CN107784730A - 一种纸币的识别方法及装置 - Google Patents
一种纸币的识别方法及装置 Download PDFInfo
- Publication number
- CN107784730A CN107784730A CN201710825929.1A CN201710825929A CN107784730A CN 107784730 A CN107784730 A CN 107784730A CN 201710825929 A CN201710825929 A CN 201710825929A CN 107784730 A CN107784730 A CN 107784730A
- Authority
- CN
- China
- Prior art keywords
- bank note
- region
- banknote image
- identified
- characteristic vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明适用于面向识别技术领域,提供了一种纸币识别方法及装置。该方法包括:获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。本发明实现了对不同币值版本的纸币面向的识别,只要对不同币值版本的纸币面向各进行一次训练得到网络参数,便可以通用的识别各个币值版本的面向,采用BP神经网络进行识别的方式提高了纸币面向的识别效率。
Description
技术领域
本发明属于纸币识别技术领域,尤其涉及一种纸币识别方法及装置。
背景技术
在纸币自动识别过程中,纸币的面向是所有后续识别与判断的基础,如果纸币版本面向识别错误,将直接导致后面所有识别算法的误检,因此纸币面向的识别在纸币识别过程中是基础的识别步骤。
现有技术中,纸币识别是根据纸币的特征进行提取和识别,针对不同的纸币的币值版本需要进行不同的特征提取,识别部分也需要根据币值版本等的不同进行相应的修改,同时纸币的新旧程度等也会影响识别的准确度,从而导致纸币识别方法不具有通用性。
发明内容
有鉴于此,本发明实施例提供了一种纸币的识别方法及装置,以解决现有技术中纸币识别方法存在不具有通用性的问题。
本发明实施例的第一方面提供了一种纸币的识别方法,包括:
获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
本发明实施例的第二方面提供了一种纸币的识别装置,包括:
获取模块,用于获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
划分模块,用于按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
识别模块,用于将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
本发明实施例的第三方面提供了一种纸币的识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
在本发明实施例中,实现了对不同币值版本的纸币面向的识别,只要对不同币值版本的纸币面向各进行一次训练得到网络参数,便可以通用的识别各个币值版本的面向,采用BP神经网络进行识别的方式提高了纸币面向的识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的纸币的识别方法的实现流程示意图;
图2是本发明实施例一中步骤S102的具体实现流程示意图;
图3是本发明实施例中第一纸币图像的示意图;
图4是本发明实施例一中步骤S102的具体实现流程示意图;
图5是本发明实施例中BP神经网络模型的示意图;
图6是本发明实施例二提供的纸币的识别装置的结构框图;
图7是本发明实施例三提供的纸币的识别装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的纸币的识别方法的实现流程示意图。如图1所示,该纸币的识别方法具体包括如下步骤S101至步骤S103。
步骤S101:获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像。
通过图像传感器,如CMOS(Complementary Metal-Oxide Semiconductor,金属氧化物半导体元件)传感器采集待识别纸币的纸币图像,对采集到的纸币图像进行几何校正得到校正后的第一纸币图像。几何校正的方法可以是经过比例尺系数计算校正,也可以是经过一次方程式变换加以改正,还可以是经过平行移动改正以及其他的校正方法。
步骤S102:按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量。
其中,所述设定划分规则规定了如何对纸币图像进行划分,即划分纸币图像的方式,并规定了纸币图像划分后形成的区域的数量为第一设定数量。其中,所述第一设定数量可以为3。
优选地,为了避免边缘部分图像的不稳定性,所述按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域包括:
步骤S201:将与纸币长度所在边缘处于第一预设距离之外且与纸币宽度所在边缘处于第二预设距离之外的区域作为有效区域。
例如,如图3所示,第一纸币图像为A,第一预设距离a为5毫米,第二预设距离b为3毫米,则将与纸币长度所在边缘处于5毫米之外且与纸币宽度所在边缘处于第二预设距离之外的区域作为有效区域B。
步骤S202:按照所述设定划分规则,将所述有效区域划分为至少三个区域。
具体地,步骤S102包括:
步骤S301:对所述区域进行等分获得多个子区域。
步骤S302:分别提取所述多个子区域的特征值。
可选地,所述分别提取所述多个子区域的特征值包括:
设定像素阈值,提取像素低于所述阈值的子区域的特征值。
由于颜色较深的区域在图像上更不容易被污损(像素值较低的),因此在特征值提取时,设定像素阈值,对于低于此像素阈值的子区域才计入特征提取。
步骤S303:对所述特征值进行归一化处理,得到所述区域的特征向量。
例如,可以将一所述区域的长等分为20,从而将所述区域划分为20个等分区域。20个等分区域可以同时处理,几何倍数地提高了处理效率。例如,划分后的20个子区域对应的特征值分别为x1、x2、x3……x20,计算出20个特征值中的最大值max和最小值min,并根据公式进行归一化处理,获取该区域的特征向量。
步骤S103:将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
其中,BP(Back Propagation)神经网络一种按误差逆传播算法训练的多层前馈网络模型。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
所述网络参数即BP神经网络的权值和阈值,包括:输入层到隐含层的权值和阈值、隐含层到输出层的权值和阈值及隐含层的层数。
将步骤S102中的特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
可选地,纸币的识别方法还包括:
根据待识别纸币的币值版本,分别选取设定特征向量的样本;
采用初始BP神经网络模型对所述样本进行训练,获得训练后的BP神经网络模型。
参考图5,训练过程如下:
1.将上文所述的特征向量作为输入变量,面向结果作为输出变量,Sigmoid型函数为神经元的激活函数建立具有输入层、隐层以及输出层的BP神经网络初始模型。
2.初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阈值,对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置。
3.对样本库通过网络训练学习得到BP神经网络最终模型;
正向传播
给定一个输入模式I=(x1,x2,……,Xm),其中I是输入特征向量集合,首先由输入层单元传到隐含层单元,经过隐层单元处理后再传送到输出层,最后由输出层单元处理并产生一个输出模式O=(y1,y2,……,yn),O是输出层变量集合。
如果输入层、隐层、输出层节点数分别为m,h,n,输入层到隐层的连接权重为Wij(i=1,2,……,m,j=1,2,……,h),隐层到输出层的连接权值为Vjl(y=1,2,……,h,l=1,2,……,n),隐层和输出层节点输出分别为:
其中,θj是隐层节点的阈值,是输出层节点的阈值
神经元的激活函数
如果在输出层得不到期望的输出,则转入反向传播。
训练过程中的反向传播过程如下:
vjl(t+1)=vjl(t)+αdlzl
wij(t+l)=wij(t)+βejxj
θj(t+1)=θj(t)+βej
其中,α增益项β增益项
为节点l的期望输出,yl为实际输出
将误差信号沿原来的连通通路返回,按照式(3)和(4)更新连接权值和各层神经单元的阈值,减少误差。
通过训练,使得最后的误差不断减小,达到期望值。
4.利用训练好的神经网络模型,对有效样本进行识别与测试。
在本发明实施例中,实现了对不同币值版本的纸币面向的识别,只要对不同币值版本的纸币面向各进行一次训练得到网络参数,便可以通用的识别各个币值版本的面向,采用BP神经网络进行识别的方式提高了纸币面向的识别效率。
实施例二
请参考图6,其示出了本发明实施例二提供的纸币的识别装置的结构框图。所述纸币的识别装置60中包括通道交接传感器和推板位置检测传感器,纸币的识别装置60包括:获取模块61,划分模块62和识别模块。其中,各模块的具体功能如下:
获取模块61,用于获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
划分模块62,用于按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
识别模块63,用于将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
可选地,划分模块62包括:
等分单元,用于对所述区域进行等分获得多个子区域;
提取单元,用于分别提取所述多个子区域的特征值;
归一化处理单元,用于对所述特征值进行归一化处理,得到所述区域的特征向量。
可选地,提取单元包括:
设定子单元,用于设定像素阈值,提取像素低于所述阈值的子区域的特征值。
可选地,划分模块62包括:
选取单元,用于将与纸币长度所在边缘处于第一预设距离之外且与纸币宽度所在边缘处于第二预设距离之外的区域作为有效区域;
话分单元,用于按照所述设定划分规则,将所述有效区域划分为至少三个区域。
可选地,纸币的识别装置60还包括:
选取模块,用于根据待识别纸币的币值版本,分别选取设定特征向量的样本;
训练模块,用于采用初始BP神经网络模型对所述样本进行训练,获得训练后的BP神经网络模型。
在本发明实施例中,实现了对不同币值版本的纸币面向的识别,只要对不同币值版本的纸币面向各进行一次训练得到网络参数,便可以通用的识别各个币值版本的面向,采用BP神经网络进行识别的方式提高了纸币面向的识别效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
还将理解的是,虽然术语“第一”、“第二”等在文本中在一些实施例中用来描述各种元素,但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如,第一预设距离可以被命名为第二预设距离,并且类似地,第二预设距离可以被命名为第一预设距离,而不背离各种所描述的实施例的范围。第一预设距离和第二预设距离都是预设距离,但是它们不是同一预设距离。
实施例三
图7是本发明三实施例提供的纸币的识别装置的示意图。如图7所示,该实施例的纸币的识别装置7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如纸币识别方法程序。所述处理器70执行所述计算机程序72时实现上述各个纸币识别方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各单元的功能,例如图6所示模块61至63的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述纸币的识别装置7中的执行过程。例如,所述计算机程序72可以被分割成获取模块,划分模块和识别模块,各模块的具体功能如下:
获取模块,用于获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
划分模块,用于按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
识别模块,用于将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
所述纸币的识别装置7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述纸币的识别装置可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是纸币的识别装置的示例,并不构成对纸币的识别装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述纸币的识别装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述纸币的识别装置7的内部存储单元,例如纸币的识别装置7的硬盘或内存。所述存储器71也可以是所述纸币的识别装置7的外部存储设备,例如所述纸币的识别装置7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述纸币的识别装置7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述纸币的识别装置所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种纸币的识别方法,其特征在于,包括:
获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
2.根据权利要求1所述的纸币的识别方法,其特征在于,按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量包括:
对所述区域进行等分获得多个子区域;
分别提取所述多个子区域的特征值;
对所述特征值进行归一化处理,得到所述区域的特征向量。
3.根据权利要求2所述的纸币的识别方法,其特征在于,所述分别提取所述多个子区域的特征值包括:
设定像素阈值,提取像素低于所述阈值的子区域的特征值。
4.根据权利要求1所述的纸币的识别方法,其特征在于,所述按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域包括:
将与纸币长度所在边缘处于第一预设距离之外且与纸币宽度所在边缘处于第二预设距离之外的区域作为有效区域;
按照所述设定划分规则,将所述有效区域划分为至少三个区域。
5.根据权利要求1-4任一所述的纸币的识别方法,其特征在于,还包括:
根据待识别纸币的币值版本,分别选取设定特征向量的样本;
采用初始BP神经网络模型对所述样本进行训练,获得训练后的BP神经网络模型。
6.一种纸币的识别装置,其特征在于,包括:
获取模块,用于获取待识别纸币的纸币图像并对所述纸币图像进行几何校正得到第一纸币图像;
划分模块,用于按照设定划分规则,将所述第一纸币图像划分为第一设定数量的区域,获取各个所述区域的特征向量;
识别模块,用于将所述特征向量输入训练后的BP神经网络模型进行识别,获得识别结果。
7.根据权利要求6所述的纸币的识别装置,其特征在于,所述划分模块包括:
等分单元,用于对所述区域进行等分获得多个子区域;
提取单元,用于分别提取所述多个子区域的特征值;
归一化处理单元,用于对所述特征值进行归一化处理,得到所述区域的特征向量。
8.根据权利要求7所述的纸币的识别装置,其特征在于,所述提取单元包括:
设定子单元,用于设定像素阈值,提取像素低于所述阈值的子区域的特征值。
9.一种纸币的识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710825929.1A CN107784730A (zh) | 2017-09-14 | 2017-09-14 | 一种纸币的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710825929.1A CN107784730A (zh) | 2017-09-14 | 2017-09-14 | 一种纸币的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784730A true CN107784730A (zh) | 2018-03-09 |
Family
ID=61438230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710825929.1A Pending CN107784730A (zh) | 2017-09-14 | 2017-09-14 | 一种纸币的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784730A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859372A (zh) * | 2018-12-07 | 2019-06-07 | 保定钞票纸业有限公司 | 防伪纸张的水印识别方法、装置、云端服务器及系统 |
CN111291140A (zh) * | 2018-12-06 | 2020-06-16 | 北京欣奕华科技有限公司 | 一种拓扑节点的识别方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
CN104851183A (zh) * | 2015-05-15 | 2015-08-19 | 深圳怡化电脑股份有限公司 | 纸币面向识别方法及装置 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106056751A (zh) * | 2016-05-20 | 2016-10-26 | 聚龙股份有限公司 | 冠字号码的识别方法及系统 |
CN106803307A (zh) * | 2016-12-16 | 2017-06-06 | 恒银金融科技股份有限公司 | 一种基于模板匹配的纸币面值面向识别方法 |
CN106952393A (zh) * | 2017-03-28 | 2017-07-14 | 深圳怡化电脑股份有限公司 | 纸币识别方法和装置、电子设备和存储介质 |
-
2017
- 2017-09-14 CN CN201710825929.1A patent/CN107784730A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
CN104851183A (zh) * | 2015-05-15 | 2015-08-19 | 深圳怡化电脑股份有限公司 | 纸币面向识别方法及装置 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106056751A (zh) * | 2016-05-20 | 2016-10-26 | 聚龙股份有限公司 | 冠字号码的识别方法及系统 |
CN106803307A (zh) * | 2016-12-16 | 2017-06-06 | 恒银金融科技股份有限公司 | 一种基于模板匹配的纸币面值面向识别方法 |
CN106952393A (zh) * | 2017-03-28 | 2017-07-14 | 深圳怡化电脑股份有限公司 | 纸币识别方法和装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291140A (zh) * | 2018-12-06 | 2020-06-16 | 北京欣奕华科技有限公司 | 一种拓扑节点的识别方法、装置、设备及介质 |
CN109859372A (zh) * | 2018-12-07 | 2019-06-07 | 保定钞票纸业有限公司 | 防伪纸张的水印识别方法、装置、云端服务器及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jha et al. | Neutrosophic image segmentation with dice coefficients | |
Roy et al. | LiSHT: Non-parametric linearly scaled hyperbolic tangent activation function for neural networks | |
CN107832804A (zh) | 一种信息处理方法及相关产品 | |
CN108229497A (zh) | 图像处理方法、装置、存储介质、计算机程序和电子设备 | |
CN108805270A (zh) | 一种基于存储器的卷积神经网络系统 | |
CN106709461A (zh) | 基于视频的行为识别方法及装置 | |
CN113705769A (zh) | 一种神经网络训练方法以及装置 | |
CN110532417A (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
Dong et al. | MOEA/D with a self-adaptive weight vector adjustment strategy based on chain segmentation | |
CN107945246A (zh) | 参数化绘图的方法、装置、终端设备与存储介质 | |
CN108734850A (zh) | 纸币识别方法、纸币识别装置及终端设备 | |
US11568212B2 (en) | Techniques for understanding how trained neural networks operate | |
CN109522945A (zh) | 一种群体情感识别方法、装置、智能设备及存储介质 | |
CN110443298A (zh) | 一种基于云-边缘协同计算的ddnn及其构建方法和应用 | |
CN111695596A (zh) | 一种用于图像处理的神经网络以及相关设备 | |
Bagirov et al. | An efficient algorithm for the incremental construction of a piecewise linear classifier | |
CN108875693A (zh) | 一种图像处理方法、装置、电子设备及其存储介质 | |
CN107274543A (zh) | 一种纸币的识别方法、装置、终端设备和计算机存储介质 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
Yang et al. | Associative memory optimized method on deep neural networks for image classification | |
CN107784730A (zh) | 一种纸币的识别方法及装置 | |
Li et al. | Bi-firing deep neural networks | |
Abraham et al. | A connectionist network approach to find numerical solutions of Diophantine equations | |
CN111931901A (zh) | 一种神经网络构建方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |
|
RJ01 | Rejection of invention patent application after publication |