BR112021005549A2 - dispositivo de inspeção de notas, método de fiscalização de notas e programa de inspeção de notas - Google Patents
dispositivo de inspeção de notas, método de fiscalização de notas e programa de inspeção de notas Download PDFInfo
- Publication number
- BR112021005549A2 BR112021005549A2 BR112021005549-5A BR112021005549A BR112021005549A2 BR 112021005549 A2 BR112021005549 A2 BR 112021005549A2 BR 112021005549 A BR112021005549 A BR 112021005549A BR 112021005549 A2 BR112021005549 A2 BR 112021005549A2
- Authority
- BR
- Brazil
- Prior art keywords
- image
- character
- serial number
- region
- recognition unit
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000009182 swimming Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 25
- 238000013527 convolutional neural network Methods 0.000 description 6
- 101000690100 Homo sapiens U1 small nuclear ribonucleoprotein 70 kDa Proteins 0.000 description 5
- 101100029173 Phaeosphaeria nodorum (strain SN15 / ATCC MYA-4574 / FGSC 10173) SNP2 gene Proteins 0.000 description 5
- 101100094821 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SMX2 gene Proteins 0.000 description 5
- 102100024121 U1 small nuclear ribonucleoprotein 70 kDa Human genes 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 101000869592 Daucus carota Major allergen Dau c 1 Proteins 0.000 description 2
- 101000650136 Homo sapiens WAS/WASL-interacting protein family member 3 Proteins 0.000 description 2
- 102100035832 Phakinin Human genes 0.000 description 2
- 108090000709 Phakinin Proteins 0.000 description 2
- 102100027539 WAS/WASL-interacting protein family member 3 Human genes 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 210000000078 claw Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101000585507 Solanum tuberosum Cytochrome b-c1 complex subunit 7 Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/06—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using wave or particle radiation
- G07D7/12—Visible light, infrared or ultraviolet radiation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/005—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/005—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations
- G07D7/0054—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations involving markings the properties of which are altered from original properties
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Character Discrimination (AREA)
Abstract
DISPOSITIVO DE INSPEÇÃO DE NOTAS E
MÉTODO DE FISCALIZAÇÃO DE NOTAS.
A presente invenção refere-se a dispositivo de inspeção de notas que
permite melhorar a precisão com a qual um número de série de uma nota é
reconhecido; refere-se ainda a método e a produto de programa. Em um
dispositivo de inspeção de notas (14), uma unidade de armazenamento (23)
armazena um primeiro modelo de aprendizagem gerado usando imagens de
caracteres com orifícios como dados de treinamento, e um segundo modelo
de aprendizagem gerado usando imagens de caracteres sem orifícios como
dados de treinamento, e uma unidade de reconhecimento de número de série
(24) reconhece um caractere formando um número de série de uma nota BL
usando o primeiro modelo de aprendizagem quando uma imagem de caractere
tem orifícios, mas reconhece o caractere formando o número de série da
nota BL usando o segundo modelo de aprendizagem quando a imagem do
caractere não tem orifícios.
Description
Relatório Descritivo da Patente de Invenção para "DISPOSI-
[0001] A presente invenção refere-se a dispositivo de inspeção de notas, método de inspeção de notas e programa de inspeção de notas.
[0002] Um dispositivo de manuseio de notas, como um caixa eletrô- nico (ATM), é fornecido com um dispositivo de inspeção de notas que inspeciona notas para discriminar denominações de notas e reconhecer números de série de notas.
[0003] Literatura de Patente 1: JP 2017-215859 A
[0004] Como as notas bancárias podem ser identificadas exclusi va- mente usando números de série, os números de série são usados para localizar notas falsas e assim por diante. O reconhecimento preciso dos números de série é, portanto, importante.
[0005] A tecnologia divulgada foi concebida tendo em vista o que antecede, e um objetivo da mesma é melhorar a precisão com a qual um número de série de uma nota é reconhecido.
[0006] Em um aspecto da modalidade divulgada, um dispositivo de inspeção de notas inclui uma unidade de armazenamento e uma uni- dade de reconhecimento. A unidade de armazenamento armazena um primeiro modelo de aprendizagem gerado usando uma imagem de um caractere com um orifício como dados de treinamento e um segundo modelo de aprendizagem gerado usando uma imagem de um caractere sem um orifício como dados de treinamento. A unidade de reconheci- mento reconhece um caractere de número de série que é um caractere que forma um número de série de uma nota usando o primeiro modelo de aprendizagem quando uma imagem de caractere, que é uma ima- gem do caractere de número de série, tem um orifício e reconhece o caractere de número de série usando o segundo modelo de aprendiza- gem quando a imagem do caractere não tem um orifício.
[0007] De acordo com as modalidades divulgadas, é possível me- lhorar a precisão com a qual um número de série de uma nota é reco- nhecido.
[0008] A figura 1 é uma vista que ilustra um exemplo de configura- ção de um dispositivo de manuseio de notas de acordo com uma pri- meira modalidade.
[0009] A figura 2 é um diagrama que ilustra um exemplo de um modo de conexão de caminho de transporte de acordo com a primeira modalidade.
[00010] A figura 3 é um diagrama que ilustra um exemplo de um modo de conexão de caminho de transporte de acordo com a primeira modalidade.
[00011] A figura 4 é um diagrama que ilustra um exemplo de configu- ração de um dispositivo de inspeção de notas de acordo com a primeira modalidade.
[00012] A figura 5 é um fluxograma usado para ilustrar um exemplo de processamento de uma unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00013] A figura 6 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00014] A figura 7 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00015] A figura 8 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00016] A figura 9 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00017] A figura 10 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00018] A figura 11 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00019] A figura 12 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00020] A figura 13 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00021] A figura 14 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00022] A figura 15 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00023] A figura 16 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00024] A figura 17 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00025] A figura 18 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00026] A figura 19 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00027] A figura 20 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00028] A figura 21 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00029] A figura 22 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00030] A figura 23 é um diagrama usado para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modalidade.
[00031] O dispositivo de inspeção de notas, o método de inspeção de notas e o programa de inspeção de notas que são divulgados no presente pedido serão descritos abaixo com base nos desenhos. Ob- serve que o dispositivo de inspeção de notas, o método de inspeção de notas e o programa de inspeção de notas que são divulgados no pre- sente pedido não estão limitados a ou por essas modalidades. Além disso, os mesmos sinais de referência são atribuídos a configurações idênticas nas modalidades abaixo.
PRIMEIRA MODALIDADE Configuração do dispositivo de manuseio de notas
[00032] A figura 1 é um diagrama que ilustra um exemplo de configu- ração de um dispositivo de manuseio de notas de acordo com uma pri- meira modalidade. A figura 1 é uma vista lateral em corte transversal. Na figura 1, um dispositivo de manuseio de notas 1 tem uma porta de acesso 11, uma garra de comutação 12, um solenoide 13, um disposi- tivo de inspeção de notas 14, uma parte de retenção temporária 15, em- pilhadores 16-1, 16-2 e 16-3, uma unidade de controle 17 e caminhos de transporte P1, P2 e P3.
[00033] Além disso, em um dispositivo de manuseio de notas 1, há um ponto de ramificação do caminho de transporte PJ no qual um cami- nho de transporte P1 se ramifica em dois caminhos de transporte P2 e P3. No dispositivo de manuseio de notas 1, ao conectar o caminho de transporte P1 a qualquer um dos caminhos de transporte P2 e P3 atra- vés do ponto de ramificação do caminho de transporte PJ, o modo de conexão do caminho de transporte alterna entre um modo em que os caminhos de transporte P1 e P2 estão conectados (às vezes referido a seguir como "modo de conexão C1") e um modo no qual os caminhos de transporte P1 e P3 são conectados (às vezes referido abaixo como "modo de conexão C2"). Quando o modo de conexão do caminho de transporte está no modo de conexão C1, um caminho de transporte no qual os caminhos de transporte P1 e P2 são sequenciais é formado, e quando o modo de conexão do caminho de transporte está no modo de conexão C2, um caminho de transporte no qual os caminhos de trans- porte P1 e P3 são sequenciais é formado.
[00034] Um eixo central CA da garra de comutação 12 é conectado ao solenoide 13, e a garra de comutação 12 pode ser rodada pelo sole- noide 13 em torno do eixo central CA. A garra de comutação 12 e o solenoide 13 são dispostos perto do ponto de ramificação do caminho de transporte PJ e o modo de conexão do caminho de transporte é al- ternado entre o modo de conexão C1 e o modo de conexão C2 devido à garra de comutação 12 ser girada pelo solenoide 13. A comutação do modo de conexão do caminho de transporte é realizada sob o controle da unidade de controle 17.
[00035] As figuras 2 e 3 são diagramas que ilustram um exemplo de um modo de conexão do caminho de transporte de acordo com a pri- meira modalidade. A figura 2 ilustra um caso em que o modo de conexão do caminho de transporte está no modo de conexão C1 e a figura 3 ilustra um caso em que o modo de conexão do caminho de transporte está no modo de conexão C2.
[00036] Conforme ilustrado na figura 2, quando uma corrente I1 flui no solenoide 13, a garra de comutação 12 gira para a esquerda (sentido anti-horário) em torno do eixo central CA e a borda mais à esquerda da garra de comutação 12 faz contato com o ponto de ramificação do ca- minho de transporte PJ, e assim o modo de conexão do caminho de transporte entra no modo de conexão C1.
[00037] Quando o modo de conexão do caminho de transporte está no modo de conexão C1, uma nota BL que é inserida na porta de acesso 11 passa através do caminho de transporte P2, é dobrada para trás na direção oposta ao longo de um lado esquerdo da garra de comutação 12, é transportada em direção ao dispositivo de inspeção de notas 14 por meio do caminho de transporte P1 e é inspecionada pelo dispositi vo de inspeção de notas 14. A nota BL inspecionada avança ainda mais ao longo do caminho de transporte P1 e é temporariamente armazenada na parte de retenção temporária 15.
[00038] Quando a denominação não pode ser discriminada ou o nú- mero de série não pode ser reconhecido pelo dispositivo de inspeção de notas 14 e o resultado da inspeção é "NG", o modo de conexão do caminho de transporte é mantido no modo de conexão C1 e a nota BL,
que está sendo temporariamente armazenada na parte de retenção temporária 15, é descarregada da parte de retenção temporária 15, passa ao longo do caminho de transporte P1 e é dobrada para trás, no ponto de ramificação do caminho de transporte PJ, na direção oposta ao longo do lado esquerdo da garra de comutação 12 e retornada à porta de acesso 11 através do caminho de transporte P2.
[00039] Quando a denominação foi discriminada e o número de sé- rie foi reconhecido pelo dispositivo de inspeção de notas 14 e o resul- tado da inspeção é "OK", uma corrente I2 na direção oposta à corrente I1 flui no solenoide 13 e a garra de comutação 12 gira para a direita (sentido horário) em torno do eixo central CA de modo que a borda mais à esquerda da garra de comutação 12 seja separada do ponto de rami- ficação do caminho de transporte PJ, como ilustrado na figura 3 e, as- sim, o modo de conexão do caminho de transporte entra no modo de conexão C2.
[00040] Quando o modo de conexão do caminho de transporte está no modo de conexão C2, a nota BL, que foi temporariamente armaze- nada na parte de retenção temporária 15, é descarregada da parte de retenção temporária 15, passa ao longo do caminho de transporte P1, passa através do ponto de ramificação do caminho de transporte PJ de modo a entrar no caminho de transporte P3 e avança ao longo do cami- nho de transporte P3 antes de ser armazenada em qualquer um dos empilhadores 16-1, 16-2 e 16-3 de acordo com a denominação discrimi- nada. Por exemplo, uma nota de dez mil ienes é armazenada no empi- lhador 16-1, uma nota de cinco mil ienes é armazenada no empilhador 16-2 e uma nota de mil ienes é armazenada no empilhador 16-3. Configuração do dispositivo de inspeção de notas
[00041] A figura 4 é um diagrama que ilustra um exemplo de configu- ração de um dispositivo de inspeção de notas de acordo com a primeira modalidade. Na figura 4, o dispositivo de inspeção de notas 14 tem uma unidade de fotografia de notas 21, uma unidade de discriminação de denominação 22, uma unidade de reconhecimento do número de série 24 e uma unidade de armazenamento 23.
[00042] A unidade de fotografia de notas 21 fotografa a nota BL, que foi transportada para o dispositivo de inspeção de notas 14 e libera uma imagem da nota BL fotografada (às vezes referida como "imagem de nota" abaixo) BLP para a unidade de reconhecimento do número de sé- rie 24.
[00043] A unidade de discriminação de denominação 22 discrimina a denominação da nota BL transportada para o dispositivo de inspeção de notas 14 e libera informações indicando a denominação discriminada (às vezes referida abaixo como "informação de denominação") para a unidade de reconhecimento do número de série 24. A unidade de dis- criminação de denominação 22 discrimina a denominação com base nos comprimentos horizontal e vertical da nota BL e o padrão na face da nota, e assim por diante, por exemplo.
[00044] A unidade de armazenamento 23 armazena um modelo de aprendizagem gerado usando uma rede neural convolucional (CNN).
[00045] A unidade de reconhecimento do número de série 24 usa a informação de denominação inserida a partir da unidade de discrimina- ção de denominação 22 e o modelo de aprendizagem armazenado na unidade de armazenamento 23 para reconhecer o número de série da nota BL com base na imagem da nota BLP inserida pela unidade de fotografia de nota 21 e produz um resultado de reconhecimento. Processamento e operação da unidade de reconhecimento do número de série
[00046] A figura 5 é um fluxograma usado para ilustrar um exemplo de processamento de uma unidade de reconhecimento do número de série de acordo com a primeira modalidade, e as figuras 6 a 23 são diagramas usados para ilustrar um exemplo de operação da unidade de reconhecimento do número de série de acordo com a primeira modali- dade.
[00047] Na figura 5, na Etapa S201, a unidade de reconhecimento do número de série 24 extrai, da imagem da nota BLP, uma imagem (às vezes também chamada de "imagem da região da presença do número de série" abaixo) SNP1 ou uma imagem da região da presença do nú- mero de série SNP2 de uma região na qual um número de série está presente (às vezes chamada de "região da presença do número de sé- rie" abaixo) na imagem da nota BLP, como ilustrado na figura 6.
[00048] Um número de série é representado pela disposição de ca- racteres numéricos e caracteres alfabéticos em uma direção lateral e, portanto, a região da presença do número de série é uma região retan- gular longa horizontalmente. Além disso, as notas do Banco do Japão, por exemplo, têm um número de série que é impresso em um ponto no canto inferior direito da nota BL ao visualizar a nota BL em uma orienta- ção tipo paisagem. Assim, quando a nota BL é uma nota do Banco do Japão, a unidade de reconhecimento do número de série 24 extrai a imagem da região da presença do número de série SNP1, que tem uma forma retangular longa horizontalmente, de um ponto na parte inferior direita da imagem da nota BLP, conforme ilustrado na figura 6. Por exemplo, em um caso em que o canto superior esquerdo da imagem da nota BLP é a origem 0 (zero) e onde o eixo horizontal é X e o eixo vertical é Y, o canto superior esquerdo da região da presença do número de série é representado pelas coordenadas (x1, y1), e o canto inferior di- reito da região da presença do número de série é representado pelas coordenadas (x2, y2). Portanto, quando a nota BL é uma nota do Banco do Japão, a unidade de reconhecimento do número de série 24 extrai, a partir da imagem da nota BLP, uma imagem da região retangular es- pecificada pelas coordenadas (x1, y1) e coordenadas (x2, y2) como uma imagem da região da presença do número de série SNP1.
[00049] Além disso, no caso de uma nota de um país estrangeiro es- pecífico, quando a nota BL é vista em uma orientação tipo paisagem, o número de série é às vezes impresso em uma direção lateral ao longo da borda direita da nota BL, como ilustrado na figura 6. Assim, quando a nota BL é uma nota de um país estrangeiro específico, a unidade de reconhecimento do número de série 24 extrai, de um ponto no lado di- reito da imagem da nota BLP, uma imagem da região da presença do número de série SNP2 que tem uma forma retangular verticalmente longa, conforme ilustrado na figura 6.
[00050] As imagens da região da presença do número de série SNP1 e SNP2 são algumas vezes chamadas coletivamente de "imagens da região da presença do número de série SNP" abaixo.
[00051] Aqui, como ilustrado na figura 7, quando o número de série da nota BL é formado usando seis caracteres l1 a l6, em uma região da presença do número de série SR, os caracteres l1 a l6 são arranjados em regiões de um tamanho prescrito (às vezes chamadas de "regiões de tamanho prescrito" a seguir) RR1 a RR6, respectivamente, cujos comprimentos horizontal e vertical são denotados L1 e L2. As regiões de tamanho prescrito RR1 a RR6 são todas do mesmo tamanho, e as regiões de tamanho prescrito RR1 a RR6 são posicionadas em interva- los iguais L3 uma da outra. As regiões de tamanho prescrito RR1 a RR6 são algumas vezes referidas coletivamente como "as regiões de tama- nho prescrito RR " abaixo.
[00052] Voltando à figura 5, em seguida, na Etapa S203, a unidade de reconhecimento do número de série 24 corrige a orientação da ima- gem da região da presença do número de série girando a imagem da região da presença do número de série em 90° quando a imagem da região da presença do número de série é uma imagem com uma forma retangular verticalmente longa, como a imagem da região da presença do número de série SNP2 da figura 6. Devido a esta correção, a imagem da região da presença do número de série SNP2 com uma forma retan- gular verticalmente longa é corrigida para uma imagem da região da presença do número de série que tem uma forma retangular horizontal- mente longa como a imagem da região da presença do número de série SNP1.
[00053] Depois disso, na Etapa S205, a unidade de reconhecimento do número de série 24 realiza o primeiro processamento de binarização na imagem da região da presença do número de série SNP.
[00054] Por exemplo, conforme ilustrado na figura 8, a imagem da região da presença do número de série SNP é formada por 54 pixels, ou seja, os pixels (x, y) = pixel (1,1) ao pixel (6,9), e assumindo que os pixels têm valores na escala de cinza que são os valores ilustrados na figura 8, a unidade de reconhecimento do número de série 24 realiza o primeiro processamento de binarização de acordo com o exemplo de processamento de binarização 1 ou o exemplo de processamento de binarização 2 abaixo. Primeiro exemplo de processamento de binarização 1 (figura 9)
[00055] A unidade de reconhecimento do número de série 24 bina- riza a imagem da região da presença do número de série SNP usando um valor de limite de binarização fixo TH1. Assim, quando o valor de limite de binarização TH1 é "210", por exemplo, a unidade de reconhe- cimento do número de série 24 binariza a imagem da região da pre- sença do número de série SNP alterando os valores da escala de cinza dos pixels com um valor da escala de cinza igual ou superior a 210 na figura 8 para "255" e alterando os valores da escala de cinza dos pixels com um valor da escala de cinza inferior a 210 na figura 8 para "0", conforme ilustrado na figura 9.
[00056] A unidade de reconhecimento do número de série 24 tam- bém pode definir um valor de limite de binarização TH1 que tem um valor correspondente à denominação indicada pela informação de de- nominação liberada a partir da unidade de discriminação de denomina- ção 22. Primeiro exemplo de processamento de binarização 2 (figuras 10, 11)
[00057] Em primeiro lugar, conforme ilustrado na figura 10, a unidade de reconhecimento do número de série 24 configura uma primeira por- ção PT1 e uma segunda porção PT2 entre a pluralidade de pixels con- tidos na imagem da região da presença do número de série SNP. De- pois disso, entre os 54 pixels, a saber, pixel (1, 1) a pixel (6, 9), a unidade de reconhecimento do número de série 24 calcula um valor médio para os valores da escala de cinza da primeira porção PT1 em cada coluna e define o valor calculado médio como um valor de limite de binarização TH2 para colunas que são tomadas como o objeto do cálculo do valor médio. Assim, por exemplo, o valor de limite de binarização TH2 da pri- meira à quarta colunas é calculado para ser (220 + 210 + 200) / 3 = 210, e o valor de limite de binarização TH2 da quinta e sexta colunas é cal- culado para ser (140 + 130 + 120) / 3 = 130. Assim, para cada coluna dos 54 pixels, a saber, pixel (1,1) a pixel (6,9), a unidade de reconheci- mento do número de série 24 usa a primeira porção PT1 para calcular o valor de limite de binarização TH2 de cada coluna. Assim, porque o valor de limite de binarização TH2 é "210" para a primeira à quarta co- lunas, a unidade de reconhecimento do número de série 24 binariza a imagem da região da presença do número de série SNP alterando os valores da escala de cinza dos pixels com um valor de escala de cinza igual ou maior que 210 na figura 10 para "255" e alterando os valores da escala de cinza dos pixels com um valor da escala de cinza inferior a 210 na figura 10 para “0”, conforme ilustrado na figura 11. Além disso, porque o valor de limite de binarização TH2 é “130” para a quinta e sexta colunas, a unidade de reconhecimento do número de série 24 binariza a imagem da região da presença do número de série SNP alterando os valores da escala de cinza dos pixels com um valor de escala de cinza igual ou maior que 130 na figura 10 para “255” e alterando os valores da escala de cinza dos pixels com um valor da escala de cinza inferior a 130 na figura 10 para “0”, conforme ilustrado na figura 11.
[00058] Os primeiros exemplos de processamento de binarização 1 e 2 foram descritos acima.
[00059] Voltando à figura 5, em seguida, na Etapa S207, a unidade de reconhecimento do número de série 24 detecta, na imagem da região da presença do número de série SNP, candidatos (às vezes chamados de “candidatos da região da presença de caracteres” abaixo) para uma região (às vezes chamada de “região da presença de caracteres” abaixo) CR em que uma imagem de caractere formando o número de série da nota BL (às vezes chamada de “imagem de caractere” abaixo) está presente. A unidade de reconhecimento do número de série 24 de- tecta os candidatos da região da presença de caractere usando “rastre- amento de limite”, que é o método típico para rastrear pixels de figura adjacentes ao fundo em uma imagem binarizada, por exemplo.
[00060] Em primeiro lugar, ao aplicar o rastreamento de limite a uma imagem da região da presença do número de série SNP que sofreu a primeira binarização, a unidade de reconhecimento do número de série 24 detecta um contorno (às vezes chamado de “contorno da imagem” abaixo) CO de uma imagem contida na imagem da região da presença do número de série SNP que sofreu a primeira binarização, como ilus- trado na figura 12. Em seguida, a unidade de reconhecimento do nú- mero de série 24 detecta, entre uma pluralidade de pixels (x, y) for- mando o contorno da imagem CO, um valor mínimo xmin para uma co- ordenada X, um valor mínimo ymin para uma coordenada Y, um valor máximo xmax para uma coordenada X e um valor máximo ymax para uma coordenada Y. Depois disso, a unidade de reconhecimento do nú-
mero de série 24 especifica, na imagem da região da presença do nú- mero de série SNP, uma coordenada C11 = (xmin, ymin), que tem um valor mínimo xmin e um valor mínimo ymin, e uma coordenada C12 = (xmax, ymax), que tem um valor máximo xmax e um valor máximo ymax. Em seguida, a unidade de reconhecimento do número de série 24 es- pecifica, na imagem da região da presença do número de série SNP, uma coordenada C21, que está a uma distância predeterminada da co- ordenada C11 (por exemplo, uma distância de três pixels em uma dire- ção -X e três pixels em uma direção -Y), e uma coordenada C22, que está a uma distância predeterminada da coordenada C12 (por exemplo, uma distância de três pixels em uma direção +X e três pixels em uma direção +Y). Além disso, a unidade de reconhecimento do número de série 24 detecta, como um candidato para a região da presença de ca- ractere CR, uma região retangular tendo um canto superior esquerdo na coordenada C21 e um canto inferior direito na coordenada C22. Na Etapa S207, a unidade de reconhecimento do número de série 24 de- tecta, como mencionado anteriormente, uma pluralidade de candidatos da região da presença de caractere na imagem da região da presença do número de série SNP.
[00061] Voltando à figura 5, a seguir, na Etapa S209, a unidade de reconhecimento do número de série 24 especifica as regiões da pre- sença de caracteres com base na pluralidade de candidatos da região da presença de caracteres detectados na Etapa S207. Os exemplos es- pecíficos 1 a 10 são fornecidos a seguir como exemplos específicos de regiões da presença de caracteres. Exemplo específico 1 de regiões da presença de caracteres (figura 13)
[00062] Conforme ilustrado na figura 13, a unidade de reconheci- mento do número de série 24 especifica uma região da presença de caractere na imagem da região da presença do número de série SNP,
excluindo, de entre a pluralidade de candidatos para a região da pre- sença de caractere detectada na Etapa S207, os candidatos para os quais o tamanho da região da presença de caractere CR é menor do que um tamanho predeterminado SZ1 que foi definido com base no ta- manho da região de tamanho prescrito RR. Por exemplo, o tamanho predeterminado SZ1 é definido como metade do tamanho da região de tamanho prescrito RR. Exemplo específico 2 de regiões de presença de caracteres (figura 14)
[00063] Conforme ilustrado na figura 14, a unidade de reconheci- mento do número de série 24 especifica uma região da presença de caractere na imagem da região da presença do número de série SNP, excluindo, de entre a pluralidade de candidatos para a região da pre- sença de caractere detectada na Etapa S207, os candidatos para os quais o tamanho da região da presença de caractere CR é igual ou maior do que um tamanho predeterminado SZ2 que foi definido com base no tamanho da região de tamanho prescrito RR. Por exemplo, o tamanho predeterminado SZ2 é definido como duas vezes o tamanho da região de tamanho prescrito RR. Exemplo específico 3 de regiões de presença de caracteres (figura 15)
[00064] Conforme ilustrado na figura 15, a unidade de reconheci- mento do número de série 24 especifica uma região da presença de caractere na imagem da região da presença do número de série SNP, excluindo, de entre a pluralidade de candidatos para a região da pre- sença de caractere detectada na Etapa S207, os candidatos para os quais a proporção de pixels pretos (isto é, pixels com um valor de escala de cinza de “0” devido à primeira binarização) em relação aos pixels brancos (isto é, pixels com um valor de escala de cinza de “255” devido à primeira binarização) na região da presença de caractere CR é igual a ou maior do que um valor predeterminado THR. O valor predetermi- nado THR é definido em 20%, por exemplo.
Exemplo específico 4 de regiões de presença de caracteres (figura 16)
[00065] Conforme ilustrado na figura 16, a unidade de reconheci- mento do número de série 24 especifica uma região da presença de caractere na imagem da região da presença do número de série SNP, excluindo, de entre a pluralidade de candidatos para a região da pre- sença de caractere detectada na Etapa S207, os candidatos para os quais a quantidade de pixels pretos distribuídos na região da presença de caracteres CR é igual ou maior do que um valor predeterminado THN. Para a quantidade de pixels pretos distribuídos na região da pre- sença de caractere CR, uma série de pixels pretos que se estendem em uma direção vertical, horizontal ou oblíqua é contada como uma uni- dade. A figura 16 ilustra, a título de exemplo, um caso em que a quanti- dade de pixels pretos distribuídos é “6”. Exemplo específico 5 de regiões de presença de caracteres (figura 17)
[00066] Conforme ilustrado na figura 17, a unidade de reconheci- mento do número de série 24 especifica uma região da presença de caractere na imagem da região da presença do número de série SNP, excluindo, de entre a pluralidade de candidatos para a região da pre- sença de caractere detectada na Etapa S207, os candidatos que estão a não mais do que uma distância predeterminada D de cada borda da imagem da região da presença do número de série SNP. Por exemplo, no exemplo ilustrado na figura 17, entre uma pluralidade de candidatos CR11 a CR17 para a região da presença de caracteres, o candidato CR11 está a não mais do que a distância predeterminada D da borda esquerda da imagem da região da presença do número de série SNP, o candidato CR13 está a não mais do que a distância predeterminada D da borda superior da imagem da região da presença do número de série SNP, o candidato CR16 está a não mais do que a distância prede- terminada D da borda inferior da imagem da região da presença do nú-
mero de série SNP e o candidato CR17 está a não mais do que a dis- tância predeterminada D da borda direita da imagem da região da pre- sença do número de série SNP. Portanto, no exemplo ilustrado na figura 17, os candidatos CR11, CR13, CR16 e CR17 são excluídos da plurali- dade de candidatos CR11 a CR17 para a região da presença de carac- teres e as regiões de presença de caracteres CR12, CR14 e CR15 são especificadas como regiões de presença de caracteres na imagem da região da presença do número de série SNP. Exemplo específico 6 de regiões de presença de caracteres (figura 18)
[00067] Conforme ilustrado na figura 18, a unidade de reconheci- mento do número de série 24 adquire as coordenadas X PX21, PX22 e PX23 no canto superior esquerdo de cada um da pluralidade de candi- datos CR21, CR22 e CR23 para a região da presença de caractere de- tectada na Etapa S207 e classifica as coordenadas X PX21, PX22 e PX23 em ordem crescente. Depois disso, a unidade de reconhecimento do número de série 24 calcula uma distância XD1 da coordenada X PX22 em relação à coordenada X PX21 como a distância do candidato CR22 em relação ao candidato CR21 e, em seguida, calcula uma dis- tância XD2 da coordenada X PX23 em relação à coordenada X PX22 como a distância do candidato CR23 em relação ao candidato CR22, de acordo com a ordem de classificação. Além disso, a unidade de reco- nhecimento do número de série 24 especifica regiões de presença de caracteres na imagem da região da presença do número de série SNP, excluindo os candidatos para os quais a distância calculada é igual ou maior do que um valor predeterminado THX. Por exemplo, na figura 18, quando a distância XD1 é menor que o valor predeterminado THX e a distância XD2 é igual ou maior que o valor predeterminado THX, o can- didato CR23 é excluído da pluralidade de candidatos CR21, CR22 e CR23 para a região da presença de caracteres e as regiões da presença de caracteres CR21 e CR22 são especificadas como regiões da pre- sença de caracteres na imagem da região da presença do número de série SNP. Exemplo específico 7 de regiões de presença de caracteres (figura 19)
[00068] Conforme ilustrado na figura 19, a unidade de reconheci- mento do número de série 24 adquire as coordenadas Y PY31, PY32 e PY33 no canto superior esquerdo de cada um da pluralidade de candi- datos CR31, CR32 e CR33 para a região da presença de caracteres detectada na Etapa S207 e classifica as coordenadas Y PY31, PY32 e PY33 em ordem crescente. Depois disso, a unidade de reconhecimento do número de série 24 calcula uma distância YD1 da coordenada Y PY32 em relação à coordenada Y PY31 como a distância do candidato CR32 em relação ao candidato CR31 e, em seguida, calcula uma dis- tância YD2 da coordenada Y PY33 em relação à coordenada Y PY32 como a distância do candidato CR33 em relação ao candidato CR32, de acordo com a ordem de classificação. Além disso, a unidade de reco- nhecimento do número de série 24 especifica regiões de presença de caractere na imagem da região da presença do número de série SNP, excluindo os candidatos para os quais a distância calculada é igual ou maior do que um valor predeterminado THY. Por exemplo, na figura 19, quando a distância YD1 é menor que o valor predeterminado THY e a distância YD2 é igual ou maior que o valor predeterminado THY, o can- didato CR33 é excluído da pluralidade de candidatos CR31, CR32 e CR33 para a região da presença de caracteres e as regiões da presença de caracteres CR31 e CR32 são especificadas como regiões de pre- sença de caracteres na imagem da região da presença do número de série SNP. Exemplo específico 8 de regiões de presença de caracteres (figura 20)
[00069] No exemplo ilustrado na figura 20, a unidade de reconheci- mento do número de série 24 adquire primeiro as coordenadas CP41 a
CP47 no canto superior esquerdo da pluralidade de candidatos CR41 a CR47, respectivamente, para a região da presença de caracteres. Pos- teriormente, a unidade de reconhecimento do número de série 24 cal- cula o valor médio das coordenadas CP41 a CP47 (às vezes chamado de “valor médio das coordenadas” abaixo). Em seguida, a unidade de reconhecimento do número de série 24 calcula a distância de Mahala- nobis entre a coordenada do canto superior esquerdo e o valor médio da coordenada para cada um dos candidatos CR41 a CR47. Além disso, a unidade de reconhecimento do número de série 24 especifica as regi- ões de presença de caracteres na imagem da região da presença do número de série SNP, excluindo os candidatos para os quais a distância de Mahalanobis calculada é igual ou maior do que um valor predetermi- nado THM. Por exemplo, na figura 20, quando a distância de Mahala- nobis para cada um dos candidatos CR41 a CR46 é menor do que o valor predeterminado THM, ainda que a distância de Mahalanobis do candidato CR47 seja igual ou maior do que o valor predeterminado THM, o candidato CR47 é excluído da pluralidade de candidatos CR41 a CR47 para a região da presença de caractere e as regiões de pre- sença de caractere CR41 a CR46 são especificadas como regiões de presença de caractere na imagem da região da presença do número de série SNP.
[00070] Aqui, os exemplos específicos anteriores 7, 8 e 9 (figuras 18, 19 e 20) compartilham um ponto de semelhança em que a unidade de reconhecimento do número de série 24 exclui candidatos para os quais a distância dos outros candidatos é igual a ou maior do que um valor predeterminado da pluralidade de candidatos para a região da presença de caracteres. Exemplo específico 9 de regiões de presença de caracteres (figura 21)
[00071] A unidade de reconhecimento do número de série 24 espe- cifica, de entre os candidatos para a região da presença de caractere detectada na Etapa S207, uma região da presença de caractere na ima- gem da região da presença do número de série SNP integrando dois contornos de imagem quando a distância mais curta entre os dois con- tornos de imagem na região da presença de caractere é menor do que um valor predeterminado THL. Por exemplo, no exemplo ilustrado na figura 21, quando, na região da presença de caracteres CR, uma dis- tância mais curta DMIN entre um contorno de imagem CO1 e um con- torno de imagem CO2 é menor do que um valor predeterminado THL, a unidade de reconhecimento do número de série 24 produz um contorno de imagem integrando o contorno de imagem CO1 com o contorno de imagem CO2 compensando um pixel PXA entre o contorno da imagem CO1 e o contorno da imagem CO2. Exemplo específico 10 de regiões de presença de caracteres (figura 22)
[00072] Quando a quantidade de candidatos para a região da pre- sença de caracteres detectada na Etapa S207 é menor do que a quan- tidade de caracteres que formam o número de série da nota BL, a uni- dade de reconhecimento do número de série 24 especifica as regiões de presença de caracteres na imagem da região da presença do número de série SNP adicionando uma nova região da presença de caracteres com base na quantidade de caracteres que formam o número de série da nota BL. Por exemplo, quando o número de série da nota BL é for- mado por seis caracteres, como ilustrado na figura 7, mas os candidatos para a região da presença de caracteres detectada na Etapa S207 são cinco candidatos, a saber, os candidatos CR51 a CR55 como ilustrado na figura 22, a quantidade de candidatos para a região da presença de caracteres é menor do que a quantidade de caracteres que formam o número de série da nota BL. Além disso, no exemplo ilustrado na figura 22, há uma diferença de um entre a quantidade (cinco) de candidatos para a região da presença de caracteres e a quantidade (seis) de carac- teres que formam o número de série da nota BL. Portanto, no exemplo ilustrado na figura 22, a unidade de reconhecimento do número de série 24 especifica uma região da presença de caractere na imagem da re- gião da presença do número de série SNP adicionando uma nova região da presença de caractere CR56 além dos candidatos CR51 a CR55. Por exemplo, a unidade de reconhecimento do número de série 24 adiciona a região da presença de caracteres CR56 em uma posição em um in- tervalo L3 (figura 7) do candidato CR55 que está na posição mais à di- reita entre os candidatos CR51 a CR55.
[00073] Os exemplos específicos 1 a 10 de regiões de presença de caracteres foram descritos acima. Ao aplicar qualquer um ou uma plu- ralidade dos exemplos 1 a 10 específicos anteriores à pluralidade de candidatos de região da presença de caractere detectados na Etapa S207, as regiões de presença de caractere especificadas na Etapa S209 são, cada uma, especificadas como uma região onde uma ima- gem de caractere está presente.
[00074] Voltando à figura 5, a seguir, na Etapa S211, a unidade de reconhecimento do número de série 24 define a quantidade de regiões de presença de caracteres especificadas na Etapa S209 (algumas ve- zes chamada de “contagem de região específica” abaixo) como “N”.
[00075] Depois disso, na Etapa S213, a unidade de reconhecimento do número de série 24 define o valor de um contador n como “n = 1”.
[00076] Ao tomar cada uma da pluralidade de regiões de presença de caracteres especificadas na Etapa S209 como um objeto de proces- samento, o processamento das Etapas S215 a S229 é realizado em or- dem, começando com a região da presença de caracteres mais à es- querda na imagem da região da presença do número de série SNP e movendo para a direita, conforme o contador n aumenta.
[00077] Na Etapa S215, a unidade de reconhecimento do número de série 24 define a região da presença de caractere CR especificada na Etapa S209 como a imagem da nota BLP e extrai uma imagem da região da presença de caractere CR (às vezes chamada de “imagem da região da presença de caractere” abaixo) da imagem da nota BLP. A imagem da região da presença do caractere inclui uma imagem do caractere.
[00078] Depois disso, na Etapa S217, a unidade de reconhecimento do número de série 24 realiza o segundo processamento de binarização na imagem da região da presença de caractere extraída na Etapa S215. No segundo processamento de binarização, a unidade de reconheci- mento do número de série 24 binariza a imagem da região da presença de caractere usando a “binarização de Otsu”, que é o método de binari- zação típico, por exemplo.
[00079] Em seguida, na Etapa S219, a unidade de reconhecimento do número de série 24 usa “rastreamento de limite”, que é o mesmo método usado na Etapa S207, por exemplo, para detectar uma imagem de caractere na imagem da região da presença de caractere que sofreu a segunda binarização e detecta “a quantidade de orifícios” incluída na imagem do caractere detectado (às vezes chamada de “contagem de orifícios” abaixo). Aqui, os caracteres propensos a formar o número de série da nota BL incluem quaisquer caracteres entre os dez caracteres numéricos 0 a 9 e os vinte e seis caracteres alfabéticos A a Z. Dentre esses 36 caracteres, não há orifícios entre os caracteres que são os caracteres numéricos 1, 2, 3, 5 e 7 ou os caracteres alfabéticos C, E, F, G, H, I, J, K, L, M, N, S, T, U, V, W, X, Y, Z, um orifício em cada um dos caracteres que são os caracteres numéricos 0, 4, 6, e 9 e os caracteres alfabéticos A, D, O, P e R, e dois orifícios em cada um dos caracteres que são o caractere numérico 8 e os caracteres alfabéticos B e Q.
[00080] Em seguida, na Etapa S221, a unidade de reconhecimento do número de série 24 usa um valor de limite de binarização THO, que é calculado ao realizar a binarização de Otsu na Etapa S217, para cor- rigir o contraste da imagem da região da presença de caractere antes da segunda binarização. Conforme ilustrado na figura 23, a unidade de reconhecimento do número de série 24 determina primeiro um histo- grama HG1 para toda a imagem da região da presença de caracteres.
Em seguida, a unidade de reconhecimento do número de série 24 define o valor de limite de binarização THO para o histograma HG1. Além disso, a unidade de reconhecimento do número de série 24 detecta o valor mínimo MI dos valores da escala de cinza no histograma HG1. Além disso, a unidade de reconhecimento do número de série 24 altera os valores da escala de cinza de pixels com um valor de escala de cinza igual ou maior do que o valor de limite de binarização THO entre todos os pixels que formam a imagem da região da presença de caractere para “255”. Além disso, a unidade de reconhecimento do número de sé- rie 24 corrige o contraste da imagem da região da presença de caractere corrigindo, com base no valor mínimo MI e no valor de limite de binari- zação THO, os valores da escala de cinza dos pixels, entre todos os pixels que formam a imagem da região da presença de caractere, que têm valores de escala de cinza entre o valor mínimo MI e o valor de limite de binarização THO (algumas vezes chamado de “pixels de inte- resse” abaixo). Por exemplo, conforme ilustrado na figura 23, a unidade de reconhecimento do número de série 24 corrige os valores da escala de cinza dos pixels de interesse alterando o histograma HG1 para o histograma HG2 de modo que o valor mínimo MI seja o valor da escala de cinza “0” e o valor de limite de binarização THO seja o valor da escala de cinza “255”. Assim, por exemplo, os valores da escala de cinza dos pixels de interesse que têm um valor da escala de cinza que é o valor mínimo MI são corrigidos para “0”, e os valores da escala de cinza dos pixels de interesse que têm um valor da escala de cinza que é o valor de limite de binarização THO são corrigidos para “255”. Essa correção de contraste permite um aumento na proporção dos valores da escala de cinza da porção do caractere, que representa o objeto de reconheci-
mento, para os valores da escala de cinza da porção do fundo que re- presenta o ruído na imagem da região da presença de caractere, me- lhorando o contraste da imagem da região da presença de caractere. Consequentemente, no momento do reconhecimento de caracteres nas seguintes etapas S225 e S227, a precisão do reconhecimento de carac- teres pode ser melhorada porque o efeito da porção de fundo que cons- titui o ruído pode ser reduzido ao mínimo.
[00081] Voltando à figura 5, a seguir, na Etapa S223, a unidade de reconhecimento do número de série 24 determina se a contagem de orifícios detectada na Etapa S219 é um ou maior, isto é, se a imagem do caractere tem orifícios. Quando há orifícios na imagem do caractere (Etapa S223: Sim), o processamento avança para a Etapa S225, e quando não há orifícios na imagem do caractere (Etapa S223: Não), o processamento avança para a Etapa S227.
[00082] Aqui, a unidade de armazenamento 23 armazena um pri- meiro modelo de aprendizagem e um segundo modelo de aprendiza- gem. O primeiro modelo de aprendizagem é um modelo de aprendiza- gem que é gerado usando um CNN tomando, como dados de treina- mento, apenas imagens dos caracteres 0, 4, 6, 8, 9, A, D, O, P, R, B e Q com orifícios, entre os caracteres 0 a 9 e A a Z, que provavelmente serão utilizados para o número de série da nota BL, e ao mesmo tempo desconsiderando, como dados de treinamento, as imagens dos carac- teres 1, 2, 3, 5, 7, C, E, F, G, H, I, J, K, L, M, N, S, T, U, V, W, X, Y e Z sem orifícios. Enquanto isso, o segundo modelo de aprendizagem é um modelo de aprendizagem que é gerado usando um CNN tomando, como dados de treinamento, apenas imagens dos caracteres 1, 2, 3, 5, 7, C, E, F, G, H, I, J, K, L, M, N, S, T, U, V, W, X, Y e Z sem orifícios, entre os caracteres 0 a 9 e A a Z, que provavelmente serão usados para o nú- mero de série da nota BL, e ao mesmo tempo desconsiderando, como dados de treinamento, as imagens dos caracteres 0, 4, 6, 8, 9, A, D, O,
P, R, B e Q com orifícios.
[00083] Portanto, quando a determinação da Etapa S223 é “Sim”, a unidade de reconhecimento do número de série 24 usa o primeiro mo- delo de aprendizagem para realizar, na Etapa S225, o reconhecimento de caracteres usando um CNN na imagem da região da presença de caracteres com correção de contraste. Por outro lado, quando a deter- minação da Etapa S223 é “Não”, a unidade de reconhecimento do nú- mero de série 24 usa o segundo modelo de aprendizagem para realizar, na Etapa S227, o reconhecimento de caracteres usando um CNN na imagem da região da presença de caracteres com correção de con- traste. Como resultado do processamento das Etapas S225 e S227, a unidade de reconhecimento do número de série 24 adquire caracteres reconhecidos através do reconhecimento de caracteres e pontuações para os caracteres. Após o processamento da Etapa S225 ou Etapa S227, o processamento avança para a Etapa S229.
[00084] Na Etapa S229, a unidade de reconhecimento do número de série 24 especifica os caracteres contidos na imagem da região da pre- sença de caracteres. Por exemplo, é assumido um caso em que, no processamento da Etapa S225 ou Etapa S227, nove caracteres, a saber 0 a 9, são reconhecidos e uma pontuação de 0,9765 é atribuída a “0”, uma pontuação de 0,005 é atribuída a “1”, uma pontuação de 0,004 é atribuída a “2”, uma pontuação de 0,003 é atribuída a “3”, uma pontua- ção de 0,03 é atribuída a “4”, uma pontuação de 0,04 é atribuída a “5”, uma pontuação de 0,865 é atribuída a “6”, uma pontuação de 0,06 é atribuída a “7”, uma pontuação de 0,05 é atribuída a “8” e uma pontua- ção de 0,654 é atribuída a “9”. Neste caso, a unidade de reconhecimento do número de série 24 especifica “0”, que tem a maior pontuação, como um caractere que está contido na imagem da região da presença de caractere.
[00085] Aqui, a unidade de reconhecimento do número de série 24 pode determinar que o caractere contido na imagem da região da pre- sença de caractere é desconhecido em um caso onde o valor absoluto da diferença na pontuação entre o caractere com a maior pontuação e o caractere com a segunda maior pontuação é menor do que um valor predeterminado THS. Por exemplo, quando o valor limite THS é definido em 0,15, no exemplo anterior, a pontuação atribuída ao caractere “0” com a maior pontuação é 0,9765 e a pontuação atribuída ao caractere “6” com a segunda maior pontuação é 0,865, e assim, o valor absoluto da diferença entre as pontuações é 0,1115, que é menor do que o valor limite THS e, portanto, a unidade de reconhecimento do número de série 24 determina que o caractere contido na imagem da região da presença de caractere é desconhecido.
[00086] Além disso, por exemplo, a unidade de reconhecimento do número de série 24 pode determinar que o caractere contido na imagem da região da presença de caractere é desconhecido em um caso em que a quantidade de orifícios presentes no caractere com a maior pon- tuação não corresponde à contagem de orifício detectada na Etapa S219.
[00087] A unidade de reconhecimento do número de série 24 tam- bém pode, por exemplo, detectar a circunferência da imagem do carac- tere usando traçado de limite, normalizar a circunferência detectada de acordo com a equação (1), e quando o caractere com a maior pontuação não está presente no grupo de caracteres correspondente à circunfe- rência normalizada P, determinar que o caractere contido na imagem da região da presença de caractere é desconhecido. Na equação (1), “D” denota a circunferência da imagem do caractere detectada usando o traçado de limite, “W” denota a largura da imagem do caractere e “H” denota a altura da imagem do caractere. Circunferência normalizada P = D / SQRT (W × H)... (1)
[00088] Em seguida, na etapa S231, a unidade de reconhecimento do número de série 24 determina se o valor do contador n atingiu uma contagem de região específica N. Quando o valor do contador n não atingiu a contagem de região específica N (Etapa S231: Não), o proces- samento avança para a Etapa S233, e quando o valor do contador n atingiu a contagem de região específica N (Etapa S231: Sim), o proces- samento avança para a Etapa S235.
[00089] Na Etapa S233, a unidade de reconhecimento do número de série 24 incrementa o valor do contador n. Após o processamento da Etapa S233, o processamento retorna para a Etapa S215.
[00090] Por outro lado, na etapa S235, a unidade de reconhecimento do número de série 24 libera um resultado de reconhecimento para um número de série formado a partir de uma pluralidade de caracteres. Por exemplo, quando o número de série da nota BL é formado a partir de seis caracteres l1 a l6, tal como ilustrado na figura 7, a unidade de reco- nhecimento do número de série 24 libera, como resultado do reconhe- cimento do número de série, seis caracteres especificados no proces- samento da Etapa S229 em sequência, à medida que o valor do conta- dor n aumenta de “1” para “6”. Por exemplo, a unidade de reconheci- mento do número de série 24 libera “BX3970” como o resultado do re- conhecimento.
[00091] No entanto, a unidade de reconhecimento do número de sé- rie 24 emite aqueles caracteres determinados como não claros, con- forme descrito anteriormente, substituindo-os por “?”. Por exemplo, quando é determinado que o “9” no número de série “BX3970” não está claro, a unidade de reconhecimento do número de série 24 libera “BX3?70” como o resultado do reconhecimento.
[00092] Conforme descrito anteriormente, na primeira modalidade, o dispositivo de inspeção de notas 14 tem uma unidade de armazena- mento 23 e uma unidade de reconhecimento do número de série 24. A unidade de armazenamento 23 armazena um primeiro modelo de aprendizagem gerado usando imagens de caracteres com orifícios como dados de treinamento e um segundo modelo de aprendizagem gerado usando imagens de caracteres sem orifícios como dados de trei- namento. A unidade de reconhecimento do número de série 24 usa o primeiro modelo de aprendizagem para reconhecer um caractere que forma o número de série da nota BL quando a imagem do caractere tem orifícios, mas usa o segundo modelo de aprendizagem para reconhecer um caractere que forma o número de série da nota BL quando a imagem do caractere não tem orifícios.
[00093] Como o reconhecimento de caracteres é realizado desta forma, usando os modelos de aprendizagem de acordo com as carac- terísticas dos caracteres que formam o número de série da nota BL, a precisão do reconhecimento do número de série pode ser melhorada.
[00094] Além disso, de acordo com a primeira modalidade, a unidade de reconhecimento do número de série 24 corrige o contraste da ima- gem da região da presença de caracteres e, com base na imagem da região da presença de caracteres com correção de contraste, usa o pri- meiro modelo de aprendizagem ou o segundo modelo de aprendizagem para reconhecer os caracteres que formam o número de série.
[00095] Assim, porque a proporção dos valores da escala de cinza das porções de caractere na imagem da região da presença de carac- tere para os valores da escala de cinza das porções de fundo nela é grande, a precisão do reconhecimento do número de série pode ser me- lhorada.
[00096] Além disso, de acordo com a primeira modalidade, a unidade de reconhecimento do número de série 24 usa a primeira binarização para binarizar uma imagem de nota e usa a imagem de nota binarizada para especificar uma região de presença de caractere na imagem da nota. Por outro lado, a unidade de reconhecimento do número de série 24 usa a segunda binarização para binarizar uma imagem da região da presença de caractere e usa a imagem da região da presença de carac- tere binarizada para detectar a quantidade de orifícios em uma imagem de caractere. Embora uma maior complexidade computacional esteja envolvida na binarização da segunda binarização, a mesma preferenci- almente tem uma maior precisão de binarização do que a primeira bina- rização. Por exemplo, a unidade de reconhecimento do número de série 24 usa a binarização ilustrada no exemplo de processamento 1 ou no exemplo de processamento 2 acima para a primeira binarização e usa a binarização de Otsu para a segunda binarização.
[00097] Por conseguinte, a primeira binarização de uma baixa com- plexidade computacional pode ser aplicada a uma imagem da nota for- mada a partir de uma grande quantidade de pixels, e a segunda binari- zação altamente precisa pode ser aplicada a uma imagem da região da presença de caractere formada a partir de menos pixels do que a ima- gem da nota, e, portanto, em geral, uma binarização que suprime a com- plexidade computacional enquanto satisfaz o nível de precisão neces- sário pode ser realizada.
[00098] Além disso, de acordo com a primeira modalidade, a unidade de reconhecimento do número de série 24 detecta uma pluralidade de candidatos para a região da presença de caracteres na imagem de nota BLP e especifica a região da presença de caracteres com base na plu- ralidade de candidatos detectados. Por exemplo, a unidade de reconhe- cimento do número de série 24 especifica a região da presença de ca- racteres de acordo com qualquer um ou uma pluralidade dos exemplos específicos anteriores 1 a 10.
[00099] Assim, a precisão com a qual uma região de presença de caracteres é especificada pode ser melhorada.
SEGUNDA MODALIDADE Configurações de hardware do dispositivo de inspeção de notas
[000100] O dispositivo de inspeção de notas 14 pode ser realizado por meio das seguintes configurações de hardware. A unidade de fotografia de notas 21 é realizada por uma câmera, por exemplo. A unidade de discriminação de denominação 22 é realizada por vários sensores, como um sensor ótico e um sensor magnético, por exemplo. A unidade de reconhecimento do número de série 24 é realizada por um proces- sador, por exemplo. A unidade de armazenamento 23 é realizada por memória, por exemplo. Os exemplos possíveis de um processador in- cluem uma unidade de processamento central (CPU), um processador de sinal digital (DSP) e uma matriz de portas programáveis em campo (FPGA). Os exemplos possíveis de memória incluem memória de acesso aleatório (RAM), como memória de acesso aleatório dinâmica síncrona (SDRAM), memória somente leitura (ROM) e memória flash.
[000101] Além disso, o respectivo processamento na descrição ante- rior pela unidade de reconhecimento do número de série 24 pode ser implementado fazendo com que um processador execute programas correspondentes ao respectivo processamento. Por exemplo, os progra- mas correspondentes ao respectivo processamento na descrição ante- rior pela unidade de reconhecimento do número de série 24 podem ser armazenados na memória do dispositivo de manuseio de notas 1 e os programas podem ser lidos e executados pelo processador do disposi- tivo de manuseio de notas 1. Além disso, os programas podem ser ar- mazenados em um servidor de programa, que é conectado ao disposi- tivo de manuseio de notas 1 por meio de uma rede opcional, e baixados para o dispositivo de manuseio de notas 1 do servidor de programa e executados, ou podem ser armazenados em uma mídia de gravação que pode ser lida pelo dispositivo de manuseio de notas 1 e lidos a partir da mídia de gravação e executados. A mídia de gravação que pode ser lida pelo dispositivo de manuseio de notas 1 inclui, por exemplo, mídia de armazenamento portátil, como um cartão de memória, memória USB, um cartão SD, um disco flexível, um disco magneto-ótico, um CD-ROM,
um DVD e um disco Blu-ray (marca registrada). Além disso, os progra- mas são métodos de processamento de dados descritos usando uma linguagem opcional ou um método descritivo opcional e estão em um formato de código-fonte e agnóstico de código binário.
Além disso, os programas não são necessariamente limitados a serem constituídos como unidades únicas e podem incluir programas que são configurados distribuídos como uma pluralidade de módulos ou uma pluralidade de bibliotecas e programas que colaboram com outro programa represen- tado por um sistema operacional (OS) de modo a cumprir as suas fun- ções.
Explicação da Referência 1 DISPOSITIVO DE MANUSEIO DE NOTAS 14 DISPOSITIVO DE INSPEÇÃO DE NOTAS 21 UNIDADE DE FOTOGRAFIA DE NOTAS 22 UNIDADE DE DISCRIMINAÇÃO DE DENOMINAÇÃO 23 UNIDADE DE ARMAZENAMENTO 24 UNIDADE DE RECONHECIMENTO DO NÚMERO DE SÉRIE
Claims (15)
1. Dispositivo de inspeção de notas, caracterizado pelo fato de que compreende: uma unidade de armazenamento que armazena um primeiro modelo de aprendizagem gerado usando uma imagem de um caractere com um orifício como dados de treinamento, e um segundo modelo de aprendizagem gerado usando uma imagem de um caractere sem um orifício como dados de treinamento; e uma unidade de reconhecimento que reconhece um carac- tere de número de série que é um caractere formando um número de série de uma nota ao usar o primeiro modelo de aprendizagem quando uma imagem de caractere, que é uma imagem do caractere de número de série, tem um orifício, e reconhece o caractere de número de série ao usar o segundo modelo de aprendizagem quando a imagem de ca- ractere não tem um orifício.
2. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 1, caracterizado pelo fato de que a unidade de reconheci- mento corrige contraste de uma imagem de região, que é uma imagem de uma região na qual a imagem de caractere está presente, e, com base na imagem de região com contraste corrigido, usa o primeiro mo- delo de aprendizagem ou o segundo modelo de aprendizagem para re- conhecer o caractere de número de série.
3. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 1, caracterizado pelo fato de que a unidade de reconheci- mento usa primeira binarização para binarizar uma imagem de nota, que é uma imagem da nota, e usa a imagem de nota binarizada para espe- cificar uma região de presença, que é uma região onde a imagem de caractere está presente na imagem de nota, usa segunda binarização diferente da primeira binarização para binarizar uma imagem de região, que é uma imagem da região de presença, e usa a imagem de região binarizada para inspecionar a quantidade de orifícios na imagem de ca- ractere.
4. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 3, caracterizado pelo fato de que a imagem de nota inclui uma pluralidade de pixels, e na primeira binarização, a unidade de reconhecimento confi- gura uma primeira porção e uma segunda porção entre a pluralidade de pixels, usa o pixel da primeira porção para calcular um valor de limite para a primeira binarização, e binariza o pixel da segunda porção de acordo com o valor de limite calculado.
5. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 3, caracterizado pelo fato de que a unidade de reconheci- mento usa binarização de Otsu para a segunda binarização.
6. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 1, caracterizado pelo fato de que a unidade de reconheci- mento detecta uma pluralidade de candidatos para uma região de pre- sença, que é uma região onde a imagem de caractere está presente em uma imagem de nota que é uma imagem da nota, e especifica a região de presença com base na pluralidade de candidatos detectada.
7. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato para o qual o tamanho da região de presença é menor do que um tamanho predeter- minado.
8. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato para o qual o tamanho da região de presença é igual a ou maior do que um tamanho predeterminado.
9. Dispositivo de inspeção de notas, de acordo com a reivin- dicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato para o qual a proporção de pixels pretos em relação a pixels brancos na região de presença é igual a ou maior do que um valor predeterminado.
10. Dispositivo de inspeção de notas, de acordo com a rei- vindicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato para o qual a quantidade de pixels pretos distribuídos na região de presença é igual a ou maior do que um valor predeterminado.
11. Dispositivo de inspeção de notas, de acordo com a rei- vindicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato que está den- tro de uma distância predeterminada a partir de bordas de uma região retangular na qual uma pluralidade sucessiva de imagens de caractere está presente.
12. Dispositivo de inspeção de notas, de acordo com a rei- vindicação 6, caracterizado pelo fato de que a unidade de reconheci- mento exclui, da pluralidade de candidatos, um candidato para o qual uma distância a partir dos outros candidatos é igual a ou maior do que um valor predeterminado.
13. Dispositivo de inspeção de notas, de acordo com a rei- vindicação 6, caracterizado pelo fato de que, para cada candidato da pluralidade de candidatos, quando uma distância mais curta entre dois contornos na região de presença é menor do que um valor predetermi- nado, a unidade de reconhecimento integra os dois contornos.
14. Dispositivo de inspeção de notas, de acordo com a rei- vindicação 6, caracterizado pelo fato de que, quando a quantidade da pluralidade de candidatos é menor do que a quantidade do número de série da nota, a unidade de reconhecimento adiciona um novo candidato para a região de presença à pluralidade de candidatos com base na quantidade do número de série.
15. Método de inspeção de notas, caracterizado pelo fato de que compreende: reconhecer um caractere de número de série que é um ca- ractere formando um número de série de uma nota ao usar um primeiro modelo de aprendizagem quando uma imagem de caractere, que é uma imagem do caractere de número de série, tem um orifício; e reconhecer o caractere de número de série ao usar um se- gundo modelo de aprendizagem quando a imagem de caractere não tem um orifício, o primeiro modelo de aprendizagem sendo gerado usando uma imagem de um caractere com um orifício como dados de treina- mento, o segundo modelo de aprendizagem sendo gerado usando uma imagem de um caractere sem um orifício como dados de treinamento.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2018/039565 WO2020084720A1 (ja) | 2018-10-24 | 2018-10-24 | 紙幣検査装置、紙幣検査方法及び紙幣検査プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021005549A2 true BR112021005549A2 (pt) | 2021-06-29 |
Family
ID=70331965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021005549-5A BR112021005549A2 (pt) | 2018-10-24 | 2018-10-24 | dispositivo de inspeção de notas, método de fiscalização de notas e programa de inspeção de notas |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11423728B2 (pt) |
| JP (1) | JP6976455B2 (pt) |
| CN (1) | CN112840383B (pt) |
| BR (1) | BR112021005549A2 (pt) |
| CA (1) | CA3115746C (pt) |
| MX (1) | MX2021004385A (pt) |
| WO (1) | WO2020084720A1 (pt) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116057582A (zh) * | 2020-08-31 | 2023-05-02 | 富士通先端科技株式会社 | 序列号识别参数确定装置、序列号识别参数确定程序及纸张处理系统 |
| CN117237966B (zh) * | 2023-11-13 | 2024-01-30 | 恒银金融科技股份有限公司 | 基于面额数字字符内轮廓的纸币识别方法和装置 |
Family Cites Families (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1531312A (en) * | 1975-05-13 | 1978-11-08 | Glory Kogyo Kk | Note discriminating apparatus |
| JPH0554195A (ja) * | 1991-08-29 | 1993-03-05 | Matsushita Electric Ind Co Ltd | 文字認識装置 |
| JP3351639B2 (ja) * | 1993-10-18 | 2002-12-03 | グローリー工業株式会社 | ランダムマスク方式による紙葉類のニューロ識別／正損分離装置 |
| JPH07160830A (ja) * | 1993-12-03 | 1995-06-23 | Hitachi Eng Co Ltd | ニューロを用いた文字認識装置 |
| JPH08272909A (ja) * | 1995-03-29 | 1996-10-18 | Seiko Epson Corp | 文字認識方法および文字認識装置 |
| JPH08329195A (ja) * | 1995-05-31 | 1996-12-13 | Sanyo Electric Co Ltd | ニューラルネットワークを用いる文字認識装置 |
| JPH10275197A (ja) * | 1997-03-28 | 1998-10-13 | Omron Corp | 文字列抽出装置及び文字列抽出プログラムを記録した機械読み取り可能な記録媒体 |
| GB2366651A (en) * | 2000-09-08 | 2002-03-13 | Ncr Int Inc | Evaluation system |
| JP4617011B2 (ja) * | 2001-03-13 | 2011-01-19 | 株式会社湯山製作所 | 薬剤収容取出し装置 |
| JP2006223589A (ja) * | 2005-02-17 | 2006-08-31 | Sega Corp | ゲーム筐体 |
| KR100719608B1 (ko) * | 2005-07-21 | 2007-05-17 | 주식회사 씨텍 | 지폐 일련번호 인식 방법 및 장치 |
| JP4682730B2 (ja) * | 2005-07-25 | 2011-05-11 | 沖電気工業株式会社 | 自動取引装置 |
| US7724957B2 (en) | 2006-07-31 | 2010-05-25 | Microsoft Corporation | Two tiered text recognition |
| JP5199619B2 (ja) * | 2007-08-07 | 2013-05-15 | マミヤ・オーピー・ネクオス株式会社 | 紙葉類識別機の異常紙葉類早期検出方法および紙葉類識別機 |
| US8457390B1 (en) * | 2008-10-10 | 2013-06-04 | Cognex Corporation | Method and apparatus for training a probe model based machine vision system |
| JP5601279B2 (ja) * | 2011-05-24 | 2014-10-08 | 住友金属鉱山株式会社 | 数字用テンプレート、数字認識装置及び数字認識方法 |
| CN102867180A (zh) | 2011-07-08 | 2013-01-09 | 富士通株式会社 | 灰度字符图像归一化装置和灰度字符图像归一化方法 |
| CN102270192A (zh) * | 2011-07-27 | 2011-12-07 | 浙江工业大学 | 一种基于svm主动学习的多标签分类控制方法 |
| CN102385769A (zh) * | 2011-11-12 | 2012-03-21 | 温州泓鼎商用机器有限公司 | 一种利用光敏元件检测识别残损纸币的光学装置 |
| US9219886B2 (en) * | 2012-12-17 | 2015-12-22 | Emerson Electric Co. | Method and apparatus for analyzing image data generated during underground boring or inspection activities |
| CN103390160A (zh) * | 2013-07-24 | 2013-11-13 | 佳都新太科技股份有限公司 | 一种基于连通域和模板的车牌字符切分算法 |
| TWI497062B (zh) * | 2013-12-05 | 2015-08-21 | Inventec Corp | 中央處理器腳座的光學檢測系統及其方法 |
| WO2015163941A1 (en) * | 2014-04-24 | 2015-10-29 | Giesecke & Devrient America, Inc. | Systems, methods, and computer-readable media for sheet material processing and verification |
| TWI550440B (zh) * | 2014-12-09 | 2016-09-21 | 由田新技股份有限公司 | 人員使用手持裝置的偵測方法以及系統 |
| CN105761351A (zh) * | 2016-01-08 | 2016-07-13 | 东方通信股份有限公司 | 基于结构特征的字符识别方法 |
| CN107133622B (zh) * | 2016-02-29 | 2022-08-26 | 阿里巴巴集团控股有限公司 | 一种单词的分割方法和装置 |
| JP6611346B2 (ja) * | 2016-06-01 | 2019-11-27 | 日本電信電話株式会社 | 文字列認識装置、方法、及びプログラム |
| CN106203415B (zh) * | 2016-06-30 | 2019-12-10 | 三峡大学 | 一种基于数字图像处理的银行卡号自动识别装置 |
| CN106200873A (zh) * | 2016-07-08 | 2016-12-07 | 上海卓易科技股份有限公司 | 一种移动终端的自动休眠方法及移动终端 |
| JP6294524B1 (ja) | 2017-02-15 | 2018-03-14 | ソフネック株式会社 | 画像処理方法、及びコンピュータプログラム |
| CN107169090A (zh) * | 2017-05-12 | 2017-09-15 | 深圳市唯特视科技有限公司 | 一种利用内容环绕信息提取图像表征的特定对象检索方法 |
-
2018
- 2018-10-24 BR BR112021005549-5A patent/BR112021005549A2/pt unknown
- 2018-10-24 WO PCT/JP2018/039565 patent/WO2020084720A1/ja active Application Filing
- 2018-10-24 CN CN201880098605.5A patent/CN112840383B/zh active Active
- 2018-10-24 MX MX2021004385A patent/MX2021004385A/es unknown
- 2018-10-24 CA CA3115746A patent/CA3115746C/en active Active
- 2018-10-24 JP JP2020552439A patent/JP6976455B2/ja active Active
-
2021
- 2021-04-02 US US17/221,454 patent/US11423728B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020084720A1 (ja) | 2020-04-30 |
| CA3115746A1 (en) | 2020-04-30 |
| CA3115746C (en) | 2023-08-29 |
| US11423728B2 (en) | 2022-08-23 |
| JPWO2020084720A1 (ja) | 2021-04-30 |
| JP6976455B2 (ja) | 2021-12-08 |
| CN112840383A (zh) | 2021-05-25 |
| MX2021004385A (es) | 2021-06-08 |
| CN112840383B (zh) | 2024-03-08 |
| US20210225112A1 (en) | 2021-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | LGPMA: complicated table structure recognition with local and global pyramid mask alignment | |
| JP5837205B2 (ja) | 画像領域を使用するテキスト検出 | |
| Zhang et al. | An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency | |
| Li et al. | A novel inshore ship detection via ship head classification and body boundary determination | |
| CN103699905B (zh) | 一种车牌定位方法及装置 | |
| WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
| KR20190004807A (ko) | 지폐 관리 방법 및 시스템 | |
| US11423728B2 (en) | Banknote inspection device, banknote inspection method, and banknote inspection program product | |
| CN107103683B (zh) | 纸币识别方法和装置、电子设备和存储介质 | |
| CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
| TW201339975A (zh) | 條碼辨識方法及其電腦程式產品 | |
| US20120057791A1 (en) | Information processing apparatus and control method thereof | |
| CN107464335B (zh) | 一种纸币冠字号定位方法 | |
| Li et al. | A complex junction recognition method based on GoogLeNet model | |
| CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
| CN116385407A (zh) | 一种基于多尺度可疑预测框的资质证书图像篡改检测方法 | |
| KR20160146355A (ko) | 이미지 내의 텍스트를 검출하는 방법 및 장치 | |
| CN107481389B (zh) | 一种纸币冠字号区域图像二值化处理方法 | |
| CN111402185A (zh) | 一种图像检测方法及装置 | |
| Dai et al. | Automatic Identification of Bond Information Based on OCR and NLP. | |
| Tao et al. | A hybrid approach to detection and recognition of dashboard information in real-time | |
| JP2004199200A (ja) | パターン認識装置、撮像装置、情報処理システム、パターン認識方法、記録媒体、及びプログラム | |
| US20230186663A1 (en) | Serial number recognition parameter determination apparatus, serial number recognition parameter determination program, and paper sheet handling system | |
| KR101809053B1 (ko) | Omr 카드 마킹 이미지 보정 방법 | |
| Gou et al. | Vehicle license plate recognition based on class-specific ERs and SaE-ELM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] |