47 Mit Licht und Farbe zur Münzgeschichte – digitale Bildanalyse für die Materialbestimmung entscheidend, um die Oberflächenstruktur zu verstehen und Unterschiede in den Materialien oder Anzeichen von Korrosion zu erkennen und die Ergebnisse mit denen der RGB-Wert-Extrahierung zu verbinden (Abb. 2). Im folgenden Schritt kommt ein maschinelles Lernsystem (Support Vector Machine) zum Einsatz. Es klassifiziert die Münzen in verschiedene Materialkategorien wie Gold, Silber oder Kupfer, basierend auf den extrahierten RGB-Werten und Texturmerkmalen. Das System wird mit einem Datensatz bereits klassifizierter Münzen trainiert, um genaue Vorhersagen zu ermöglichen. Ein wichtiger Teil des Prozesses ist schließlich die Visualisierung der Ergebnisse. Mit 3D-Scatter-Plots, 2D-Diagrammen und Heatmaps werden Muster und Unterschiede in den Materialien anschaulich gemacht, was zur Interpretation der Analyseergebnisse beiträgt und die Klassifikation der Münzen unterstützt (Abb. 3). Ergebnisse und Ausblick Derzeit befindet sich das Projekt in der Phase der Datenerfassung und deren Visualisierung. Erste Tests des maschinellen Lernsystems (Support Vector Machine) mit Goldmünzen als Referenzobjekten haben positive Ergebnisse gezeigt. Das Modell konnte erste grobe Klassifikationen vornehmen, allerdings befindet sich das System noch nicht in seiner endgültigen Form. Der Fokus liegt jetzt auf der Optimierung des Modells, um die Klassifikation weiter zu verfeinern und die Genauigkeit zu erhöhen. Das Modell, das bislang hauptsächlich mit Goldmünzen getestet wurde, soll nun auf eine breitere Palette von Metallen und Legierungen angewendet werden. Dies erfordert eine Erweiterung des Trainingsdatensatzes, um Silber, Kupfer und davon abhängige Legierungen einzubeziehen. Erste Tests mit Silber- und Kupfermünzen haben gezeigt, dass die Reflexionseigenschaften dieser Metalle im UV- und IR-Bereich ähnliche Muster wie bei Gold aufweisen. Die Herausforderung besteht darin, zwischen den verschiedenen Metallen mit ähnlichem Reflexionsmuster zu unterscheiden. Hierfür sind zusätzliche Bilddaten und eine verfeinerte Modellierung erforderlich. Ein wichtiger Schritt ist außerdem die Verfeinerung der Visualisierungen. Die bisherigen Heatmaps und 3D-Scatter-Plots bieten bereits wertvolle Einblicke in die Materialverteilung und mögliche Korrosionsprozesse, die die Münzen im Laufe der Zeit erfahren haben. Zukünftig werden die Visualisierungen weiter optimiert, um noch präzisere Daten darzustellen. Der Fokus liegt darauf, die RGB-Werte und Texturmerkmale so darzustellen, dass auch subtile Unterschiede zwischen den Münzen deutlich werden. Diese Verbesserungen werden helfen, die Materialzusammensetzung der Münzen genauer zu bestimmen und die historische Verarbeitung oder Abnutzung der Münzen zu rekonstruieren. Ein weiteres Ziel ist die Integration zusätzlicher Analysetools wie Deep Learning und erweiterte Texturanalyse für das Unterscheiden von Materialstrukturen und Oberflächenprozessen. Diese Techniken könnten langfristig dazu beitragen, die Bestimmung von Materialarten noch präziser und effizienter zu gestalten. Schließlich wird erwartet, dass diese digitale Bildanalyse zur Materialbestimmung eine effiziente und kostengünstige Alternative zu traditionellen Analyseverfahren darstellt. In Zukunft könnte sie nicht nur für Münzen, sondern auch für eine Vielzahl anderer historischer Objekte verwendet werden, wodurch sie einen bedeutenden Beitrag zur Konservierung und Erforschung von Artefakten leisten könnte. 1 Vgl. Lehmann 2011, S. 33–40. 2 Vgl. Gonzalez/Woods 2017, S. 400–464. 3 Vgl. überblickend Harris 2000, S. 87–94; Wäger 2017, S. 245–290; Bühler/Schlaich/Sinner 2018. 4 In den 3D-Scatter-Plots wird jede RGB-Komponente als eine Achse verwendet. Jeder Punkt im Diagramm stellt einen Farbwert der Münze dar, sodass die räumliche Verteilung der Farben und deren Beziehungen zueinander visuell erfasst werden können. Diese Visualisierung ermöglicht es, Muster zu erkennen und die Materialarten anhand der Farbverteilungen zu klassifizieren. 5 2D-Scatter-Plots zeigen die Beziehungen zwischen den einzelnen Farbkomponenten (z. B. Rot vs. Grün oder Rot vs. Blau). Die Diagramme verdeutlichen, wie sich Veränderungen in einer Farbkomponente auf die anderen auswirken, was für die Klassifikation der Materialzusammensetzung von Bedeutung ist. 6 Heatmaps stellen die Farbintensität dar. Sie bieten eine intuitive Möglichkeit, Cluster und Muster in den Farbwerten zu identifizieren, die auf spezifische Materialstrukturen oder Korrosionsprozesse hinweisen. Die Darstellung in einer Heatmap erleichtert es, die gewonnenen Erkenntnisse in einer für den Betrachter verständlichen Weise darzustellen und zu interpretieren. 7 In diesem Kontext bezieht sich Energie auf eine spezifische Textureigenschaft, die aus der Gray Level Co-Occurrence Matrix (GLCM) berechnet wird. Sie gibt an, wie gleichförmig oder homogen die Pixelverteilung im Bild ist. Eine hohe Energie bedeutet beispielsweise, dass bestimmte Intensitäten besonders häufig auftreten und das Bild somit weniger raue oder diverse Strukturen aufweist. Vgl. Haralick/Shanmugam/Dinstein 1973.
RkJQdWJsaXNoZXIy MTMyNjA1