CN107730709A - 一种确定纸币清分类算法版本的方法及装置、存储设备 - Google Patents

Abstract

本发明公开了一种确定纸币清分类算法版本的方法，包括：在金融设备内构建用于判断纸币清分类程度的纸币清分类模型，每种纸币清分类模型包含特征变量，每种纸币清分类模型的数量为多个，且每个纸币清分类模型的特征变量取值各不相同；分别统计在同一种纸币清分类模型下特征变量取值不同时的实际工作指标；比较实际工作指标与预设工作指标，在实际工作指标小于预设工作指标时，保存纸币清分类模型的特征变量的最优值。本发明的金融设备内，对于每个需要调整特征变量对应的参数或阈值的算法模型，在工程中创建了多个特征变量取值各不相同的算法模型，与实验室环境相比，本发明的纸币样本充足且齐全，从而可以方便地确定出最优的纸币清分类算法版本。

Description

一种确定纸币清分类算法版本的方法及装置、存储设备

技术领域

本发明涉及纸币识别技术领域，尤其涉及一种确定纸币清分类算法版本的方法及装置、存储设备。

背景技术

纸币识别技术是机器学习和模式识别技术的重要应用,纸币图像识别系统作为一个比较独立的模块,已经广泛应用到自动存取款机、无人售货机、自动售票机等中。

目前的金融机中，每台机器采用一系列算法来识别纸币，每种算法都预先通过在实验室环境下模拟现实交易后确定了固定不变的参数或阈值，以保证在机器投放后在实际应用中能够带来准确的识别效果。

然而，纸币识别技术中往往涉及到很多阈值的调整，由于实验室环境往往与生产环境并不一致，阈值过严或过松都会对客户体验带来不利影响：过严会导致终端用户的拒钞率高，过松会导致银行客户收入大量不合格的过旧、破损纸币等。但在生产环境下，有时是比较新的纸币，有时候又质量比较差，纸币新旧等级波动较大。而在实验室环境，由于纸币样本不足，且不可能覆盖所有可能的样本情况，无法保证参数或阈值是最优的。

发明内容

鉴于现有技术存在的不足，本发明提供了一种确定纸币清分类算法版本的方法及装置，可以根据实际情况确定纸币清分类算法版本。

为了实现上述的目的，本发明采用了如下的技术方案：

一种确定纸币清分类算法版本的方法，包括：

在金融设备内构建用于判断纸币清分类程度的至少一种纸币清分类模型，每种所述纸币清分类模型包含至少一个特征变量，每种所述纸币清分类模型的数量为多个，且每个所述纸币清分类模型的特征变量取值各不相同；

分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的实际工作指标；

比较实际工作指标与预设工作指标，并在实际工作指标小于预设工作指标时，保存所述纸币清分类模型的特征变量的最优值。

作为其中一种实施方式，所述实际工作指标为实际拒钞率，所述预设工作指标为预设拒钞率。

作为其中一种实施方式，所述纸币清分类模型包括用于根据纸币新旧等级分类的纸币折旧模型，所述纸币折旧模型中，纸币被按多种折旧率等级进行分类，所述预设拒钞率相应地包括第一预设拒钞率和第二预设拒钞率；

比较实际拒钞率与预设拒钞率的步骤中，分别将金融设备对各种折旧率等级的纸币的实际拒钞率与相应的预设拒钞率进行对比，并在实际拒钞率小于相应的预设拒钞率时，通过对特征变量迭代取值，保存所述纸币清分类模型的特征变量的最优值。

作为其中一种实施方式，所述的确定纸币清分类算法版本的方法还包括：

检测金融设备的交易频次；

在交易频次高于预定极大值时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在交易频次低于预定极小值时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

作为其中一种实施方式，所述的确定纸币清分类算法版本的方法还包括：

检测当前时刻；

在当前时刻在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在当前时刻不在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

本发明的另一目的在于提供一种确定纸币清分类算法版本的装置，包括：

建模单元，用于在金融设备内构建用于判断纸币清分类程度的至少一种纸币清分类模型，每种所述纸币清分类模型包含至少一个特征变量，每种所述纸币清分类模型的数量为多个，且每个所述纸币清分类模型的特征变量取值各不相同；

统计单元，用于分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的实际工作指标；

比较单元，用于比较实际工作指标与预设工作指标；

第一存储单元，用于在实际工作指标小于预设工作指标时，保存所述纸币清分类模型的特征变量的最优值。

作为其中一种实施方式，所述实际工作指标为实际拒钞率，所述预设工作指标为预设拒钞率。

作为其中一种实施方式，所述建模单元还包括分类单元和第二存储单元，所述纸币清分类模型包括用于根据纸币新旧等级分类的纸币折旧模型，所述纸币折旧模型中，所述分类单元对纸币按多种折旧率等级进行分类，所述预设拒钞率相应地包括多种预设拒钞率，所述第二存储单元用于存储多种折旧率等级、各种预设拒钞率；

比较实际拒钞率与预设拒钞率时，所述比较单元分别将金融设备对多种折旧率等级的纸币的实际拒钞率与相应的预设拒钞率进行对比，所述第一存储单元在实际拒钞率小于相应的预设拒钞率时，通过对特征变量迭代取值，保存所述纸币清分类模型的特征变量的最优值。

作为其中一种实施方式，所述的确定纸币清分类算法版本的装置还包括：

第一检测单元，用于检测金融设备的交易频次；

切换单元，用于在交易频次高于预定极大值时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在交易频次低于预定极小值时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

作为其中一种实施方式，所述的确定纸币清分类算法版本的装置还包括：

第二检测单元，用于检测当前时刻；

切换单元，用于在当前时刻在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在当前时刻不在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

本发明又一目的在于提供一种存储设备，所述存储设备内存储有多条指令，所述指令适于由处理器加载并执行所述的确定纸币清分类算法版本的方法的步骤。

本发明的金融设备内，对于每个需要调整特征变量对应的参数或阈值的算法模型，在工程中创建了多个特征变量取值各不相同的算法模型，通过统计不同特征变量取值时金融设备的实际工作指标，对实际工作指标小于预设工作指标的特征变量的最优值进行保存，与实验室环境相比，本发明的纸币样本充足且齐全，从而可以方便地确定出最优的纸币清分类算法版本。

附图说明

图1为本发明实施例的确定纸币清分类算法版本的方法示意图；

图2为本发明实施例的一个纸币清分类模型中不同的特征变量取值对应的拒钞率示意图；

图3为本发明实施例的另一个纸币清分类模型中不同的特征变量取值对应的拒钞率示意图；

图4为本发明实施例的纸币新旧等级的确定过程示意图；

图5为本发明实施例的一种确定纸币清分类算法版本的装置示意图；

图6为本发明实施例的另一种确定纸币清分类算法版本的装置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参阅图1，本发明的确定纸币清分类算法版本的方法主要包括：

S1、在金融设备内构建用于判断纸币清分类程度的纸币清分类模型。

其中，纸币清分类程度的判断除了包括纸币折旧造成的色彩变化、厚度变厚、材质变软等现象外，还可以包括纸币折角、缺损、胶带、污损等请分类信息，每种纸币清分类模型可能包含一个特征变量，也可能包含多个特征变量，根据计算纸币清分类程度的方式不同而不同，该特征变量可能是某一区域面积，也可能是色彩参数，也可能是某一阈值范围。

这里，金融设备内的每种纸币清分类模型的数量为多个，且每个纸币清分类模型的特征变量取值各不相同，特征变量取值最好是范围值，特征变量取值两两存在重叠范围，使得金融设备内同一纸币清分类模型的特征变量取值连续。

S2、分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的实际工作指标。这里，工作指标优选采用拒钞率来衡量，实际工作指标为实际拒钞率，预设工作指标为预设拒钞率。

在同一种纸币清分类模型下，不同的特征变量取值会影响最终的实际拒钞率，当其他条件不变的情况下，在多个同一种纸币清分类模型之间进行切换，分别观察具有不同的特征变量取值的纸币清分类模型在工作过程中的拒钞率。

如图2所示，金融设备内的两种纸币清分类模型A、B，每种纸币清分类模型的特征变量各具有多个不同的特征变量取值(a1～an，b1～bn)，当金融设备投入使用后，纸币清分类模型A的特征变量取值为a1～an时，统计得出的纸币的实际拒钞率为t11～t1n。

S3、比较实际工作指标与预设工作指标，并在实际工作指标小于预设工作指标时，保存纸币清分类模型的特征变量的最优值。

在同一种纸币清分类模型下，不同的特征变量取值(a1～an，b1～bn)会影响最终的实际拒钞率(t11～t1n，t21～t2n)，而无论纸币清分类模型A对应的特征变量取值a1～an如何变化，作为拒钞率参考基准的预设拒钞率始终不变，为t10。通过比较特征变量取值a1～an对应的实际拒钞率t11～t1n与预设拒钞率t10，当发现实际拒钞率t1n小于预设拒钞率t10，则保存纸币清分类模型A对应的特征变量取值an，特征变量为特征变量取值an时，对应的纸币清分类模型A即为经过优化后的算法模型，具有更低的拒钞率。而当特征变量取值在a1～an变化时，一般具有多个低于预设拒钞率t10的算法模型，这些特征变量取值对应的算法模型的集合被保存作为优化的纸币清分类模型。

纸币也可以被按纸币清分类程度划分为多个等级，每个等级的纸币清分类程度分别对应不同等级的预设拒钞率，则在比较实际拒钞率与预设拒钞率步骤中，需要分别将金融设备对不同等级的纸币清分类程度的纸币的实际拒钞率与相应等级的预设拒钞率进行对比，并在实际拒钞率小于相应等级的预设拒钞率时，通过对特征变量迭代取值，获得并保存纸币清分类模型的特征变量的最优值。

例如，本实施例的纸币清分类模型包括用于根据纸币新旧等级分类的纸币折旧模型，如图3所示，纸币折旧模型A中，纸币被按多种折旧率等级A1、A2、A3进行分类，如A1代表纸币为0％-30％折旧率，A2代表纸币为30％-60％折旧率，A3代表纸币为30％-100％折旧率，预设拒钞率相应地包括多种预设拒钞率：折旧率A1等级对应预设拒钞率t101，折旧率A2等级对应预设拒钞率t102，折旧率A3等级对应预设拒钞率t103。在比较实际拒钞率与预设拒钞率时，分别将金融设备对各种折旧率等级A1、A2、A3的纸币的实际拒钞率与相应的预设拒钞率t101、t102、t103进行对比，并在实际拒钞率小于相应的预设拒钞率时，保存纸币清分类模型的特征变量取值。这里，同一折旧率等级的纸币具有相同的预设拒钞率。

如图4所示，作为其中一种实施方式，本实施例的纸币折旧模型的特征变量取值的对比参照为各新旧等级的特征值的参考值(一般为经验值，代表平均水平)，用纸币折旧模型对纸币新旧等级分类的过程包括：

S10、在纸币上选取多个特征区域，分别获取各个特征区域的特征值；

S11、计算纸币的特征值的均值；

S12、对比计算出的特征值的均值与纸币折旧模型的各新旧等级的特征值的参考值，确定纸币的新旧等级。

在优化纸币清分算法版本的前提下，为更好地保障用户体验，本实施例的确定纸币清分类算法版本的方法还包括：

S4、检测金融设备的交易频次；以及，

S5、切换特征变量：在交易频次高于预定极大值时，切换特征变量至保存的拒钞率更低的特征变量取值，在交易频次低于预定极小值时，切换特征变量至保存的拒钞率更高的特征变量取值。

或者通过如下方式对特征变量取值进行切换：

S4’、检测当前时刻；

S5’、在当前时刻在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在当前时刻不在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

由于本发明的金融设备内置同一种纸币清分类模型的多种特征变量取值，在设备实际使用过程中可以根据需要自由切换特征变量取值，即切换不同特征变量取值对应的纸币清分类算法版本，从而实现算法版本的按需调整。

上述各种指令可以存储于专门的存储设备中，这些指令适于由处理器加载并执行本实施例的确定纸币清分类算法版本的方法的步骤，以实现最优的纸币清分类算法版本的确定。金融设备内通过集成有该存储设备和处理器从而具备最优的纸币清分类算法版本的确定功能。

如图5所示，本发明提供的确定纸币清分类算法版本的装置主要包括：建模单元1、统计单元2、比较单元3和第一存储单元4，其中，建模单元1用于在金融设备内构建用于判断纸币清分类程度的至少一种纸币清分类模型，每种纸币清分类模型包含至少一个特征变量，每种纸币清分类模型的数量为多个，且每个纸币清分类模型的特征变量取值各不相同；统计单元2用于分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的工作指标；比较单元3用于比较实际工作指标与预设工作指标；第一存储单元4用于在实际工作指标小于预设工作指标时，保存纸币清分类模型的特征变量的最优值。这里，工作指标优选采用拒钞率来衡量，实际工作指标为实际拒钞率，预设工作指标为预设拒钞率。

如图6所示，进一步地，其中一种纸币清分类模型中，本实施例的建模单元1还包括分类单元1a和第二存储单元1b，分类单元1a将纸币按纸币清分类程度划分为多个等级，每个等级的纸币清分类程度分别对应不同等级的预设拒钞率，第二存储单元1b用于存储不同等级的纸币清分类程度和不同等级的预设拒钞率；比较实际拒钞率与预设拒钞率时，比较单元3分别将金融设备对不同等级的纸币清分类程度的纸币的实际拒钞率与相应等级的预设拒钞率进行对比，第一存储单元4在实际拒钞率小于相应等级的预设拒钞率时，通过对特征变量迭代取值，保存纸币清分类模型的特征变量的最优值。

纸币清分类模型中具有用于根据纸币新旧等级分类的纸币折旧模型，该纸币折旧模型中，分类单元1a对纸币按多种折旧率等级进行分类，预设拒钞率相应地包括多种预设拒钞率，第二存储单元1b用于存储各种折旧率等级、各种预设拒钞率；比较实际拒钞率与预设拒钞率步骤中，比较单元3分别将金融设备对各种折旧率等级的纸币的实际拒钞率与相应的预设拒钞率进行对比，第一存储单元4在实际拒钞率小于相应的预设拒钞率时，保存纸币清分类模型的特征变量的最优值。

一般地，纸币折旧模型的特征变量取值的对比参照为各新旧等级的特征值的参考值，这些参考值也存储于第二存储单元1b，以供作为判断纸币的新旧等级的依据。

具体地，分类单元1a包括：

选取单元，用于在纸币上选取多个特征区域，分别获取各个特征区域的特征值；

计算单元，用于计算纸币的特征值的均值；

匹配单元，用于对比计算出的特征值的均值与纸币折旧模型的各新旧等级的特征值的参考值，确定纸币的新旧等级。

在优化纸币清分算法版本的前提下，为更好地保障用户体验，本实施例的确定纸币清分类算法版本的装置还包括：

第一检测单元5，用于检测金融设备的交易频次；

切换单元6，用于在交易频次高于预定极大值时，切换特征变量至保存的拒钞率更低的特征变量取值，在交易频次低于预定极小值时，切换特征变量至保存的拒钞率更高的特征变量取值。

这里，第一检测单元5可以是人近传感器或摄像头，通过感应是否有人靠近金融设备来判断是否有发生交易，当检测到有人进入工作区后离开工作区，则判断发生一次交易。即，当金融设备工作较为繁忙时，自动切换至相对较为宽松的算法版本，提高工作效率；而在金融设备工作较为空闲时，自动切换回相对较为严格的算法版本，既能保证纸币清分数据识别的准确性，又能保证用户体验。

本实施例的确定纸币清分类算法版本的装置也可以包括第二检测单元5’，第二检测单元5’可用于检测当前时刻，在当前时刻在预设的时间段(如比较繁忙的时间段)内时，切换单元6还可以切换特征变量至保存的实际拒钞率更低的特征变量取值，在当前时刻不在预设的时间段(如比较空闲的时间段)内时，切换单元6切换特征变量至保存的实际拒钞率更高的特征变量取值。

这里，第二检测单元5’可以是计时器，通过第二检测单元5’可以判定当前时刻是在何种时间段。即，当金融设备可在工作较为繁忙的时间段，自动切换至相对较为宽松的算法版本，提高工作效率；而在金融设备在工作较为空闲的时间段，自动切换回相对较为严格的算法版本，也能兼顾纸币清分数据识别的准确性和用户体验。

由于本发明的金融设备内置同一种纸币清分类模型的多种特征变量取值，在设备实际使用过程中可以根据需要自由切换特征变量取值，即切换不同特征变量取值对应的纸币清分类算法版本，从而实现算法版本的按需调整。

本发明的金融设备内，对于每个需要调整特征变量对应的参数或阈值的算法模型，在工程中创建了多个特征变量取值各不相同的算法模型，通过统计不同特征变量取值时金融设备的实际工作指标，对实际工作指标小于预设工作指标的特征变量的最优值进行保存，与实验室环境相比，本发明的纸币样本充足且齐全，从而可以方便地确定出最优的纸币清分类算法版本。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (11)

1.一种确定纸币清分类算法版本的方法，其特征在于，包括：

在金融设备内构建用于判断纸币清分类程度的至少一种纸币清分类模型，每种所述纸币清分类模型包含至少一个特征变量，每种所述纸币清分类模型的数量为多个，且每个所述纸币清分类模型的特征变量取值各不相同；

分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的实际工作指标；

比较实际工作指标与预设工作指标，并在实际工作指标优于预设工作指标时，保存所述纸币清分类模型的特征变量的最优值。

2.根据权利要求1所述的确定纸币清分类算法版本的方法，其特征在于，所述实际工作指标为实际拒钞率，所述预设工作指标为预设拒钞率。

3.根据权利要求2所述的确定纸币清分类算法版本的方法，其特征在于，所述纸币清分类模型包括用于根据纸币新旧等级分类的纸币折旧模型，所述纸币折旧模型中，纸币被按多种折旧率等级进行分类，所述预设拒钞率相应地包括多种预设拒钞率；

比较实际拒钞率与预设拒钞率的步骤中，分别将金融设备对各种折旧率等级的纸币的实际拒钞率与相应的预设拒钞率进行对比，并在实际拒钞率小于相应的预设拒钞率时，通过对特征变量迭代取值，保存所述纸币清分类模型的特征变量的最优值。

4.根据权利要求1-3任一所述的确定纸币清分类算法版本的方法，其特征在于，还包括：

检测金融设备的交易频次；

在交易频次高于预定极大值时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在交易频次低于预定极小值时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

5.根据权利要求1-3任一所述的确定纸币清分类算法版本的方法，其特征在于，还包括：

检测当前时刻；

在当前时刻在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在当前时刻不在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

6.一种确定纸币清分类算法版本的装置，其特征在于，包括：

建模单元，用于在金融设备内构建用于判断纸币清分类程度的至少一种纸币清分类模型，每种所述纸币清分类模型包含至少一个特征变量，每种所述纸币清分类模型的数量为多个，且每个所述纸币清分类模型的特征变量取值各不相同；

统计单元，用于分别统计在同一种纸币清分类模型下，特征变量取值不同时金融设备工作的实际工作指标；

比较单元，用于比较实际工作指标与预设工作指标；

第一存储单元，用于在实际工作指标小于预设拒钞率时，保存所述纸币清分类模型的特征变量的最优值。

7.根据权利要求6所述的确定纸币清分类算法版本的装置，其特征在于，所述实际工作指标为实际拒钞率，所述预设工作指标为预设拒钞率。

8.根据权利要求7所述的确定纸币清分类算法版本的装置，其特征在于，所述建模单元还包括分类单元和第二存储单元，所述纸币清分类模型包括用于根据纸币新旧等级分类的纸币折旧模型，所述纸币折旧模型中，所述分类单元对纸币按多种折旧率等级进行分类，所述预设拒钞率相应地包括多种预设拒钞率，所述第二存储单元用于存储各种折旧率等级、各种预设拒钞率；

比较实际拒钞率与预设拒钞率时，所述比较单元分别将金融设备对各种折旧率等级的纸币的实际拒钞率与相应的预设拒钞率进行对比，所述第一存储单元在实际拒钞率小于相应的预设拒钞率时，通过对特征变量迭代取值，保存所述纸币清分类模型的特征变量的最优值。

9.根据权利要求6-8任一所述的确定纸币清分类算法版本的装置，其特征在于，还包括：

第一检测单元，用于检测金融设备的交易频次；

切换单元，用于在交易频次高于预定极大值时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在交易频次低于预定极小值时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

10.根据权利要求6-8任一所述的确定纸币清分类算法版本的装置，其特征在于，还包括：

第二检测单元，用于检测当前时刻；

切换单元，用于在当前时刻在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更低的所述特征变量取值，在当前时刻不在预设的时间段内时，切换所述特征变量至保存的实际拒钞率更高的特征变量取值。

11.一种存储设备，其特征在于，所述存储设备内存储有多条指令，所述指令适于由处理器加载并执行权利要求1-5任一所述的确定纸币清分类算法版本的方法的步骤。