Automatisierte Keramikbestimmung: Unterschied zwischen den Versionen

Aus balismink
Zur Navigation springen Zur Suche springen
K
Zeile 6: Zeile 6:
 
***ArchAIDE consortium (2019) ArchAIDE Portal for Publications and Outputs [data-set]: [https://doi.org/10.5284/1050896 York: Archaeology Data Service]
 
***ArchAIDE consortium (2019) ArchAIDE Portal for Publications and Outputs [data-set]: [https://doi.org/10.5284/1050896 York: Archaeology Data Service]
 
***[https://github.com/barak-itkin/archaide-software ArchAIDE software on Github]
  
***[https://github.com/barak-itkin/archaide-software ArchAIDE software on Github]
−
***auf GogglePlayStore: https://play.google.com/store/apps/details?id=it.inera.archaide&gl=DE
 +
***auf GooglePlayStore: https://play.google.com/store/apps/details?id=it.inera.archaide&gl=DE
 
Das Projekt lief von 2016-2019 und hat exemplarisch römische [[Amphoren]] und [[Terra Sigillata]] sowie [[Majolica]] in einer Datenbank erfasst.
  
Das Projekt lief von 2016-2019 und hat exemplarisch römische [[Amphoren]] und [[Terra Sigillata]] sowie [[Majolica]] in einer Datenbank erfasst.
   
   
−
2021 stellte eine Studie aus den USA einen Ansatz für eine automatisierte Keramikklassifikation vor (Pawlowicz/Downum 2021). Sie klassifiziert mithilfe von Deep Learning digitale Bilder von verzierten Keramikscherben nach einer bestehenden [[Typologie]]. Geeignete digitale Bilder verzierter Scherben konnten mit einer recht hohen Genauigkeit von über 83% den Gruppen richtig zugewiesen werden. Die Technik übertrifft damit die Qualität der Fundbestimmung durch echte Archäolog*innen mit entsprechender Expertise. Grundlage der Studie waren Tausende von Keramikscherben der Tusayan White Ware, einer handgemachten bemalten Keramik der Pueblo-Kultur im Amerikanischen Südwesten, etwa aus der Zeit vom 9. bis 13. Jahrhundert. Diese sehr zahlreich vorhandene Ware bietet mit einem deutlichen Kontrast von schwarz-auf-weiß klare Muster, die auch auf weniger qualitätvollen Fotos gut zu erkennen sind. Für die Studie haben vier erfahrene Kollegen das Material unanhängig voneinander anonym klassifiziert. Nur bei etwa 79% der Scherben waren sich alle vier Experten tatsächlich in der Bestimmung einig. Diese Klassifikation bildete die Basis für ein überwachtes Training des maschinellen Lernens mittels der Methode des Convolutional Neural Networks (CNN). Die Autoren sehen es für erwiesen an, dass maschinengestützte Bilderkennung objektive und genaue Klassifikationen liefern kann. " We believe we have shown, however, that machine learning models are potentially powerful tools for improving the objectivity, replicability, speed, and effi-ciency of ceramic design classification. The implications of these discoveries have yet to be fully realized, but we hope they will lead to new and more powerful archaeological analyses of a variety of artifact types" (Pawlowicz/Downum 2021, 12).
 +
2021 stellte eine Studie aus den USA einen Ansatz für eine automatisierte Keramikklassifikation vor (Pawlowicz/Downum 2021). Sie klassifiziert mithilfe von Deep Learning digitale Bilder von verzierten Keramikscherben nach einer bestehenden [[Typologie]]. Geeignete digitale Bilder verzierter Scherben konnten mit einer recht hohen Genauigkeit von über 83% den Gruppen richtig zugewiesen werden. Die Technik übertrifft damit die Qualität der Fundbestimmung durch echte Archäolog*innen mit entsprechender Expertise. Grundlage der Studie waren Tausende von Keramikscherben der Tusayan White Ware, einer handgemachten bemalten Keramik der Pueblo-Kultur im Amerikanischen Südwesten, etwa aus der Zeit vom 9. bis 13. Jahrhundert. Diese sehr zahlreich vorhandene Ware bietet mit einem deutlichen Kontrast von schwarz-auf-weiß klare Muster, die auch auf weniger qualitätvollen Fotos gut zu erkennen sind. Für die Studie haben vier erfahrene Kollegen das Material unanhängig voneinander anonym klassifiziert. Nur bei etwa 79% der Scherben waren sich alle vier Experten tatsächlich in der Bestimmung einig. Diese Klassifikation bildete die Basis für ein überwachtes Training des maschinellen Lernens mittels der Methode des Convolutional Neural Networks (CNN). Die Autoren sehen es für erwiesen an, dass maschinengestützte Bilderkennung objektive und genaue Klassifikationen liefern kann. " We believe we have shown, however, that machine learning models are potentially powerful tools for improving the objectivity, replicability, speed, and efficiency of ceramic design classification. The implications of these discoveries have yet to be fully realized, but we hope they will lead to new and more powerful archaeological analyses of a variety of artifact types" (Pawlowicz/Downum 2021, 12).
   
   

Version vom 19. Dezember 2021, 19:15 Uhr

Heute sind verschiedene Apps in Entwicklung, die eine automatisierte Keramikbestimmung ermöglichen sollen.

Eines dieser Systeme ist ArchAIDE, das die Klassifizierungs- und Interpretationsarbeit von Archäologen (sowohl während der Feldarbeit als auch nach der Ausgrabungsanalyse) mit einer innovativen App unterstützen will, die auf Tablets und Smartphones zum Einsatz kommen soll. Keramikfragmente werden fotografiert und einige Beschreibungskriterien eingegeben. Diese Daten werden an eine Vergleichssammlung gesendet, die das automatische Objekterkennungssystem aktiviert. Darüber hinaus sollte das Projekt bei der Digitalisierung vorliegender klassischer Fundkataloge und Tafeldokumentationen helfen.

Das Projekt lief von 2016-2019 und hat exemplarisch römische Amphoren und Terra Sigillata sowie Majolica in einer Datenbank erfasst.


2021 stellte eine Studie aus den USA einen Ansatz für eine automatisierte Keramikklassifikation vor (Pawlowicz/Downum 2021). Sie klassifiziert mithilfe von Deep Learning digitale Bilder von verzierten Keramikscherben nach einer bestehenden Typologie. Geeignete digitale Bilder verzierter Scherben konnten mit einer recht hohen Genauigkeit von über 83% den Gruppen richtig zugewiesen werden. Die Technik übertrifft damit die Qualität der Fundbestimmung durch echte Archäolog*innen mit entsprechender Expertise. Grundlage der Studie waren Tausende von Keramikscherben der Tusayan White Ware, einer handgemachten bemalten Keramik der Pueblo-Kultur im Amerikanischen Südwesten, etwa aus der Zeit vom 9. bis 13. Jahrhundert. Diese sehr zahlreich vorhandene Ware bietet mit einem deutlichen Kontrast von schwarz-auf-weiß klare Muster, die auch auf weniger qualitätvollen Fotos gut zu erkennen sind. Für die Studie haben vier erfahrene Kollegen das Material unanhängig voneinander anonym klassifiziert. Nur bei etwa 79% der Scherben waren sich alle vier Experten tatsächlich in der Bestimmung einig. Diese Klassifikation bildete die Basis für ein überwachtes Training des maschinellen Lernens mittels der Methode des Convolutional Neural Networks (CNN). Die Autoren sehen es für erwiesen an, dass maschinengestützte Bilderkennung objektive und genaue Klassifikationen liefern kann. " We believe we have shown, however, that machine learning models are potentially powerful tools for improving the objectivity, replicability, speed, and efficiency of ceramic design classification. The implications of these discoveries have yet to be fully realized, but we hope they will lead to new and more powerful archaeological analyses of a variety of artifact types" (Pawlowicz/Downum 2021, 12).


Weblinks

Literaturhinweise

  • Pawlowicz/Downum 2021: L. M. Pawlowicz/C. E. Downum, Applications of deep learning to decorated ceramic typology and classification. A case study using Tusayan White Ware from Northeast Arizona. Journal Arch. Science 130, 2, 2021, 105375. - doi:10.1016/j.jas.2021.105375
Abgerufen von „http://amanz-balismink.rproxy.rz.uni-bamberg.de/balismink/index.php?title=Automatisierte_Keramikbestimmung&oldid=3058“