·
·
Sunday, 4 October 2026dailybeirut.com
ИИ
Новые алгоритмы машинного обучения достигают точности свыше 95% в распознавании чистого и фальшивого золота, анализируя изображения, акустические сигналы и электромагнитные данные.
Различение подлинных золотых изделий от контрафактных перестало зависеть исключительно от опыта ювелиров или традиционных тестов. В сферу проверки драгоценных металлов активно внедряются технологии искусственного интеллекта. Алгоритмы анализируют фотографии украшений, изучают издаваемые ими звуки и обрабатывают сигналы неразрушающих методов контроля, выявляя тонкие отличия, недоступные человеческому глазу.
Согласно исследованию, опубликованному в журнале Algorithms в 2026 году, разработана модель GoldFormer для классификации золота на основе визуальных данных. Ученые создали базу данных GoldNet, включающую 2127 реальных снимков оригинальных и поддельных изделий. Фотографии были сделаны на смартфоны при разном освещении (естественном, внутреннем, слабом), с различных ракурсов и дистанций, без использования специализированной техники.
Принцип работы модели заключается в поиске микродеталей: текстуры поверхности, гравировки, цвета и общей геометрии. Хотя эти характеристики могут казаться идентичными для оригинала и копии, глубокая обучаемая сеть обнаруживает паттерны, которые сложно заметить невооруженным взглядом. В ходе кросс-валидации на пяти группах данных точность GoldFormer составила 95,02%, что превысило результат экспертов-людей (около 89,8%) и других компьютерных моделей зрения.
Однако высокая статистическая точность не означает возможность окончательного вердикта о карате или подлинности изделия по одному лишь снимку. Исследование тестирует только классификацию изображений как «оригинал» или «подделка», но не определяет внутренний химический состав металла.
Вторая линия исследований, представленная в журнале Applied Acoustics в 2025 году, фокусируется на звуковых характеристиках. Ученые проанализировали аудиозаписи образцов золота разного качества, извлекая признаки MFCC delta-delta. Для классификации использовались десять алгоритмов машинного обучения, включая метод опорных векторов (SVM), случайные леса и XGBoost.
Лучший результат показал алгоритм SVM с точностью 94,58% при определении пробирных групп 14, 22 и 24 карата. Логистическая регрессия продемонстрировала эффективность на уровне 93,75%. Гипотеза основывается на том, что физические свойства материала — плотность, упругость, внутренняя структура — влияют на акустический отклик, который может быть декодирован программными методами.
Исследователи полагают, что такой подход может стать быстрым и неразрушающим методом проверки, особенно учитывая, что традиционные способы часто требуют времени, специального оборудования или приводят к повреждению образца. Другие методы, такие как рентгенография, позволяют анализировать поверхностный состав сплавов без их разрушения.
Более продвинутым направлением является интеграция ИИ с импульсным вихретоковым контролем (PECT). Эта неразрушающая технология фиксирует сигналы, связанные со свойствами материала. В недавней работе была создана нейросеть AC-RSN для обработки данных, полученных при проверке образцов различной чистоты и толщины.
Эксперименты включали сбор 14 400 сигналов. Модель AC-RSN обеспечила точность классификации пробирных характеристик на уровне 99,27%. Нейросеть также минимизировала влияние шумов и изменений температуры датчика, улучшая представление данных. Здесь роль искусственного интеллекта отличается от простого анализа фото: он выступает инструментом обработки информации со специализированных измерительных приборов.
Несмотря на впечатляющие метрики, полная автономность ИИ в вопросах оценки золота пока недостижима. Алгоритмы способны выявлять паттерны, помогающие различать оригиналы и подделки по изображениям, звуку или сигналам сканеров. Однако пользователь не может полагаться только на фотографию смартфона или аудиозапись для определения карата перед покупкой.
Подлинность и процентное содержание золота — это разные параметры. Алгоритм может распознать изделие как отличное от тренировочных подделок, но точное определение химического состава требует соответствующих технологий измерения. Наиболее реалистичным сценарием остается использование ИИ как умного помощника, анализирующего большие массивы данных и ищущего скрытые закономерности, тогда как специализированные приборы остаются основным источником подтверждения структуры и чистоты металла.
