Les pièces contrefaites peuvent être détectées plus facilement grâce à une nouvelle approche
Les pièces de monnaie en métal sont peut-être le moyen d'échange le plus ancien encore utilisé aujourd'hui, mais garantir leur valeur nécessite une technologie parmi les plus avancées disponibles. Les pièces contrefaites restent une menace pour les monnaies mondiales, des acteurs malveillants inondant les marchés de contrefaçons. La police européenne a démantelé un réseau criminel basé en Espagne fin avril, démontrant l'urgence persistante de la question.
Cependant, aucune contrefaçon n’est totalement indétectable, aussi authentique soit-elle. Il existe toujours des signes révélateurs de contrefaçon, même s’ils ne sont pas immédiatement perceptibles à l’œil nu.
Dans un nouvel article de la revue Systèmes experts avec applicationsun groupe de chercheurs de Concordia du Centre de reconnaissance de formes et d'intelligence artificielle (CENPARMI) présente un nouveau cadre qui utilise des techniques d'exploration d'images et des algorithmes d'apprentissage automatique pour identifier les défauts des pièces contrefaites.
« En utilisant la technologie de l'image, nous avons scanné des pièces de monnaie authentiques et contrefaites afin de pouvoir rechercher des anomalies qui peuvent être bidimensionnelles ou tridimensionnelles, comme des lettres ou le visage de la personne sur la pièce », explique Ching Suen, professeur à du Département d'informatique et de génie logiciel et l'auteur superviseur de l'article.
« Ce cadre ne vise pas seulement à sauvegarder notre économie et nos ressources », ajoute Maryam Sharifi Rad, auteure principale de l'article, boursière postdoctorale du CENPARMI. « Il s'agit également de repousser les limites de la technologie et d'améliorer la sécurité. »
Saeed Khazaee, associé de recherche au CENPARMI, a également contribué à cette étude.
La goutte révélatrice
Le cadre des chercheurs est construit autour de l'exploration de règles d'association floues. Cette approche utilise l'intelligence artificielle pour trouver des modèles similaires mais « flous », c'est-à-dire pas assez clairs pour être des copies exactes. Cependant, le cadre finira par aboutir à une certaine gamme de résultats où les correspondances positives seront identifiées avec confiance.
La méthode commence par utiliser des scanners de pointe pour examiner les pièces soupçonnées d'être contrefaites. Les pièces sont fournies par les forces de l'ordre.
Les images numérisées sont ensuite segmentées en régions d'intérêt, qui consistent en des collections de régions cohérentes localisées appelées « blobs ». Ces blobs sont reconnus sur la base de leur similarité visuelle et de leur composition, qui fournissent des caractéristiques pertinentes que les chercheurs peuvent extraire. Les blobs sont comme des indices qui aident les chercheurs à comprendre ce qui se passe dans les images numérisées.
L'exploration des règles d'association floues est effectuée à l'aide de ces blobs pour extraire des modèles fréquents des images. Ces modèles capturent les relations entre les attributs des blobs, tels que la couleur, la texture, la forme et la taille. Les motifs aident les chercheurs à mieux comprendre les images et à déterminer si une pièce est réelle ou fausse.
Les blobs jouent un rôle crucial dans la génération de règles d'association floues, qui représentent des connaissances et des relations implicites au sein d'un ensemble d'images, facilitant ainsi les tâches de classification d'images.
Les chercheurs affirment croire que leur technique peut être appliquée pour détecter toutes sortes d’articles contrefaits au-delà des pièces de monnaie.
« Cette méthode peut être utilisée pour détecter toutes sortes de produits contrefaits, que nous voyons partout dans le monde », explique Suen. « Il peut également être utilisé pour détecter de fausses étiquettes sur des fruits, des vins, des boissons alcoolisées, etc. Il existe de nombreux endroits où cela peut être appliqué. »
