Une nouvelle approche élaborée à l’Université Concordia permet de détecter plus facilement les pièces de monnaie contrefaites

Les pièces métalliques constituent peut-être le plus ancien moyen d’échange encore utilisé aujourd’hui, mais pour garantir leur valeur, il faut disposer de certaines des technologies les plus modernes qui soient. Les fausses pièces de monnaie représentent en effet une menace pour les devises mondiales, car des acteurs malveillants inondent les marchés de contrefaçons. La police européenne a d’ailleurs démantelé un réseau criminel basé en Espagne à la fin du mois d’avril, ce qui démontre l’urgence du problème.

Cela dit, aucune contrefaçon n’est totalement indétectable, aussi authentique qu’elle puisse paraître. Il existe toujours des signes révélateurs de falsification, même s’ils ne sont pas immédiatement perceptibles à l’œil nu.

Dans un nouvel article paru dans la revue Expert Systems With Applications, un groupe de recherche du Centre d’études en reconnaissance des formes et en intelligence artificielle de l’Université Concordia présente un cadre inédit qui recourt à des techniques d’exploration d’images et à des algorithmes d’apprentissage automatique pour repérer les défauts des pièces de monnaie contrefaites.

« Grâce à une technologie d’imagerie, nous avons numérisé des pièces authentiques et des pièces contrefaites afin de rechercher des anomalies qui peuvent être bidimensionnelles ou tridimensionnelles, telles que certaines lettres ou le visage de la personne sur la pièce », explique Ching Suen, professeur au Département d’informatique et de génie logiciel, et auteur responsable de la supervision de l’article.

« Ce cadre ne vise pas seulement à protéger notre économie et nos ressources », ajoute Maryam Sharifi Rad, auteure principale de l’article et boursière postdoctorale au Centre d’études en reconnaissance des formes et en intelligence artificielle. « Il s’agit aussi de repousser les limites de la technologie et d’améliorer la sécurité. »

Saeed Khazaee, attaché de recherche au centre, a également contribué à l’étude.

Des taches révélatrices

Le cadre de travail de l’équipe de recherche s’appuie sur l’extraction de règles d’association floues. Cette approche fait appel à l’intelligence artificielle pour trouver des formes similaires, mais « floues », c’est-à-dire qui ne sont pas suffisamment claires pour être des copies exactes. Le cadre aboutit toutefois à un certain éventail de résultats qui permettent de distinguer avec certitude les correspondances positives.

La méthode commence par l’utilisation de numériseurs de pointe pour examiner les pièces de monnaie suspectées d’être contrefaites. Les pièces sont fournies par des services de police.

Les images numérisées sont ensuite segmentées en régions d’intérêt, qui consistent en des collections de régions cohérentes localisées appelées « taches ». Ces taches sont identifiées sur la base de leur similarité visuelle et de leur composition, qui fournissent des caractéristiques pertinentes que les chercheurs peuvent extraire. Les taches sont comme des indices qui aident les chercheurs à comprendre ce qui se passe dans les images numérisées.

L’extraction de règles d’association floues est réalisée à l’aide de ces taches afin d’extraire les formes fréquentes des images. Ces formes illustrent les relations entre les attributs des taches, tels que la couleur, la texture, la forme et la taille. Les formes aident les membres de l’équipe de recherche à mieux comprendre les images et à déterminer si une pièce est vraie ou fausse.

Les taches jouent un rôle crucial dans la génération de règles d’association floues, qui représentent les connaissances implicites et les relations au sein d’un ensemble d’images, ce qui facilite la classification des images.

Les membres de l’équipe de recherche estiment que leur technique peut être appliquée à la détection de toutes sortes d’articles contrefaits, au-delà des pièces de monnaie.

« Cette méthode peut être utilisée pour détecter toutes sortes de produits contrefaits, que l’on voit partout dans le monde, explique Ching Suen. Elle peut également servir à repérer les fausses étiquettes sur les fruits, les vins, les boissons alcoolisées, etc. Les domaines d’application sont nombreux. »

Lisez l’article cité : « A framework for image-based counterfeit coin detection using pruned fuzzy associative classifier ».