Abstract: Objets de collection depuis les temps anciens, de nos jours les pieces de monnaie constituent un marche de plus en plus important. L’evaluation par des experts de l’etat de conservation des pieces de monnaie, que nous nommons gradation, joue un role important pour determiner leur valeur sur le marche. Dans le but de grader des pieces de monnaie de maniere efficace et objective, la societe GENI collabore avec le laboratoire LIRIS, afin d’automatiser le processus de gradation a partir de photos de pieces de monnaie.
L’objectif principal de cette these est de fournir une aide a la gradation des pieces de monnaie a partir des photos de qualite. Le projet est compose de quatre phases :segmentation des monnaies, identification du type monetaire, detection et reconnaissance du millesime et gradation des monnaies.
Dans la premiere phase, la piece de monnaie est segmentee de sa photo de maniere precise a l’aide d’un modele parametrique deformable. Ce dernier permet egalement d’extraire des caracteristiques de la piece de monnaie telles que sa taille, son nombre de coins, de pans, etc.
Lors de la deuxieme phase, nous cherchons dans une base de donnees le type monetaire de reference correspondant a la piece de monnaie requete a l’aide de scores de similarite bases sur des graphes. Le premier score se base sur des caracteristiques locales des contours
en relief, et le second, qui est semi-global, permet de mettre en evidence des differences de motifs.
La troisieme phase concernent la reconnaissance du millesime. Il s’agit d’un sujet difficile car les caracteres, dans ce contexte, ont un premier plan de couleur tres similaire a l’arriere-plan. Apres avoir localise la zone du millesime et l’avoir decoupee en imagettes de chiffres, nous proposons une methode de reconnaissance de chiffres a l’aide de caracteristiques « topologiques ».
Enfin, concernant la gradation des monnaies, nous proposons une methode se basant sur une quantification des « elements inattendus » comme les rayures et les taches. La piece de monnaie est d’abord recalee sur une monnaie de reference, puis, nous detectons les
« elements inattendus » significatifs sur des zones d’interet. Enfin, concernant les « elements inattendus » tenus difficiles a reperer individuellement, nous detectons les zones granuleuses a l’aide du Deep Learning. Le resultat obtenu par cette methode, proche de ce que l’expert realise « a la main », servira d’aide aux numismates.