Researchers from Skoltech and Central University developed an automated coin grading approach that minimizes manual subjectivity and overcomes the limits of traditional computer vision.
The study is published in top journals: ACM Journal on Computing and Cultural Heritage, Expert Systems with Applications, and IEEE Transactions on Instrumentation and Measurement.
🔬 Methodology:
🔹Dual deep learning model based on two ResNet50 variants.
🔹Domain-specific probability distribution algorithm.
🔹Vision-language model simulating simultaneous evaluation of both coin sides.
🔹Hierarchical transformer for improved classification accuracy.
💬 Direct Speech:
"We built a dataset and proposed an AI model that recognizes how adjacent grading classes, like uncirculated and minimally circulated coins, share overlapping visual features," — Melaku Getahun, PhD student in the Skoltech "Engineering Systems" program.
"Our approach automates coin grading. As pioneers, we hope to build a transparent, reliable system accessible to collectors, investors, and museums," — Andrey Somov, team leader, Associate Professor at the Skoltech Center for Engineering Systems and Sciences, and Professor at Central University.
📊 Results:
The team's approach demonstrates significant advantages over previous methods in both qualitative and quantitative grading precision.
────── 🌐 ──────
🪙 Компьютерное зрение в нумизматике: ИИ для оценки коллекционных монет
Исследователи из Центра инженерных систем и наук Сколтеха и Центрального университета разработали автоматизированный метод оценки монет, который устраняет субъективность ручной экспертизы и ограничения старых алгоритмов.
Результаты опубликованы в престижных журналах: ACM Journal on Computing and Cultural Heritage, Expert Systems with Applications и IEEE Transactions on Instrumentation and Measurement.
🔬 Методология:
🔹Двойная модель глубокого обучения на базе двух вариантов ResNet50.
🔹Алгоритм анализа вероятностей с учетом специфики монет.
🔹Визуально-языковая модель, оценивающая обе стороны монеты сразу.
🔹Иерархический трансформер для точной классификации.
💬 Прямая речь:
«Мы собрали датасет и создали ИИ-модель, которая учитывает, что соседние классы сохранности монет (например, идеальные и с минимальным износом) имеют перекрывающиеся визуальные признаки», — Мелаку Гетахун, аспирант программы «Инженерные системы» Сколтеха.
«Наши методы автоматизируют оценку монет. Как пионеры этой области, мы надеемся создать прозрачную и надежную систему грейдинга для коллекционеров, инвесторов и музеев», — Андрей Сомов, руководитель научной группы, доцент Центра инженерных систем и наук Сколтеха и профессор Центрального университета.
📊 Результат:
Новый подход существенно превзошел предыдущие методы в точности и качестве оценки.