KI-gestützte Analyse archäologischer Strukturen mit Computer Vision

Ausgangslage

Archäologische Untersuchungen erzeugen zunehmend digitale Bild- und Messdaten, in denen Strukturen, Schichten und Grenzen enthalten sein können, die für die fachliche Interpretation relevant sind. Diese Merkmale zuverlässig zu identifizieren und geometrisch aufzubereiten, ist häufig mit erheblicher manueller Arbeit verbunden: Fachpersonen erkennen relevante Bereiche, zeichnen sie nach, prüfen sie und bereiten sie für die weitere Verarbeitung auf. Bei umfangreichen oder komplexen Datensätzen wird daraus ein zeitintensiver Prozess.

Die zentrale Frage des Projekts lautete deshalb: Wie können Methoden aus Computer Vision und Machine Learning die Erkennung und Aufbereitung archäologischer Strukturen unterstützen, ohne die fachliche Interpretation durch den Menschen zu ersetzen?

Herausforderung

Die Aufgabe ging über eine klassische Bilderkennung hinaus, denn aus visuellen Informationen mussten nutzbare geometrische Strukturen entstehen. Dafür waren mehrere Teilprobleme zu verbinden.

Zum einen die unterschiedlichen Bildbedingungen: Aufnahmen unterscheiden sich in Kontrast, Oberfläche, Aufnahmesituation und Erhaltungszustand, weshalb starre Schwellenwerte und einfache Filter schnell an Grenzen stoßen. Zum anderen der Schritt von Pixeln zu Strukturen, denn selbst erkannte Bereiche ergeben noch keine nutzbare Geometrie: Pixel und Kanten müssen zu zusammenhängenden Strukturen verbunden und bereinigt werden. Hinzu kommt der Anschluss an bestehende Fachprozesse, die Analyse darf nicht im Modell enden, sondern muss Ergebnisse in Formaten liefern, mit denen vorhandene wissenschaftliche und technische Werkzeuge weiterarbeiten. Und schließlich die fachliche Kontrolle, denn im wissenschaftlichen Kontext darf kein Ergebnis ungeprüft als Blackbox übernommen werden, die Fachpersonen müssen erkannte Strukturen prüfen, bewerten und korrigieren können.

Damit war von Beginn an klar: Gesucht war kein vollautomatischer Ersatz für archäologische Expertise, sondern ein KI-gestütztes Assistenzsystem.

Lösung: Computer Vision trifft geometrische Verarbeitung

Entwickelt wurde ein mehrstufiger Ansatz, der Computer Vision, Machine Learning und geometrische Datenverarbeitung zu einer durchgängigen Kette verbindet: von den Bilddaten über die Strukturerkennung und die geometrische Verarbeitung bis zur fachlichen Kontrolle und zum Export.

1. Strukturen erkennen. Verfahren zur Bildsegmentierung und Kantenerkennung machen relevante Bereiche und Grenzen in den Aufnahmen sichtbar und erzeugen eine erste maschinelle Interpretation der Bilddaten.
2. Bereiche zusammenführen. Die zunächst als Pixel, Kanten oder Punkte vorliegenden Ergebnisse werden zu logisch zusammengehörenden Bereichen gruppiert, mit Methoden aus Clustering und klassischer Datenanalyse.
3. Geometrien rekonstruieren. Aus den erkannten Strukturen werden nutzbare geometrische Objekte abgeleitet. Hier entsteht der entscheidende Übergang vom Analyseergebnis im Bild zur weiterverarbeitbaren digitalen Struktur.
4. Interaktiv prüfen. Die Verfahren laufen in einem interaktiven Prototyp zusammen, in dem Fachanwender Ergebnisse visualisieren, Zwischenschritte nachvollziehen und erkannte Strukturen kontrollieren. Die fachliche Bewertung bleibt beim Menschen.
5. In Fachformate exportieren. Die aufbereiteten Strukturen werden in Formate überführt, die sich in bestehenden Fachanwendungen weiterverwenden lassen, je nach Anwendungsfall etwa Shapefile, DXF oder PLY. So endet die Lösung nicht bei einer Visualisierung, sondern schließt an den bestehenden Workflow an.

Technischer Ansatz

Eine Besonderheit des Projekts liegt darin, dass nicht versucht wurde, das gesamte Problem mit einem einzigen Modell zu lösen. Stattdessen wurden Verfahren nach ihrer jeweiligen Stärke kombiniert. Für Erkennung und Segmentierung kamen Deep-Learning-Ansätze zum Einsatz, darunter U-Net für pixelbasierte Segmentierung und HED (Holistically-Nested Edge Detection) für komplexe Kanten und Grenzstrukturen. Für die weitere Aufbereitung sorgten klassische datenanalytische und geometrische Verfahren, etwa DBSCAN zum Gruppieren räumlich zusammengehörender Punkte und Alpha Shapes zur Rekonstruktion komplexer Umrisse.

So entsteht eine hybride Verarbeitungskette: Deep Learning erkennt visuelle Muster, klassische Algorithmen strukturieren die Ergebnisse, geometrische Verfahren machen sie für Fachsysteme nutzbar. Gerade dort, wo ein reines KI-Modell zwar Muster erkennt, das Ergebnis aber erst noch in eine verwertbare Form gebracht werden muss, liegt der eigentliche Mehrwert.

Prototyping statt Blackbox

Bei Forschungs- und Innovationsprojekten steht zu Beginn selten fest, welches Verfahren unter realen Bedingungen am besten trägt. Deshalb wurde bewusst keine starre Anwendung um einen einzelnen Algorithmus gebaut, sondern ein Prototyp, der verschiedene Verfahren testbar und vergleichbar macht, Parameter anpassbar hält, Zwischenschritte sichtbar lässt und das Feedback der Fachanwender unmittelbar in die Weiterentwicklung aufnimmt. Der Prototyp ist damit zugleich Werkzeug für Entwicklung, Evaluation und fachliche Zusammenarbeit.

Ergebnis

Das Projekt zeigt, wie sich moderne Computer-Vision-Verfahren in einen hochspezialisierten wissenschaftlichen Arbeitsprozess integrieren lassen. Der Nutzen entsteht auf mehreren Ebenen. Maschinelle Verfahren erkennen und bereiten relevante Strukturen vor, sodass Fachpersonen nicht jeden Schritt manuell durchführen müssen. Ein algorithmischer Analyseprozess wendet dieselben Regeln reproduzierbar auf unterschiedliche Datensätze an und schafft so eine konsistentere Ausgangsbasis, während die endgültige Bewertung beim Experten bleibt. Die prototypische Umgebung verkürzt den Weg von einer technischen Idee zu einer belastbaren Bewertung. Und weil die erkannten Informationen geometrisch aufbereitet und in gängige Fachformate exportiert werden, entsteht kein isoliertes Modellergebnis, sondern ein nutzbarer Bestandteil des realen Arbeitsprozesses.

Darin liegt zugleich ein Grundsatz, der zu unserer Haltung passt: Nicht jede Tätigkeit sollte vollständig automatisiert werden. Bei wissenschaftlicher Interpretation hat fachliches Wissen einen Stellenwert, den ein Modell nicht ersetzt. Die Technologie übernimmt die repetitiven, datenintensiven Schritte, die Fachperson bleibt für Interpretation, Validierung und Entscheidung verantwortlich. So entsteht kein Ersatz für Expertise, sondern ein Werkzeug, das Expertise effizienter einsetzbar macht.

Übertragbarkeit auf andere Branchen

So spezialisiert der Anwendungsfall wirkt, die zugrunde liegende Problemstellung ist sehr allgemein: Aus komplexen visuellen Daten müssen relevante Strukturen erkannt, geometrisch rekonstruiert und für einen nachfolgenden Fachprozess nutzbar gemacht werden. Diese Problemklasse findet sich in vielen Bereichen:

• Industrielle Qualitätsprüfung: Bauteile und Oberflächen auf Risse, Defekte oder Konturabweichungen untersuchen.
• Bauwerksanalyse: Schäden, geometrische Strukturen und Veränderungen an Bauwerken erkennen und dokumentieren.
• Geologie und Geowissenschaften: Schichten und Formationen aus Bild- und Messdaten ableiten.
• Materialwissenschaft: mikroskopische Aufnahmen segmentieren und Strukturen vermessen oder klassifizieren.
• Vermessung und Geodaten: Objekte und Geometrien aus Bild-, Scan- oder Punktdaten extrahieren und in GIS- oder CAD-Systemen weiterverwenden.

Was dieser Use Case zeigt

Der eigentliche Kompetenznachweis liegt nicht in der Archäologie, sondern in der Fähigkeit, eine vollständige Verarbeitungskette zu bauen: Rohdaten verstehen, geeignete Verfahren auswählen, ML und klassische Methoden kombinieren, Ergebnisse geometrisch aufbereiten, Fachpersonen einbeziehen und die Ergebnisse in bestehende Systeme integrieren. Genau der letzte Schritt ist entscheidend, denn ein Machine-Learning-Modell allein löst noch kein Forschungs- oder Geschäftsproblem. Wert entsteht erst, wenn aus dem Modellergebnis ein nutzbarer Bestandteil des tatsächlichen Arbeitsprozesses wird.

Stecken auch in Ihren Bild- oder Sensordaten ungenutzte Informationen?

Viele Unternehmen und Forschungseinrichtungen verfügen über Bild-, Mess- oder Sensordaten, deren Auswertung heute noch stark manuell erfolgt. In einem kostenlosen Erstgespräch prüfen wir gemeinsam, welche Daten vorhanden sind, welches Analyseproblem gelöst werden soll, ob Computer Vision oder Machine Learning dafür geeignet sind, welche Verfahren sich für einen ersten Prototyp anbieten und wie sich die Ergebnisse in bestehende Prozesse und Fachsysteme integrieren lassen. Der erste Schritt muss kein fertiges KI-System sein, oft ist ein gezielter Machbarkeitsnachweis der sinnvollere Einstieg.

Kostenloses Erstgespräch vereinbaren →