💻 computer science

Hybrid Anomaly Detection for Bullion Coin Authentication Leveraging Acoustic Signature Analysis

Dit artikel stelt een hybride deep learning-framework voor dat akoestische signatuuranalyse en een dubbel-modelarchitectuur gebruikt om hoogprecieze, niet-destructieve authenticatie van bullionmunten te realiseren, terwijl het potentieel voor schaalbaarheid voor de veiligheid van kritieke componenten in de automotive- en lucht- en ruimtevaartindustrieën demonstreert.

Oorspronkelijke auteurs: Krzysztof Siwek, Tran Hoai Linh, Tomasz Gryczka, Maciej Stodolski

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Krzysztof Siwek, Tran Hoai Linh, Tomasz Gryczka, Maciej Stodolski

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een magische bel voor. Als je op een echte gouden of zilveren munt tikt, maakt deze niet alleen een "klinkend" geluid; het zingt een zeer specifiek, uniek lied. Dit lied wordt bepaald door precies waar de munt van gemaakt is, hoe zwaar hij is en zijn exacte vorm. Als iemand probeert de munt na te maken met goedkoop metaal binnenin een glanzende zilveren schil, verandert het "lied". Het klinkt misschien een beetje vals, of de noten zijn gedempt, zelfs als de nepmunt er identiek uitziet als de echte.

Dit artikel beschrijft een high-tech manier om dat lied te beluisteren en te beslissen of een munt echt of nep is, zonder hem te krassen of te beschadigen.

Hier is hoe de onderzoekers hun systeem hebben gebouwd, eenvoudig uitgelegd:

1. Het Probleem: Het "Oor" Is Niet Genoeg

Sinds eeuwen tikken mensen op munten om te luisteren naar een "klink". Als het klinkt als een doffe klap, is het waarschijnlijk nep. Maar de valsemunters van vandaag zijn zeer goed. Ze kunnen nepmunten maken die perfect lijken en zelfs bijna goed klinken voor het menselijk oor. Mensen raken moe, en hun oren zijn niet nauwkeurig genoeg om de kleine verschillen in hoogwaardige vervalsingen op te merken.

2. De Oplossing: De "Acoustische Vingerafdruk"

De onderzoekers beseften dat elke munt een unieke "acoustische vingerafdruk" heeft. Net zoals je vingerafdruk uniek is voor je hand, is de geluidsfrequentie van een munt uniek voor zijn materiaal.

De Echte Munt: Bij aanslaan trilt deze op specifieke, voorspelbare noten (zoals 3.770 Hz, 8.648 Hz, enz.).
De Neppe Munt: Zelfs als hij er hetzelfde uitziet, trilt de nep (vaak gemaakt met een wolfraamkern) anders. Zijn noten zijn iets verschoven of ontbreken.

3. Het Brein: Twee AI-modellen die Samenwerken

Het team bouwde een computersysteem met twee hoofdonderdelen, die werken als een beveiligingsteam:

Onderdeel A: De "Reconstructie-Artist" (De Autoencoder)
Stel je dit voor als een kunstenaar die alleen maar foto's van echte munten heeft gezien.

Training: De kunstenaar bestudeert duizenden foto's van echte munten en leert precies hoe een "echt" geluid eruitziet.
De Test: Als je de kunstenaar het geluid van een nieuwe munt laat horen, probeert hij het uit zijn geheugen te tekenen.
- Als het echt is: De kunstenaar kan het perfect tekenen omdat het overeenkomt met wat hij eerder heeft gezien. De "fout" (het verschil tussen het echte geluid en de tekening) is klein.
- Als het nep is: De kunstenaar raakt in de war. Hij probeert het neppe geluid te forceren om op een echt geluid te lijken, maar het past niet. De tekening komt rommelig en verkeerd uit. De "fout" is enorm.
Het Oordeel: Als de fout te groot is, schreeuwt het systeem: "Dit is niet echt!" Dit heet Anomalie-detectie. Het is geweldig omdat het systeem de specifieke nep niet eerder heeft hoeven zien; het weet gewoon dat de nep niet lijkt op het "echte" patroon dat het heeft geleerd.

Onderdeel B: De "Naam-Tagger" (De Classificator)
Zodra het systeem bevestigt dat een munt waarschijnlijk echt is, komt een tweede AI-model in actie. Dit is als een bibliothecaris die de specifieke "namen" van verschillende munten kent (bijvoorbeeld "Australische Kangoeroe" versus "Atheense Uil"). Het kijkt naar de unieke noten van de echte munt en vertelt je precies welk type het is.

4. De Uitdagingen: Leren met Weinig Voorbeelden

De onderzoekers stonden voor een grote hindernis: ze hadden geen enorme bibliotheek met nepmunten om te bestuderen (omdat het verzamelen van geverifieerde vervalsingen moeilijk is en in sommige plaatsen illegaal).

De Omweg: Ze gebruikten een truc genaamd Data Augmentatie. Stel je voor dat je één opname van een munt neemt en deze iets harder, iets zachter afspeelt, of er een beetje achtergrondruis aan toevoegt (zoals wind of verkeerslawaai). Dit creëert "nieuwe" versies van hetzelfde geluid, waardoor de AI leert bestand te zijn tegen slechte opnameomstandigheden.
Het Resultaat: Zelfs met beperkte data leerde het systeem het verschil tussen een echte munt en een neppe munt met hoge precisie te onderscheiden.

5. Wat Gebeurde Er in de Tests?

Het team testte hun systeem met verschillende scenario's:

Echte Munt: Het systeem herkende deze direct, paste het "lied" perfect aan en identificeerde het munttype.
De Wolfraam-nep: Ze testten een neppe munt gemaakt van wolfraam bedekt met zilver. Visueel was hij niet te onderscheiden van de echte. Maar toen de AI "luisterde", was het lied van de nep zo verschillend dat de "Reconstructie-Artist" het niet kon kopiëren. De foutscore was enorm, en het systeem markeerde het correct als nep.
De "Onbekende" Echte Munt: Ze testten een andere echte munt (een Wenen Filharmonische) die de AI nog nooit had gezien. Omdat de AI alleen de "liedjes" van Kangoeroe- en Uil-munten had geleerd, herkende hij het lied van de Wenen-munt niet. Hij markeerde het als een anomalie (een nep).
- Waarom? Het systeem is ontworpen om zeer veilig te zijn. Als het het lied niet kent, gaat hij ervan uit dat het nep is, in plaats van het risico te lopen een fout te maken.

Samenvatting

Dit artikel presenteert een niet-destructieve manier om edelmetaalmunten te authenticeren. Door AI te gebruiken om het "lied" te beluisteren dat een munt maakt bij aanslaan, kan het systeem vervalsingen detecteren die voor het menselijk oog perfect lijken. Het werkt door te leren hoe een "echt" geluid eruitziet en alles af te wijzen dat niet in dat patroon past. Hoewel het systeem momenteel zeer goed is in het opsporen van vervalsingen, is het ook zeer streng: als het niet is getraind op een specifiek type echte munt, zal het deze als verdacht behandelen.

1. Probleemstelling

De verificatie van de echtheid van bullionmunten is cruciaal voor de integriteit van de markt voor edelmetalen. Traditionele inspectiemethoden (visueel, wegen, verplaatsing) worden steeds onvoldoende geacht tegen geavanceerde vervalsingen, zoals munten met wolfraamkernen die met zilver zijn bekleed.

De Uitdaging: Hoogwaardige vervalsingen zijn visueel niet te onderscheiden van echte munten, maar bezitten verschillende materiaaleigenschappen (dichtheid, Young's modulus) die hun akoestische resonantie veranderen.
Schaarste aan Data: De ontwikkeling van machinelearningmodellen voor deze taak wordt gehinderd door het ontbreken van grote, diverse datasets. Specifiek is geverifieerde akoestische data voor vervalste munten vrijwel niet-existent vanwege juridische en logistieke beperkingen. Dit creëert een "one-class" classificatieprobleem waarbij alleen authentieke samples beschikbaar zijn voor training.

2. Methodologie

De auteurs stellen een niet-destructief verificatiekader voor dat akoestische frequentieanalyse combineert met een hybride deep learning-architectuur.

A. Data-acquisitie en Preprocessing

Excitatie: Munten worden mechanisch aangeslagen met een stijf object om natuurlijke vibratiemodi op te wekken.
Signaalverwerking:
- Segmentatie: De opname wordt bijgesneden om de impact en de daaropvolgende resonantie te isoleren, waarbij stilte en overtollige ruis worden verwijderd.
- Normalisatie: Root Mean Square (RMS)-normalisatie wordt toegepast om de luidheid te standaardiseren over verschillende opnameapparatuur en afstanden.
- Augmentatie: Om de dataschaarste te bestrijden, wordt de dataset uitgebreid met:
  - Amplitudeschaling.
  - Toevoeging van Gaussische ruis (simulatie van omgevingsinterferentie).
  - Hamming-windowing om spectrale lekkage te minimaliseren.
Feature-extractie: De Fast Fourier Transform (FFT) wordt gebruikt om frequentiespectra te genereren. Een piekdetectie-algoritme identificeert dominante resonantiefrequenties en amplitude.

B. Hybride Modelarchitectuur

Het systeem maakt gebruik van twee synergetische modellen:

Autoencoder (Anomaliedetectie):
- Type: Unsupervised Deep Autoencoder.
- Training: Getraind uitsluitend op spectra van authentieke munten.
- Mechanisme: De encoder comprimeert het inputspectrum (8.820 features) naar een latente ruimte (128 neuronen), en de decoder probeert het oorspronkelijke spectrum te reconstrueren.
- Logica: Het model leert authentieke munten perfect te reconstrueren (lage reconstructiefout). Wanneer het wordt geconfronteerd met een vervalsing (of een onbekende munt), faalt het model om het spectrum nauwkeurig te reconstrueren, wat resulteert in een hoge reconstructiefout.
- Drempelwaarde: Een dynamische anomaliedrempel wordt berekend met de formule: $Threshold = \mu_d + 3\sigma_d$ , waarbij $\mu_d$ en $\sigma_d$ het gemiddelde en de standaardafwijking zijn van de piekafstanden tussen originele en gereconstrueerde spectra. Dit zorgt ervoor dat 99,75% van de authentieke samples wordt geaccepteerd.
Classificator (Type-identificatie):
- Input: De latente representatie (intermediaire features) gegenereerd door de encoder van de autoencoder.
- Functie: Een twee-laags neurale netwerk classificeert het munttype (bijvoorbeeld Australische Kangoeroe versus Atheense Uil).
- Logica: Als de anomaliedetector een munt markeert als "onbekend", probeert de classificator geen type toe te wijzen, waardoor vals-positieven worden voorkomen bij echte maar niet-getrainde munttypes.

3. Belangrijkste Bijdragen

One-Class Learning-oplossing: Het artikel adresseert het kritieke gebrek aan trainingsdata voor vervalsingen door een op autoencoder gebaseerde anomaliedetectie-aanpak te gebruiken, waardoor het systeem anomalieën kan identificeren zonder ooit een valse munt te hebben gezien tijdens de training.
Dynamische Drempelwaarde: In plaats van een statische foutcutoff berekent het systeem een statistische drempelwaarde gebaseerd op de trainingsverdeling ( $\mu + 3\sigma$ ), waardoor het robuust is tegen variërende opnameomstandigheden.
Hybride Synergie: De combinatie van een unsupervised anomaliedetector en een supervised classificator stelt het systeem in staat niet alleen vervalsingen te detecteren, maar ook specifieke munttypes te identificeren, terwijl onbekende echte munten veilig worden afgewezen als "anomalieën" (een conservatieve veiligheidsopstelling).
Niet-destructief Testen (NDT): De methode valideert het gebruik van akoestische signatuur als een betrouwbare, niet-invasieve fysieke vingerafdruk voor materiaalverificatie.

4. Experimentele Resultaten

Het systeem werd getest op 1 oz zilveren munten (Australische Kangoeroe, Atheense Uil, Weense Philharmonie) en een vervalsing met wolfraamkern.

Authentieke Munt (Getraind): De autoencoder reconstrueerde het spectrum perfect. De piekafstand was 0,13, ruim onder de drempelwaarde van 131. De munt werd correct geïdentificeerd als authentiek en geclassificeerd als een Australische Kangoeroe.
Vervalste Munt (Wolfraamkern): Vanwege de verschillende materiaaleigenschappen faalde de autoencoder om het spectrum te reconstrueren. De piekafstand was 1077, ver boven de drempelwaarde. Het systeem markeerde het correct als vervalsing (anomalie) en stopte verdere classificatie.
Authentieke Munt (Niet-getraind): Een echte Weense Philharmonie-munt (niet in de trainingsset) werd slecht gereconstrueerd, wat resulteerde in een afstand van 1708.
- Resultaat: Het systeem markeerde het correct als anomalie (vervalsing/onbekend).
- Implicatie: Dit demonstreert de conservatieve veiligheidsopstelling van het systeem: het prioriteert het afwijzen van onbekenden boven het verkeerd classificeren ervan, hoewel het een beperking blootlegt in het herkennen van nieuwe echte munttypes zonder hertraining.

5. Betekenis en Toekomstige Richtingen

Markteffect: De studie biedt een schaalbare, goedkope en snelle methode voor de verificatie van bullion, waarmee een belangrijke kwetsbaarheid in de markt voor edelmetalen wordt aangepakt.
Breder Toepassingsgebied: De methodologie is niet beperkt tot munten; deze is toepasbaar op Niet-destructief Testen (NDT) voor kritieke componenten in de automotive- en lucht- en ruimtevaartindustrie waar materiaalechtheid van het grootste belang is.
Beperkingen: Het huidige model is gevoelig voor "nieuwe" data (ongezien echte munttypes worden afgewezen). De auteurs merken op dat de kleine datasetgrootte een primaire beperking is.
Toekomstig Werk:
- Implementatie van Deep Variational Autoencoders (VAE) voor betere probabilistische modellering.
- Verkenning van "Tiny" Large Language Models (LLM's) voor zero-shot en few-shot learning om de afhankelijkheid van enorme datasets te verminderen.
- Uitbreiding van de trainingsdataset om een bredere variëteit aan muntseries op te nemen.

Concluderend demonstreert het artikel succesvol dat een hybride deep learning-aanpak, die gebruikmaakt van akoestische signatuur en unsupervised anomaliedetectie, hoogwaardige vervalsingen effectief kan onderscheiden van echte bullionmunten, zelfs bij afwezigheid van trainingsdata voor vervalsingen.