·
·
Sunday, 4 October 2026dailybeirut.com
IA
Des modèles d'intelligence artificielle identifient l'or authentique via images, sons et signaux électromagnétiques, offrant des alternatives aux tests traditionnels.
La distinction entre l'or véritable et les contrefaçons ne repose plus uniquement sur l'expertise des joailliers ou les méthodes classiques. L'intelligence artificielle s'impose désormais dans l'analyse des métaux précieux en examinant les visuels, les vibrations sonores et les données issues de contrôles non destructifs pour repérer des anomalies imperceptibles à l'œil humain.
Les travaux récents démontrent que les réseaux neuronaux profonds parviennent à différencier les pièces authentiques des imitations à partir de simples clichés pris au smartphone. D'autres recherches exploitent l'apprentissage automatique pour interpréter la sonorité des objets et estimer leur pureté, promettant des procédures de vérification plus rapides et économiques.
Une étude publiée en 2026 dans la revue Algorithms présente un modèle baptisé GoldFormer, conçu pour classer les bijoux selon leur authenticité. Les chercheurs ont constitué la base de données GoldNet, contenant 2127 photographies réelles d'objets en or pur et falsifié, capturées avec des téléphones portables dans diverses conditions lumineuses et angles variés, sans matériel spécialisé.
Cet algorithme scrute les micro-détails tels que la texture, les gravures, la teinte et la géométrie globale. Lors des tests, GoldFormer a atteint une exactitude de 95,02 % lors d'une validation croisée sur cinq groupes, surpassant les experts humains qui affichaient environ 89,8 %. Toutefois, cette performance se limite à la classification visuelle et ne garantit pas la détermination précise du carat ou de la composition chimique interne.
Parallèlement, des scientifiques ont exploré la voie sonore dans une publication de 2025 dans Applied Acoustics. Ils ont analysé des enregistrements d'échantillons d'or en extrayant des caractéristiques spécifiques appelées MFCC delta-delta. Dix algorithmes d'apprentissage machine, incluant les machines à vecteurs de support (SVM), les forêts aléatoires et XGBoost, ont été mobilisés pour trier les métaux selon leur degré de pureté.
Le meilleur modèle, basé sur SVM, a obtenu une précision de 94,58 % pour distinguer les catégories 14, 22 et 24 carats, tandis que la régression logistique atteignait 93,75 %. Cette approche repose sur l'idée que la densité, l'élasticité et la structure interne influencent les propriétés acoustiques. Elle offre potentiellement une méthode rapide et non destructive, contrairement aux techniques traditionnelles qui peuvent endommager l'objet ou nécessiter des équipements lourds comme la radiographie.
Un axe de recherche plus avancé combine l'IA avec la technique PECT (courants de Foucault pulsés). Une étude récente détaille le développement du réseau neuronal AC-RSN, entraîné sur 14 400 signaux issus de tests sur des échantillons d'épaisseurs et de puretés variables. Ce système a réussi à classifier les nuances d'or avec une exactitude de 99,27 %, tout en filtrant le bruit lié à la température de la sonde.
Ici, l'intelligence artificielle agit comme un outil d'interprétation de données générées par des instruments spécialisés plutôt que comme un simple analyseur d'images. Malgré ces résultats encourageants, l'IA seule ne peut actuellement certifier l'authenticité d'un bijou de manière définitive pour le consommateur final. Elle excelle à détecter des motifs complexes, mais la confirmation rigoureuse du titre et de la composition reste dépendante des appareils de mesure physiques.
La tendance réaliste consiste donc à intégrer l'IA comme assistant intelligent dans les processus de contrôle, capable de traiter de grands volumes de données et de signaler des irrégularités subtiles, laissant aux technologies analytiques conventionnelles le soin de valider la nature exacte du métal.
