Hybrid Anomaly Detection for Bullion Coin Authentication Leveraging Acoustic Signature Analysis

1. Declaração do Problema

A verificação da autenticidade de moedas de lingote é crítica para a integridade do mercado de metais preciosos. Os métodos tradicionais de inspeção (visual, pesagem, deslocamento) são cada vez mais insuficientes contra falsificações sofisticadas, como moedas com núcleos de tungstênio revestidos em prata.

• O Desafio: Falsificações de alta qualidade são visualmente indistinguíveis das moedas genuínas, mas possuem propriedades materiais diferentes (densidade, módulo de Young) que alteram sua ressonância acústica.
• Escassez de Dados: O desenvolvimento de modelos de aprendizado de máquina para esta tarefa é dificultado pela falta de grandes conjuntos de dados diversificados. Especificamente, dados acústicos verificados para moedas falsificadas são virtualmente inexistentes devido a restrições legais e logísticas. Isso cria um problema de classificação de "uma classe", onde apenas amostras autênticas estão disponíveis para treinamento.

2. Metodologia

Os autores propõem um framework de verificação não destrutiva que combina análise de frequência acústica com uma arquitetura híbrida de aprendizado profundo.

A. Aquisição de Dados e Pré-processamento

• Excitação: As moedas são mecanicamente golpeadas com um objeto rígido para induzir modos de vibração naturais.
• Processamento de Sinal:
  • Segmentação: A gravação é recortada para isolar o impacto e a ressonância subsequente, removendo silêncio e ruído excessivo.
  • Normalização: A normalização da Raiz do Quadrado Médio (RMS) é aplicada para padronizar os níveis de volume entre diferentes dispositivos de gravação e distâncias.
  • Aumento de Dados: Para combater a escassez de dados, o conjunto de dados é expandido utilizando:
    • Escalonamento de amplitude.
    • Adição de ruído gaussiano (simulando interferência ambiental).
    • Janelamento de Hamming para minimizar o vazamento espectral.
• Extração de Características: A Transformada Rápida de Fourier (FFT) é utilizada para gerar espectros de frequência. Um algoritmo de detecção de picos identifica frequências e amplitudes de ressonância dominantes.

B. Arquitetura do Modelo Híbrido

O sistema utiliza dois modelos sinérgicos:

1. Autoencoder (Detecção de Anomalias):

   • Tipo: Autoencoder Profundo Não Supervisionado.
   • Treinamento: Treinado exclusivamente em espectros de moedas autênticas.
   • Mecanismo: O codificador comprime o espectro de entrada (8.820 características) em um espaço latente (128 neurônios), e o decodificador tenta reconstruir o espectro original.
   • Lógica: O modelo aprende a reconstruir perfeitamente moedas autênticas (baixo erro de reconstrução). Quando apresentado a uma falsificação (ou moeda desconhecida), o modelo falha em reconstruir o espectro com precisão, resultando em um alto erro de reconstrução.
   • Limiarização: Um limiar de anomalia dinâmico é calculado usando a fórmula: $Limiar = \mu_d + 3\sigma_d$, onde $\mu_d$ e $\sigma_d$ são a média e o desvio padrão das distâncias de pico entre os espectros original e reconstruído. Isso garante que 99,75% das amostras autênticas sejam aceitas.

2. Classificador (Identificação de Tipo):

   • Entrada: A representação latente (características intermediárias) gerada pelo codificador do autoencoder.
   • Função: Uma rede neural de duas camadas classifica o tipo de moeda (por exemplo, Canguru Australiano vs. Coruja de Atenas).
   • Lógica: Se o detector de anomalias sinalizar uma moeda como "desconhecida", o classificador não tenta atribuir um tipo, prevenindo falsos positivos em tipos genuínos não treinados.

3. Principais Contribuições

• Solução de Aprendizado de Uma Classe: O artigo aborda a falta crítica de dados de treinamento de falsificações ao utilizar uma abordagem de detecção de anomalias baseada em autoencoder, permitindo que o sistema identifique anomalias sem nunca ter visto uma moeda falsa durante o treinamento.
• Limiarização Dinâmica: Em vez de um corte de erro estático, o sistema calcula um limiar estatístico baseado na distribuição de treinamento ($\mu + 3\sigma$), tornando-o robusto contra condições de gravação variáveis.
• Sinergia Híbrida: A combinação de um detector de anomalias não supervisionado e um classificador supervisionado permite que o sistema não apenas detecte falsificações, mas também identifique tipos específicos de moedas, rejeitando com segurança moedas genuínas desconhecidas como "anomalias" (uma postura de segurança conservadora).
• Ensaios Não Destrutivos (END): O método valida o uso de assinaturas acústicas como uma impressão física confiável e não invasiva para verificação de materiais.

4. Resultados Experimentais

O sistema foi testado em moedas de prata de 1 onça (Canguru Australiano, Coruja de Atenas, Filarmônica de Viena) e uma falsificação com núcleo de tungstênio.

• Moeda Autêntica (Treinada): O autoencoder reconstruiu perfeitamente o espectro. A distância de pico foi de 0,13, bem abaixo do limiar de 131. A moeda foi corretamente identificada como autêntica e classificada como Canguru Australiano.
• Moeda Falsificada (Núcleo de Tungstênio): Devido às propriedades materiais diferentes, o autoencoder falhou em reconstruir o espectro. A distância de pico foi de 1077, superando amplamente o limiar. O sistema sinalizou corretamente como uma falsificação (anomalia) e interrompeu a classificação adicional.
• Moeda Autêntica (Não Treinada): Uma moeda genuína Filarmônica de Viena (não presente no conjunto de treinamento) foi mal reconstruída, resultando em uma distância de 1708.
  • Resultado: O sistema sinalizou corretamente como uma anomalia (falsificação/desconhecida).
  • Implicação: Isso demonstra a postura conservadora de segurança do sistema: prioriza a rejeição de desconhecidos em vez de classificá-los erroneamente, embora destaque uma limitação na reconhecimento de novos tipos de moedas genuínas sem retreinamento.

5. Significado e Direções Futuras

• Impacto no Mercado: O estudo fornece um método escalável, de baixo custo e rápido para verificar lingotes, abordando uma grande vulnerabilidade no mercado de metais preciosos.
• Aplicação Mais Ampla: A metodologia não se limita a moedas; é aplicável a Ensaios Não Destrutivos (END) para componentes críticos nas indústrias automotiva e aeroespacial, onde a integridade do material é primordial.
• Limitações: O modelo atual é sensível a dados "novos" (tipos de moedas genuínas não vistos são rejeitados). Os autores observam que o tamanho pequeno do conjunto de dados é uma restrição primária.
• Trabalho Futuro:
  • Implementação de Autoencoders Variacionais Profundos (VAE) para melhor modelagem probabilística.
  • Exploração de Modelos de Linguagem Grandes (LLMs) "Tiny" para aprendizado de zero-shot e few-shot para reduzir a dependência de conjuntos de dados massivos.
  • Expansão do conjunto de dados de treinamento para incluir uma variedade mais ampla de séries de cunhagem.

Em conclusão, o artigo demonstra com sucesso que uma abordagem híbrida de aprendizado profundo, aproveitando assinaturas acústicas e detecção de anomalias não supervisionada, pode distinguir eficazmente falsificações de alta qualidade de moedas de lingote genuínas, mesmo na ausência de dados de treinamento de falsificações.