Hybrid Anomaly Detection for Bullion Coin Authentication Leveraging Acoustic Signature Analysis

Aquí se presenta un resumen técnico detallado del artículo "Detección de anomalías híbrida para la autenticación de monedas de lingotes aprovechando el análisis de la firma acústica".

1. Planteamiento del Problema

La verificación de la autenticidad de las monedas de lingotes es crítica para la integridad del mercado de metales preciosos. Los métodos de inspección tradicionales (visuales, de pesaje, de desplazamiento) son cada vez más insuficientes frente a falsificaciones sofisticadas, como monedas con núcleos de tungsteno chapadas en plata.

• El Desafío: Las falsificaciones de alta calidad son visualmente indistinguibles de las monedas genuinas, pero poseen propiedades materiales diferentes (densidad, módulo de Young) que alteran su resonancia acústica.
• Escasez de Datos: El desarrollo de modelos de aprendizaje automático para esta tarea se ve obstaculizado por la falta de conjuntos de datos grandes y diversos. Específicamente, los datos acústicos verificados para monedas falsas son prácticamente inexistentes debido a restricciones legales y logísticas. Esto crea un problema de clasificación de "una sola clase" donde solo hay muestras auténticas disponibles para el entrenamiento.

2. Metodología

Los autores proponen un marco de verificación no destructiva que combina el análisis de frecuencias acústicas con una arquitectura de aprendizaje profundo híbrida.

A. Adquisición y Preprocesamiento de Datos

• Excitación: Las monedas son golpeadas mecánicamente con un objeto rígido para inducir modos de vibración naturales.
• Procesamiento de Señal:
  • Segmentación: La grabación se recorta para aislar el impacto y la resonancia subsiguiente, eliminando el silencio y el ruido excesivo.
  • Normalización: Se aplica normalización de la Raíz Media Cuadrática (RMS) para estandarizar los niveles de volumen entre diferentes dispositivos de grabación y distancias.
  • Aumento de Datos: Para combatir la escasez de datos, el conjunto de datos se expande utilizando:
    • Escalado de amplitud.
    • Adición de ruido gaussiano (simulando interferencias ambientales).
    • Ventaneo de Hamming para minimizar la fuga espectral.
• Extracción de Características: Se utiliza la Transformada Rápida de Fourier (FFT) para generar espectros de frecuencia. Un algoritmo de detección de picos identifica las frecuencias de resonancia dominantes y las amplitudes.

B. Arquitectura del Modelo Híbrido

El sistema utiliza dos modelos sinérgicos:

1. Autoencoder (Detección de Anomalías):

   • Tipo: Autoencoder Profundo No Supervisado.
   • Entrenamiento: Entrenado exclusivamente con espectros de monedas auténticas.
   • Mecanismo: El codificador comprime el espectro de entrada (8,820 características) en un espacio latente (128 neuronas), y el decodificador intenta reconstruir el espectro original.
   • Lógica: El modelo aprende a reconstruir perfectamente las monedas auténticas (bajo error de reconstrucción). Cuando se presenta una falsificación (o una moneda desconocida), el modelo falla al reconstruir el espectro con precisión, resultando en un alto error de reconstrucción.
   • Umbralización: Se calcula un umbral de anomalía dinámico utilizando la fórmula: $Umbral = \mu_d + 3\sigma_d$, donde $\mu_d$ y $\sigma_d$ son la media y la desviación estándar de las distancias de los picos entre los espectros originales y reconstruidos. Esto asegura que el 99.75% de las muestras auténticas sean aceptadas.

2. Clasificador (Identificación de Tipo):

   • Entrada: La representación latente (características intermedias) generada por el codificador del autoencoder.
   • Función: Una red neuronal de dos capas clasifica el tipo de moneda (por ejemplo, Canguro Australiano vs. Búho de Atenas).
   • Lógica: Si el detector de anomalías marca una moneda como "desconocida", el clasificador no intenta asignar un tipo, evitando falsos positivos en tipos de monedas genuinas pero no entrenadas.

3. Contribuciones Clave

• Solución de Aprendizaje de Una Clase: El artículo aborda la falta crítica de datos de entrenamiento de falsificaciones mediante el uso de un enfoque de detección de anomalías basado en autoencoders, permitiendo que el sistema identifique anomalías sin haber visto nunca una moneda falsa durante el entrenamiento.
• Umbralización Dinámica: En lugar de un corte de error estático, el sistema calcula un umbral estadístico basado en la distribución de entrenamiento ($\mu + 3\sigma$), lo que lo hace robusto frente a condiciones de grabación variables.
• Sinergia Híbrida: La combinación de un detector de anomalías no supervisado y un clasificador supervisado permite que el sistema no solo detecte falsificaciones, sino que también identifique tipos específicos de monedas, rechazando de forma segura las monedas genuinas desconocidas como "anomalías" (una postura de seguridad conservadora).
• Pruebas No Destructivas (NDT): El método valida el uso de firmas acústicas como una huella física fiable y no invasiva para la verificación de materiales.

4. Resultados Experimentales

El sistema fue probado en monedas de plata de 1 onza (Canguro Australiano, Búho de Atenas, Filarmónica de Viena) y una falsificación con núcleo de tungsteno.

• Moneda Auténtica (Entrenada): El autoencoder reconstruyó perfectamente el espectro. La distancia de los picos fue de 0.13, muy por debajo del umbral de 131. La moneda fue correctamente identificada como auténtica y clasificada como Canguro Australiano.
• Moneda Falsa (Núcleo de Tungsteno): Debido a las diferentes propiedades materiales, el autoencoder falló al reconstruir el espectro. La distancia de los picos fue de 1077, superando ampliamente el umbral. El sistema la marcó correctamente como falsificación (anomalía) e interrumpió la clasificación posterior.
• Moneda Auténtica (No Entrenada): Una moneda genuina Filarmónica de Viena (no presente en el conjunto de entrenamiento) fue reconstruida pobremente, obteniendo una distancia de 1708.
  • Resultado: El sistema la marcó correctamente como una anomalía (falsa/desconocida).
  • Implicación: Esto demuestra la postura de seguridad conservadora del sistema: prioriza el rechazo de lo desconocido sobre la mala clasificación de lo mismo, aunque resalta una limitación en el reconocimiento de nuevos tipos de monedas genuinas sin reentrenamiento.

5. Significado y Direcciones Futuras

• Impacto en el Mercado: El estudio proporciona un método escalable, de bajo costo y rápido para verificar lingotes, abordando una vulnerabilidad importante en el mercado de metales preciosos.
• Aplicación Más Amplia: La metodología no se limita a monedas; es aplicable a Pruebas No Destructivas (NDT) para componentes críticos en las industrias automotriz y aeroespacial, donde la integridad del material es primordial.
• Limitaciones: El modelo actual es sensible a datos "novedosos" (los tipos de monedas genuinas no vistos son rechazados). Los autores señalan que el tamaño pequeño del conjunto de datos es una restricción principal.
• Trabajo Futuro:
  • Implementación de Autoencoders Variacionales Profundos (VAE) para un mejor modelado probabilístico.
  • Exploración de Modelos de Lenguaje Grande (LLM) "Tiny" para aprendizaje de cero disparos (zero-shot) y pocos disparos (few-shot) para reducir la dependencia de conjuntos de datos masivos.
  • Expansión del conjunto de datos de entrenamiento para incluir una mayor variedad de series de acuñación.

En conclusión, el artículo demuestra exitosamente que un enfoque de aprendizaje profundo híbrido, que aprovecha las firmas acústicas y la detección de anomalías no supervisada, puede distinguir eficazmente falsificaciones de alta calidad de monedas de lingotes genuinas, incluso en ausencia de datos de entrenamiento de falsificaciones.