Fuzja obrazów wielowidokowych z wykorzystaniem destylacji wiedzy do klasyfikacji starożytnych szklanych paciorków wykopanych w Japonii

Paciorki jako kapsuły czasu

Przez ponad tysiąc lat drobne szklane paciorki przemieszczały się szlakami handlowymi od Morza Śródziemnego i Indii aż po archipelag japoński. Dziś te kolorowe fragmenty należą do najpowszechniejszych artefaktów wykopywanych w Japonii — znaleziono ich ponad 600 000 — lecz ustalenie dokładnego miejsca produkcji zwykle wymaga czasochłonnych, kosztownych badań chemicznych i wprawnego oka specjalisty. W tym badaniu postawiono proste, lecz mocne pytanie: czy zwykłe fotografie i współczesna sztuczna inteligencja mogą zastąpić laboratorium, pomagając archeologom szybko i bezinwazyjnie śledzić pochodzenie tych paciorków?

Dlaczego starożytne szkło ma znaczenie

Szklane paciorki to nie tylko biżuteria; stanowią wskazówki dotyczące kontaktów na wielkie odległości w Eurazji. Różne regiony używały odmiennych mieszanek surowców i barwników, tworząc chemiczne „podpisy”, których specjaliści używają do grupowania paciorków w rodziny powiązane z miejscami takimi jak Azja Wschodnia, Indie, Azja Południowo-Wschodnia, Azja Środkowa czy Morze Śródziemne. Tradycyjne badania pochodzenia opierają się na instrumentach mierzących skład chemiczny oraz na ekspertach badających kształty, kolory i ślady technologiczne pod powiększeniem. Te podejścia ujawniły bogate historie handlu starożytnego, ale trudno je skalować do setek tysięcy delikatnych obiektów przechowywanych w muzeach i magazynach w całej Japonii.

Od pomiarów w laboratorium do prostych fotografii

Aby przełamać to ograniczenie, autorzy badają metodę opartą wyłącznie na zdjęciach paciorków. Zamiast rozpuszczać fragment szkła do analizy, fotografują każdy paciorek z dwóch kątów: widoku z góry, który ujawnia pierścieniowaty otwór i ogólne wzory kolorystyczne, oraz widoku z boku, pokazującego grubość i profil. Ten podwójny punkt widzenia naśladuje sposób pracy ekspertów, którzy obracają artefakty w dłoniach, by dostrzec subtelne zmiany faktury powierzchni i formy. Cel jest ambitny: bazując tylko na tych zdjęciach, czy komputer może automatycznie przypisać każdy paciorek do jednej z 16 ustalonych grup chemicznych i regionalnych używanych przez archeologów?

Nauka maszyn widzenia jak eksperci

Zespół sięga po hybrydowy system sztucznej inteligencji nazwany MidNet. Łączy on dwie wiodące strategie analizy obrazów. Jedna, znana jako splotowa sieć neuronowa (CNN), świetnie wychwytuje drobne detale, takie jak malutkie wgłębienia, smugi koloru czy uszkodzenia powierzchni. Druga — transformer wizji — jest zaprojektowana, by dostrzegać szerszy obraz: jak kolory i kształty odnoszą się do siebie w skali całego paciorka. MidNet przetwarza oba widoki (górny i boczny) przez oba typy modeli i zachęca je następnie do „zgody” między sobą. W trakcie treningu każdy model uczy się nie tylko na podstawie prawidłowej etykiety, lecz także z predykcji partnera i z alternatywnego punktu widzenia. Ta wymiana informacji zmniejsza ryzyko, że system utknie na cechach charakterystycznych jednego kąta lub typu modelu zamiast na trwałych cechach wizualnych związanych z pochodzeniem.

Praca z nierównymi i niedoskonałymi danymi

Zbiór danych użyty do trenowania MidNet składa się z 3 434 zdjęć paciorków, których klasy wcześniej ustalono dzięki starannej analizie eksperckiej i chemicznej. Niektóre typy paciorków są liczne, inne reprezentowane są zaledwie kilkoma przykładami — to powszechny problem w archeologii. Aby zapobiec temu, by SI faworyzowała tylko najpospolitsze klasy, badacze zastosowali dwa zabiegi. Po pierwsze, wygenerowali dodatkowe obrazy treningowe dla bardzo rzadkich typów za pomocą nowoczesnej techniki syntezy obrazu, tworząc wiarygodne warianty bez dotykania samych artefaktów. Po drugie, celowo zniekształcili zdjęcia treningowe — nieznacznie zmieniając kolor, kadrując lub ukrywając małe fragmenty — aby system był mniej wrażliwy na drobne uszkodzenia czy różnice oświetlenia. Następnie ocenili wydajność za pomocą rygorystycznej procedury walidacji krzyżowej, aby sprawdzić, jak dobrze metoda uogólnia się na nieznane paciorki.

Jak dobrze działa system?

Gdy badacze porównali hybrydowy MidNet z bardziej standardowymi modelami obrazowymi, stwierdzili, że użycie obu widoków — górnego i bocznego — zawsze pomagało, potwierdzając, że dwa kąty dostarczają uzupełniających się wskazówek. W kategoriach surowej dokładności MidNet dorównywał najlepszej konkurencyjnej metodzie z marginesem zaledwie kilku paciorków na tysiące, ale wykazywał najbardziej stabilne zachowanie w różnych podziałach testowych. Innymi słowy, jego wydajność mniej się wahała między eksperymentami, co wskazuje, że jest mniej wrażliwy na to, które konkretnie paciorki znalazły się w zbiorze treningowym — cecha kluczowa przy pracy z rzadkimi typami artefaktów. Metoda nadal ma problemy z pewnymi kategoriami podobnymi do siebie, które nawet specjaliści mają trudność rozróżnić, co sugeruje problem „ultra-drobnej skali”, gdzie różnice są niemal niedostrzegalne tylko na podstawie fotografii.

Co to oznacza dla przyszłych wykopalisk

Badanie pokazuje, że staranna fotografia połączona z zaawansowaną analizą obrazów może wiarygodnie oszacować miejsce produkcji wielu starożytnych szklanych paciorków, bez ingerencji w ich skład chemiczny. Dla archeologów otwiera to drzwi do szybkiego, taniego i nieinwazyjnego sortowania dużych zbiorów, także w terenie lub w małych muzeach, które nie dysponują laboratoriami. Choć trudne przypadki nadal będą wymagać oceny ekspertów i badań chemicznych, system taki jak MidNet mógłby obsługiwać większość rutynowej klasyfikacji, wyróżniać nietypowe egzemplarze i wspierać duże archiwa cyfrowe śledzące przemieszczanie się szkła przez kontynenty i stulecia. Krótko mówiąc, praca pokazuje, jak sztuczna inteligencja może pomóc w rekonstrukcji historii ludzkości, jeden mały paciorek na raz.

Cytowanie: 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

Słowa kluczowe: archeologia, szklane paciorki, uczenie maszynowe, klasyfikacja na podstawie obrazów, dziedzictwo kulturowe