Antike Münzen sind nicht nur historische Artefakte, sondern auch komplexe Informationsspeicher – von der Darstellung mythologischer Figuren bis zu den Details ihrer Prägung. Die Erforschung dieser Münzen ist eine komplexe Aufgabe, die mit jahrzehntelanger Expertise und hohem Arbeitsaufwand einhergeht, jedoch unter Verwendung von Methoden mit Künstlicher Intelligenz effizienter gestaltet werden kann. Anhand des Projekts ClaReNet (“Classifications and Representations for Networks”) gab Chrisowalandis Deligio im Rahmen seines Vortrags an der Universität zu Köln am 11. Dezember 2024 einen Einblick in die Nutzung KI-gestützter Technologien in der Numismatik.
Ausgangslage: Der Fund von Le Câtillon II
Im Jahr 2012 wurde auf der Insel Jersey der sogenannte Le Câtillon II-Schatz entdeckt, der knapp 70.000 keltische Münzen umfasste. Dieser Fund stellt eine der größten Entdeckungen keltischer Münzen weltweit dar. Um diese Münzen zu analysieren, mussten sie zunächst gereinigt, fotografiert und klassifiziert werden – ein Prozess, der mehr als ein Jahrzehnt in Anspruch nahm und hauptsächlich durch Freiwillige und Expert:innen realisiert wurde. Die keltischen Münzen des Fundes, insbesondere die sogenannten Staters der Coriosolitae stellten numismatische Forscher:innen vor besondere Herausforderungen: Im Gegensatz zu griechischen oder römischen Münzen, die oft gut dokumentiert und deren Forschungskriterien standardisiert sind, variieren keltische Münzen stark in ihrem Design und Erhaltungszustand. Zudem fehlt eine einheitliche Klassifikation, da verschiedene Forscher:innen unterschiedliche Systematiken verwenden. An dieser Stelle nahm sich das Projekt ClaReNet zum Ziel, mit KI-Methoden einen systematischen Ansatz zur Klassifikation und Analyse dieser Münzen zu entwickeln, und dadurch auch insgesamt die numismatische Forschung voranzubringen.
Zielsetzungen und Forschungsfragen
Im Mittelpunkt des Projekts standen dabei mehrere Fragestellungen:
Objekterkennung und Vorselektion: Können Münzen anhand ihrer Größe und Form automatisch erkannt und sortiert werden?
Unsupervised Learning: Lassen sich ähnliche Münzen gruppieren, ohne auf bestehende Klassifikationen zurückzugreifen?
Supervised Learning: Wie effektiv lassen sich bekannte Klassifikationen mithilfe von KI-Modellen reproduzieren?
Forschung zu Die-Studies: Können Münzen, die mit den selben Prägewerkzeugen hergestellt wurden, identifiziert werden?
Ein langfristiges Ziel war darüber hinaus die Entwicklung eines online zugänglichen Katalogs keltischer Münzen, der als neue Ressource die globale Numismatikforschung voranbringen und unterstützen soll. Um diese Ziele zu erreichen, wurde eine mehrstufige Arbeitspipeline entwickelt, welche die verschiedene Methoden des maschinellen Lernens in vier verschiedenen Aufgabenschritte integrieren sollte, die im Folgenden aufgeführt werden.
Schritt 1: Objekterkennung und Größenanalyse
Im ersten Schritt wurden die Münzbilder mithilfe eines Objekterkennungsmodells analysiert. Das eingesetzte Modell nutzte die Object Detection API von TensorFlow und wurde speziell darauf trainiert, die Position der Münzen und der jeweiligen Maßstabsleiste in den Bildern zu erkennen. Konkret wurde dabei die CenterNet Hourglass104 512×512-Architektur verwendet, da diese die beste Balance zwischen Genauigkeit und Effizienz bot. Die Maßstabsleiste auf den Fotos erlaubte eine präzise Bestimmung der Münzgrößen, indem die Maße der Münze relativ zum Maßstab berechnet wurden. Auf diese Weise konnten die Münzen basierend auf ihrem Durchmesser automatisch in größere Staters (ca. 22 mm) und kleinere Münzen wie Viertelstaters und Petits Billons (ca. 13 mm) kategorisiert werden.
Ein besonderer Fokus lag auf der Handhabung variierender Bildqualitäten: Dunkle Schatten oder Reflexionen konnten zu Fehlklassifikationen führen, weshalb zusätzliche Trainingseinheiten mit schwierigen Bildbeispielen integriert wurden.
Der Datensatz wurde so zu vier Kategorien zugeteilt: Große Münzen bildeten mit 54,2% bis 91,3% den größten Anteil der Münzen. Ob es sich bei all diesen jedoch auch wirklich um Staters handelte, bedurfte weiterer Analysen, weshalb diese Kategorie in “Staters?” benannt wurde. Kleine Münzen (“Small coins”) machten 5,6% aus, beschädigte (“damaged”) Münzen 0,2% und nicht erkannt wurden 2,9%. Bei letzteren waren insbesondere Aufnahmen betroffen, bei denen die Maßstabsleiste fehlte oder nicht korrekt erkannt wurde. Die Methode zur automatischen Trennung der Münzgrößen zeigte eine hohe Zuverlässigkeit und war ein grundlegender Schritt für die weitere Analyse. Die Ergebnisse sind im Scatter Plot (Abb. 1) visualisiert.

Schritt 2: Gruppierung durch Unsupervised Learning
Für die Gruppierung der Münzen wurde der DeepCluster-Ansatz verwendet – eine Methode, die unüberwachtes Lernen mit einem Convolutional Neural Network (CNN) kombiniert. Die Bilder wurden hierbei zunächst durch das CNN analysiert, wobei das Modell Merkmale extrahierte, die für die Gruppierung relevant waren. Anschließend wurden diese Merkmale mithilfe des k-Means-Algorithmus in Cluster gruppiert. Die generierten Cluster dienten wiederum als Labels, mit denen das CNN weiter trainiert wurde. Dieser iterative Prozess verbesserte schrittweise die Qualität der Cluster.
Die Ergebnisse waren sehr positiv: Von den 25 generierten Clustern enthielten 18 zu mindestens 79% Münzen der selben Klasse. Insgesamt konnten 13.855 Münzen, was 23% des Gesamtbestands entspricht, korrekt klassifiziert werden. Auch, wenn diese Zahl zunächst niedrig zu sein scheint, war dies dennoch sehr gewinnbringend, da hier ein unüberwachtes Lernverfahren auch ohne bestehende Klassifikationen signifikante Muster in den Daten zu erkennen vermochte.
Schritt 3: Klassifikation durch Supervised Learning
Auf Basis der Ergebnisse des unüberwachten Lernens wurde ein überwachtes Modell trainiert. Hierbei wurden die Münzen den sechs bekannten Klassen der Staters zugeordnet. Dieses Verfahren nutzte die vorhandenen Klassifikationen der Domain Experts (Archäolog:innen) als “Ground Truth”. Die Ground Truth dient als Vergleichsgrundlage, um die Leistung des Modells zu bewerten und Abweichungen zu identifizieren. Es zeigte sich, dass das Modell in den meisten Fällen gut zwischen den Klassen unterscheiden konnte, jedoch bei einigen Kategorien (Klassen IV und V) Schwierigkeiten hatte. Diese Herausforderungen deuteten darauf hin, dass die Grenzen zwischen diesen Klassen möglicherweise nicht scharf genug gezogen wurden, selbst aus Perspektive der Expert:innen.
Um daraufhin die Qualität der Ground Truth zu verbessern, wurden Abweichungen zwischen den Modellvorhersagen und der Expert:innenklassifikation systematisch überprüft. Dabei zeigte sich, dass etwa 30% der Abweichungen durch Fehler in der Ground Truth selbst verursacht wurden, während 53% auf Fehlklassifikationen des Modells zurückzuführen waren. Für problematische Fälle, in denen weder die Ground Truth noch die Modellvorhersage eindeutig war, wurde eine zusätzliche manuelle Überprüfung durch Expert:innen vorgenommen. Diese iterative Validierung führte zu einer signifikanten Verbesserung der Datenqualität und einer stärkeren Übereinstimmung zwischen Modell und Ground Truth.
Um die Leistung des Modells noch weiter zu verbessern, wurden bestimmte Bildmanipulationstechniken wie bspw. das Entfernen irrelevanter Bereiche (“Cutout”) eingesetzt. Diese Methode zwang das Modell, sich auf verschiedene Bildmerkmale zu konzentrieren, die möglicherweise von den Expert:innen als entscheidend angesehen wurden, wie etwa die Form bestimmter Münzelemente. Diese Optimierungen führten zu einer höheren Klassifikationsgenauigkeit und reduzierten die Fehlerraten in den kritischsten Klassen.
Schritt 4: Die-Studies zur Prägeanalyse
Zentral war in diesem Projekt außerdem die Forschung an sog. “Die-Studies”, die daran forschen, Münzen zu identifizieren, die mit denselben Prägewerkzeugen hergestellt wurden, um auf Basis dessen Rückschlüsse über die Herkunft der Münzen ziehen zu können. Hierfür wurde das ORB-Verfahren (Oriented FAST and Rotated BRIEF) eingesetzt, das sich insbesondere gut für den Abgleich visueller Merkmale eignet. Das Verfahren identifiziert Schlüsselmerkmale (“Keypoints”) auf den Münzbildern und vergleicht diese zwischen Paaren von Bildern zweier Münzen (Abb. 2). Jedes Paar wurde anhand der Anzahl übereinstimmender Keypoints bewertet, wodurch Münzen mit ähnlichen Prägewerkzeugen gruppiert werden konnten.
Um die Analyse noch weiter zu verbessern, wurden Vorverarbeitungsschritte wie Graustufenkonvertierung und Bildbeschnitt angewandt, um den Fokus auf das zentrale Münzmotiv zu legen und von beschädigten Rändern verursachte Verfremdungen des Motivs zu minimieren. Mithilfe hierarchischer Clusterverfahren wurde anschließend die Gruppierung der Münzen visualisiert. Insgesamt konnte das Verfahren 40% der Münzen korrekt nach ihren Prägestempeln gruppieren.

Semantische Suche und Erweiterungen
Ein weiterer Schwerpunkt des Projekts war die Entwicklung einer semantischen Suche, die es ermöglichen soll, Münzen basierend auf textuellen Beschreibungen oder bestimmten ikonographischen Merkmalen zu finden. Diese Methode zielt darauf ab, den Zugang zu Münzdaten zu erleichtern, indem eine benutzerfreundliche Suchfunktion bereitgestellt wird. Beispielsweise könnte ein:e Benutzer:in spezifische Anfragen wie “Zeige alle Münzen, auf denen Athena mit einem Helm abgebildet ist” stellen.
Die Umsetzung dieser Funktion erforderte die Integration von Named-Entity-Recognition-Techniken (NER), um wichtige Begriffe und Konzepte aus den Münzbeschreibungen zu extrahieren und mit den Bilddaten zu verknüpfen. Dafür wurden zunächst Daten zu historischen Personen, Objekten und Symbolen annotiert, die dann als Trainingsgrundlage für das Modell dienten. Nach einer ersten automatisierten Klassifizierung wurden die Ergebnisse durch Archäolog:innen verifiziert.
Ein zusätzliches Ziel war die Adaption dieser Funktion in anderen Sprachen, darunter Deutsch. Dies stellte eine weitere Herausforderung dar, da bestimmte Begriffe oder Formulierungen je nach Sprache variieren und kulturelle Konnotationen tragen, wie beispielsweise “Herkulesknabe” im Deutschen und “Infant Hercules” auf englisch. Mithilfe von domänenspezifischen Übersetzungen und der Anpassung der Modelle an sprachspezifische Eigenheiten wird diese semantische Suche derzeit weiterentwickelt.
Ergebnisse und Ausblick
Chrisowalandis Deligio veranschaulichte in seinem Vortrag sehr ausführlich, welche verschiedenen Arbeitsschritte in der Numismatik vom Einsatz von KI-Technologien profitieren können. Das Projekt ClaReNet zeigte dabei konkret deren Anwendung in der Forschung. So ermöglicht die Kombination aus Objekterkennung, Bildverarbeitungsmethoden, unüberwachtem und überwachtem Lernen eine effiziente Analyse großer Münzsammlungen, die andernfalls aufgrund ihres Umfangs wesentlich mehr Zeit und Ressourcen in Anspruch nehmen würden. Insbesondere die Erweiterung der Die-Studies durch automatisierte Verfahren konnte die Arbeitszeit erheblich reduzieren.
Langfristig sollen die Ergebnisse des Projekts in einen online zugänglichen Katalog keltischer Münzen einfließen. Dieser Katalog soll Forscher:innen weltweit als Ressource bei ihrer eigenen numismatischen Forschung dienen und dieses Forschungsfeld als Ganzes voranbringen.
Zu den Autor:innen:
Cornelius Diefenthal studierte Medieninformatik an der Universität zu Köln und absolviert dort momentan sein Masterstudium der Informationsverarbeitung. Parallel dazu arbeitet er als wissenschaftliche Hilfskraft am CCeH (Cologne Center for eHumanities) und ist beim WDR redaktionell beschäftigt.
Nina Laschewski studierte Medienwissenschaften und Medieninformatik im Bachelor an der Universität zu Köln. Derzeit absolviert sie ihren Master of Arts in Informationsverarbeitung in Köln und ist parallel als Digitalisierungs-Expertin in der IT-Abteilung eines Unternehmens tätig.
(Wir bitten, den unten stehenden automatisch generierten Zitierhinweis von OpenEdition zu ignorieren und die Beitragsautor:innen bei Bezugnahme korrekt anzugeben.)
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
dhstudi (24. Februar 2025). KI trifft Numismatik: Unterstützende Methoden zur Analyse großer Münzhorte. Digital Humanities Cologne. Abgerufen am 10. April 2026 von https://doi.org/10.58079/13cxy