Analyse digitalisierter mittelalterlicher Fundmünzen

Hintergrund

Digitalisierungen von Objekten des kulturellen Erbes können dank Internet der Öffentlichkeit und Forschung unabhängig vom Ort einfacher zugänglich gemacht werden als die Originale, die teilweise mit aufwendigen Schutzmaßnahmen erhalten werden.

Gerade wenn die Objekte klein und zahlreich sind, wie die hier betrachteten Münzen, liegt der Wunsch nahe diesen Prozess möglichst weitgehend zu automatisieren. Details zu einer Umsetzung finden Sie unter https://www.iff.fraunhofer.de/de/geschaeftsbereiche/fertigungsmesstechnik-digitale-assistenzsysteme/digitalisierung-historische-muenzen.html.

Die digitalen Informationen (Oberflächennormalen, Farbe) zu einer Münze eignen sich jedoch nicht nur dazu diese in verschiedenen Beleuchtungssituationen zu betrachten, sondern auch, um neue digitale Untersuchungsmethoden zu entwickeln. So prüft der spezialisierte Numismatiker für die Bestimmung einer neue Fundmünze häufig eine Vielzahl von Hypothesen durch den Vergleich mit Katalogen. Liegt ein umfangreicher digitalisierter Bestand vor und könnte ein Algorithmus ermitteln, welchen Bestandsmünzen die neue mehr ähnelt, so könnten die Anzahl der durch den Numismatiker zu überprüfenden Hypothesen stark eingeschränkt werden. Das führt zu der Frage, wie oder an welchen Merkmalen sich die Ähnlichkeit von Münzen mit starken Gebrauchspuren bestimmen lässt.

Projektziel

Für das Projekt steht ein Datensatz mit drei verschiedenen Münztypen mit unterschiedlich Erhaltungszustand von jeweils mehr als 70 Exemplaren zur Verfügung, siehe https://fordatis.fraunhofer.de/handle/fordatis/281.

Beispiele für die verschiedene Bilddaten

Normalen	Albedo	Synthetisches Bild

Beispiele mit gutem Erhaltungszustand für die drei verschiedene Münztypen

Bahrfeldt-19	Mehl-499	Mehl-595

Es gibt verschiedene Möglichkeiten sich diesem Thema zu nähern. Aus der Perspektive des Menschen versucht man die Umrisse der auf der Münze dargestellten Objekte und Ornamente zu erkennen, wobei unsere Erfahrung vermutlich kleine Ergänzungen vornimmt an Stellen, wo diese Umrisse durch die Abnutzung verschwunden sind. Diese Umrisse durch geeignete Algorithmen zu finden, eventuell parametrische Kurvenbeschreibungen einzupassen und sie je nach Stärke unterschiedlich darzustellen, kann ein Ansatz sein und wendet sich an Studenten, die sich für Bildverarbeitung und Visualisierung interessieren. Algorithmen können in einer Programmiersprache der eigenen Wahl entwickelt werden. Es können z.B. auch Vision Transformer wie SAM verwendet werden. Die Darstellung der Überlegungen, der Vergleich von Varianten und die Präsentation der Ergebnisse können z.B. in einem Jupyter-Notebook erfolgen. Lernverfahren können hier z.B. eine Rolle spielen, um geeignete Parameter für die vorgeschlagenen Algorithmen zu identifizieren.

Die Segmentierung von Prägemerkmalen mit SAM mit Standardparametern liefert gute Ergebnisse, die jedoch teilweise unvollständig sind.

Bahrfeldt-19	Mehl-499	Mehl-595

Ergebnis des Projektes ist

• ein Algorithmus, der aus den Daten einer Münze 2D-Konturen (eventuell mit zusätzlichen Attributen) extrahiert. In einer Visualisierung dieser Konturen kann man die Motive auf der Münzen wiedererkennen.
• Des Weiteren ist zu analysieren, wie gut dieser Algorithmus für alle Münzen des Datensatz funktioniert. Die Ergebnisse dieser Analyse sind nachvollziehbar zu dokumentieren und zu präsentieren.
• Für eine sehr gute Bewertung ist darüber hinaus zu analysieren, wie Übereinstimmungen zwischen diesen 2D-Konturen zweier Münzen gleichen Typs gefunden und gemessen werden können.

Ein anderer Ansatz könnte z.B. auf das Lernen der Erkennung von Symbolen oder Ornamenten in den Münzdaten abzielen. Eine Voraussetzung für auf Beispielen beruhenden Verfahren ist in vielen Fällen eine geeignete Annotation der Bilddaten. Für die Annotation gibt es Werkzeuge wie z.B. CVAT, die auch KI-Modelle zur Unterstützung einbinden. Je nachdem, ob Objektdetektion oder semantische Segmentierung trainiert werden soll, müssen Prägemerkmale ausgewählt und geeignet annotiert werden (max. 40h). Der Datensatz ist geeignet in Trainings-, Test- und Validierungsdaten zu teilen. Wegen der geringen Anzahl von Beispielen ist nur Transferlernen sinnvoll. Die Ausgabe des trainierten Modells muss dann noch so algorithmisch verarbeitet werden, dass eine Aussage zur Zugehörigkeit zu den drei Münztypen erzeugt wird.

Voraussetzung

• Programmiererfahrung z.B. mit Python
• Grundlagen der Bildverarbeitung
• Interesse an Methoden des maschinellen Lernens
• Interesse an aktuellen Forschungsthemen