Archeologische depotwerking in Vlaanderen onder druk: Een onderzoek naar de uitdagingen van depotwerking en de inzet van artificiële intelligentie als ondersteunend instrument
Olivia Vancronenburg
Master Erfgoedstudies
2025 — 2026
onderzoek
promotoren
Hélène Verreyke
Kenzo Milleville
Schematische voorstelling van de pipeline, vijf stappen van bulkfoto tot exporteerbaar record.
Voorbeeld van eén fragment zoals de detectietool het uit een bulkfoto automatisch uitsnijdt, met ArUco-marker waarmee de afmetingen worden berekend.
Een courante opname van een bulkfoto waarop verschillende scherven liggen (Collectie Abdijmuseum Ten Duinen).
Depot foto met de collectie van de universiteit van Leiden.
Voorbeelden van voorspellingen van het classificatiemodel, correcte voorspellingen in het groen en foute in het rood.
Archeologische depotwerking in Vlaanderen onder druk: Een onderzoek naar de uitdagingen van depotwerking en de inzet van artificiële intelligentie als ondersteunend instrument
In Vlaamse archeologische depots wachten grote hoeveelheden aardewerkscherven op een registratie waar tijd en middelen ontbreken. Deze scriptie bevraagt tien depots over hun knelpunten en test of artificiële intelligentie (AI) kan helpen. Een tool telt en meet de scherven op een bulkfoto en kent er een aardewerkcategorie aan toe, met 93% nauwkeurigheid op de eigen collectie. Voor registratiewerk dat vandaag blijft liggen, opent dat perspectieven.
De Vlaamse archeologische depotwerking staat onder druk door de aangroei van vondsten sinds het Onroerenderfgoeddecreet. Actuele inzichten in de registratie- en digitalisatiepraktijk ontbreken echter. Deze masterscriptie onderzoekt welke noden, knelpunten en kansen daar vandaag bestaan; en in welke mate AI kan bijdragen aan de registratie en determinatie van middeleeuwse aardewerkcollecties.
Een eerste luik brengt de depotwerking in kaart via een kwantitatieve enquête bij tien Vlaamse instellingen, verdiept met kwalitatieve interviews in drie casestudies (Abdijmuseum Ten Duinen, Raakvlak en De Zwarte Doos). Binnen zes erkende depots werden zes verschillende registratiesystemen aangetroffen. De registratiegraad ligt hoog op doosniveau en valt sterk terug op stukniveau. Budgettaire beperkingen, achterstand en personeelstekort domineren als knelpunten; en alle casestudies duiden een verplichte gedeelde thesaurus aan als belangrijkste maatregel.
Het tweede luik bestaat uit een proof of concept met een detectietool die bulkfoto’s uitsnijdt, de stukken telt en per object een opmeting geeft via een ArUco-marker, gekoppeld aan een EfficientNet-B3-classificatiemodel voor de vijf meest courante categorieën Vlaams laatmiddeleeuws aardewerk. De detectietool haalde een AP50 van 98% onder het eigen fotoprotocol en 50% op bestaand beeldmateriaal, dat gefotografeerd werd zonder rekening te houden met slagschaduwen, overlappingen en contrast. Het classificatiemodel behaalt 93% accuraatheid op de validatieset en 56% op de testset uit drie andere depots.
Ondanks de heterogeniteit van archeologisch bulkmateriaal blijkt het potentieel van beeldherkenning groot, in het bijzonder voor tijdsintensieve en eentonige registratietaken die vandaag achterwege blijven. Het potentieel van AI blijft niet beperkt tot beeldherkenning, aangezien opgravingsarchieven en historische collecties met dezelfde achterstand kampen.