Prism-OBI: een nieuw raamwerk voor het herkennen van orakelbeenderinscripties via visuele waarneming en feature-ontkoppeling

Oude aanwijzingen in gebarsten beenderen

Meer dan drieduizend jaar geleden kerfden mensen in het oude China vragen aan de goden in dierlijke botten en schildpaddenplaten, waarmee het vroegst bekende Chinese schrift ontstond. Tegenwoordig vormen deze orakelbeenderinscripties kostbare aanwijzingen voor de vroegste geschiedenis — maar de meeste exemplaren zijn slechts versleten, gebarsten fragmenten die zelfs voor experts buitengewoon moeilijk te lezen zijn. Dit artikel introduceert Prism-OBI, een nieuw kunstmatig-intelligentiesysteem dat bedoeld is om door de schade heen te kijken, betekenisvolle strepen te scheiden van geologische rommel, en onderzoekers te helpen deze fragiele bronnen op schaal te ontsluiten.

Waarom oude beenderen moeilijk leesbaar zijn

Orakelbeenderen hebben millennia onder de grond doorgebracht, zijn samengedrukt door grond, gewisseld tussen doorweekte en uitgedroogde omstandigheden, en gebarsten tijdens opgravingen. Het schrift is vaak vaag, gebroken of ontbreekt, en de botoppervlakken zitten vol barsten en vlekken die er misleidend uitzien als de gekerfde strepen. Traditionele benaderingen vertrouwden ofwel op experts die elk teken nauwgezet met het oog vergeleken, of op standaard tekenherkenningssoftware die ontworpen is voor schone, moderne gedrukte tekst. Beide methoden hebben moeite wanneer een enkel teken door een barst wordt verdeeld, gedeeltelijk is geërodeerd, of enigszins anders is uitgevoerd door verschillende schriftvoerders of in verschillende tijdperken. Daardoor blijft veel van dit materiaal onderbenut, opgesloten achter de eenvoudige uitdaging te identificeren welk teken welk is.

Computers leren voorbij de schade te zien

Prism-OBI pakt dit probleem aan door herkenning op te splitsen in twee zorgvuldig gecoördineerde fasen in plaats van één omvangrijk end-to-end model te gebruiken. In de eerste fase concentreert het systeem zich alleen op waar tekens zich bevinden op een rubbing van een bot, niet op wat ze betekenen. Voordat enige AI naar de afbeelding kijkt, verbetert een tweestaps schoonmaakproces het contrast en filtert het speckle-scanner-ruis weg, waardoor de strepen duidelijker naar voren komen. De opgeschoonde rubbing gaat vervolgens naar een aangepaste detector, gebaseerd op een snel objectdetectienetwerk dat herontworpen is om ‘degradatie-bewust’ te zijn. Deze scheidt brede vormen van fijne details, benadrukt waarschijnlijke streep-patronen, bagatelliseert willekeurige barsten en combineert informatie over meerdere schalen zodat zowel kleine als grote tekens betrouwbaar worden gedetecteerd. De output van deze fase is een set strakke kaders rond elk vermoed tekenpatch.

Van bijgesneden tekens naar herkende karakters

In de tweede fase wordt elk bijgesneden tekenpatch naar een standaard vierkant geschaald en gevoed aan een diep neuraal netwerkclassifier die is aangepast van een veelgebruikt visiemodel. Deze classifier is gespecialiseerd in het onderscheiden van honderden subtiel verschillende tekens in de OBC306-dataset, die meer dan 300.000 orakelbeenderkarakters bevat verdeeld over 306 categorieën, elk gekoppeld aan een modern Chinees equivalent. Omdat de detector al het zware werk van schoonmaken en isoleren van tekens heeft gedaan, kan de classifier zich concentreren op fijne verschillen in streepvorm en lay-out — zoals kleine haakjes, breuken of kruisingen — in plaats van te moeten vechten tegen de achtergrondruis van de oorspronkelijke rubbing. Tests tonen aan dat deze combinatie van een gerichte detector met een sterke classifier hogere herkenningsnauwkeurigheid oplevert dan eenvoudigere, ééngelaagde systemen, terwijl het toch snel genoeg draait voor bijna realtime gebruik.

Inzicht in de nieuwe detector

Achter de schermen gebruikt Prism-OBI’s detector verschillende aangepaste trucs om om te gaan met zwaar gedegradeerde artefacten. Een module splitst het visuele signaal in laagfrequente componenten (algemene contouren) en hoogfrequente componenten (scherpe randen), zodat het model brede vormen en delicate streepuiteinden verschillend kan behandelen, en past vervolgens attention-mechanismen toe om consistente streep-patronen te benadrukken boven willekeurige scheuren. Een andere module bouwt een piramide van weergaven op verschillende schalen en leert hoeveel vertrouwen aan elk ervan te hechten, wat de detectie van zowel kleine als grotere tekens verbetert zonder overweldigd te raken door ruis. Een derde module leert kenmerken van verschillende netwerklagen te wegen in plaats van ze simpelweg op te stapelen, wat helpt informatieve signalen te behouden terwijl onbetrouwbare signalen worden gedempt. Ten slotte codeert de detectiekop expliciet horizontale en verticale positie, wat essentieel is in drukke lay-outs waar aangrenzende tekens anders in elkaar vervloeien.

Wat de resultaten betekenen voor cultureel erfgoed

Op een standaard dataset voor orakelbeenderdetectie verbetert de verbeterde detector aanzienlijk precisie, recall en de algehele kwaliteit van begrenzingsvakken vergeleken met het basismodel, waardoor zowel gemiste tekens als valse alarmsignalen door scheuren afnemen. Gecombineerd met de classifier bereikt het volledige Prism-OBI-raamwerk sterke karakterherkenningsprestaties terwijl het ongeveer 32 beelden per seconde verwerkt op een laptop-GPU. Vroege kwalitatieve tests tonen zelfs dat dezelfde detector, zonder opnieuw getraind te worden, karakters in andere oude schriften zoals bronzen inscripties en zegelscript zinvol kan lokaliseren, hoewel finetuning nog steeds nodig is voor de beste resultaten. Voor niet-specialisten is de belangrijkste conclusie dat Prism-OBI een praktische, uitbreidbare weg biedt naar het automatisch lezen van zwaar beschadigde oude geschriften. Door duidelijk te scheiden “waar staat het schrift?” van “wat staat er?” verandert het systeem rommelige, gefragmenteerde botoppervlakken in gestructureerde, doorzoekbare tekst en helpt het historici en archeologen de vroegste schriftelijke bronnen van de mensheid sneller en grondiger te onderzoeken dan ooit tevoren.

Bronvermelding: Li, J.W., He, J.R., Wu, J.R. et al. Prism-OBI: a novel framework for oracle bone inscription recognition via visual perception and feature decoupling. npj Herit. Sci. 14, 218 (2026). https://doi.org/10.1038/s40494-026-02493-9

Trefwoorden: orakelbeenderinscripties, erkenning van oude schrifttekens, deep learning, digitalisering van cultureel erfgoed, computer vision