranderingen, bijsnijden of kleine gedeelten verbergen—om het systeem minder gevoelig te maken voor kleine schade of lichtverschillen. Ze evalueerden de prestaties vervolgens met een rigoureuze kruisvalidatieprocedure om te zien hoe goed de methode zou generaliseren naar nog onbeziene kralen.

Hoe goed werkt het systeem?

Toen de onderzoekers hun hybride MidNet vergeleken met meer standaard beeldmodellen, ontdekten ze dat het gebruik van zowel boven- als zijaanzichten altijd hielp, wat bevestigt dat de twee hoeken elkaar aanvullende aanwijzingen bieden. Wat ruwe nauwkeurigheid betreft, benaderde MidNet de beste concurrerende methode binnen een marge van slechts enkele kralen uit duizenden, maar het vertoonde het meest stabiele gedrag over verschillende testsplitsingen. Met andere woorden, de prestaties varieerden minder van het ene experiment naar het andere, wat suggereert dat het minder gevoelig is voor welke specifieke kralen toevallig in de trainingsset zitten—een cruciale eigenschap bij zeldzame artefacttypes. De methode worstelt nog steeds met bepaalde sterk gelijkende categorieën die zelfs voor specialisten moeilijk te onderscheiden zijn, wat wijst op een “ultra-fijnkorrelig” probleem waarbij verschillen op foto’s bijna onmerkbaar zijn.

Wat dit betekent voor toekomstige opgravingen

Deze studie toont aan dat zorgvuldige fotografie gecombineerd met geavanceerde beeldanalyse op betrouwbare wijze kan schatten waar veel oude glaskralen zijn gemaakt, zonder hun chemie aan te raken. Voor archeologen opent dat de deur naar snelle, goedkope en niet-destructieve sortering van grote collecties, zelfs in het veld of in kleine musea zonder laboratoria. Hoewel uitdagende gevallen nog steeds experts en chemische tests vereisen, zou een systeem als MidNet het merendeel van de routinematige classificaties kunnen afhandelen, opvallende stukken kunnen markeren en grote digitale archieven kunnen ondersteunen die de verspreiding van glas over continenten en eeuwen volgen. Kortom, het werk laat zien hoe kunstmatige intelligentie kan helpen bij het reconstrueren van menselijke geschiedenis, één kleine kraal per keer.

Bronvermelding: 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

Trefwoorden: archeologie, glaskralen, machine learning, beeldgebaseerde classificatie, cultureel erfgoed