CN108256520B - 一种识别硬币年份的方法、终端设备及计算机可读存储介质 - Google Patents
一种识别硬币年份的方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108256520B CN108256520B CN201711444678.9A CN201711444678A CN108256520B CN 108256520 B CN108256520 B CN 108256520B CN 201711444678 A CN201711444678 A CN 201711444678A CN 108256520 B CN108256520 B CN 108256520B
- Authority
- CN
- China
- Prior art keywords
- coin
- year
- image
- target
- coordinates
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像识别技术领域,提供了一种识别硬币年份的方法、终端设备及计算机可读存储介质,其中方法包括:获取待识别的目标硬币图像;将所述目标硬币图像输入至训练好的硬币年份识别模型;根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份。由于采用预先训练好的硬币年份识别模型对待识别的硬币的年份进行识别,从而无需人工根据硬币的年份对硬币进行分类,提高了硬币回收的效率,节省了人工成本。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种识别硬币年份的方法、终端设备及计算机可读存储介质。
背景技术
随着国民经济的发展,印刷工艺的提高,国家每隔一定时间会发行一套新的硬币,而对一些发行年份较早的硬币则需要进行回收。传统的硬币回收方法是由工作人员根据硬币正面印刷的发行年份对硬币进行分类,再筛选出发行年份较早的硬币。这种人工回收硬币的方法工作量大,效率低,且人工成本较高。
发明内容
有鉴于此,本发明提供了一种识别硬币年份的方法、终端设备及计算机可读存储介质,以解决现有的人工回收硬币的方法所存在的工作量大,效率低,且人工成本较高的问题。
本发明的第一方面提供了一种识别硬币年份的方法,包括:
获取待识别的目标硬币图像;
将所述目标硬币图像输入至训练好的硬币年份识别模型;
根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份;其中,所述年份数字信息用于表征硬币的年份。
本发明的第二方面提供了一种终端设备,包括用于执行如上述第一方面所述的方法的单元。
本发明的第三方面提供了一种终端设备,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,其中,所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。
本发明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,其中,所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
本发明通过获取待识别的目标硬币图像;将所述目标硬币图像输入至训练好的硬币年份识别模型;根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份。由于通过预先训练好的硬币年份识别模型对待识别的硬币的年份进行识别,从而无需人工根据硬币的年份对硬币进行分类,不仅提高了硬币回收的效率,而且节省了人工成本。
附图说明
图1是本发明实施例提供的一种识别硬币年份的方法的实现流程图;
图2a是本发明实施例提供的一种硬币图像的示意图;
图2b是本发明实施例提供的一种硬币图像中年份数字位于硬币所在的圆形显示区域的下半部分的示意图;
图2c是本发明实施例提供的一种硬币图像中年份数字位于硬币所在的圆形显示区域的上半部分的示意图;
图2d是本发明实施例提供的一种硬币图像中年份数字位于硬币所在的圆形显示区域的右半部分的示意图;
图2e是本发明实施例提供的一种硬币图像中年份数字位于硬币所在的圆形显示区域的左半部分的示意图;
图3是本发明另一实施例提供的一种识别硬币年份的方法的实现流程图;
图4是本发明实施例提供的一种识别硬币年份的方法中S01的实现流程图;
图5是本发明实施例提供的一种Faster RCNN模型的结构示意图;
图6是本发明实施例提供的一种识别硬币年份的方法中S02的实现流程图;
图7是发明实施例提供的一种终端设备的结构示意图;
图8是本发明另一实施例提供的一种终端设备的结构示意图;
图9是本发明再一实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明实施例提供的一种识别硬币年份的方法的实现流程图。本实施例中识别硬币年份的方法的执行主体为终端设备。终端设备可以为智能手机、平板电脑等移动终端设备,还可以为其他终端设备,此处不做限制。如图1所示的识别硬币年份的方法可以包括以下步骤:
S11:获取待识别的目标硬币图像。
在本实施例中,当需要对硬币的发行年份进行识别时,可以先通过摄像装置对待识别的硬币进行图像采集,得到硬币图像,再将采集到的硬币图像输入至终端设备。终端设备若检测到用于识别硬币年份的指令,则接收用户输入的硬币图像,并将用户输入的硬币图像确定为待识别的目标硬币图像。
目标硬币图像可以是一张,也可以是至少两张,此处不做限制。
待识别的硬币可以是人民币硬币,也可以是欧元硬币,还可以是其他类型的硬币,此处不做限制。
S12:将所述目标硬币图像输入至训练好的硬币年份识别模型。
终端设备获取到待识别的目标硬币图像后,调用预先训练好的硬币年份模型对目标硬币图像进行处理。需要说明的是,在本实施例中,硬币年份识别单元的输入量是硬币图像,输出量是硬币图像中的硬币的年份数字信息。
年份数字信息包括硬币上用于构成硬币年份的四位年份数字的名称和坐标。例如,若硬币的发行年份为1987,则该硬币上的四位年份数字的名称分别为“1”、“9”、“8”、“7”。在本实施例中,四位年份数字的坐标可以通过四位年份数字分别在硬币图像中所占的某一矩形区域的坐标表示。矩形区域的坐标可通过该矩形区域预设对角线的两个端点的坐标表示。
例如,请一并参阅图2a,图2a示出了本发明实施例提供的一种硬币图像的示意图。如图2a所述,硬币图像中的硬币上的四位年份数字“1”、“9”、“8”、“7”所占的矩形区域分布为a、b、c、d中,则可以通过矩形区域a、b、c、d的坐标来分别表示年份数字“1”、“9”、“8”、“7”的坐标。在本发明一实施例中,可以以每个矩形区域左下角端点的坐标和右上角端点的坐标来表示每个矩形区域的坐标。例如,若矩形区域a左下角端点的坐标为(xa1,ya1),矩形区域a右上角端点的坐标为(xa2,ya2),则矩形区域a的坐标即为[(xa1,ya1),(xa2,ya2)],那么年份数字“1”的坐标即为[(xa1,ya1),(xa2,ya2)]。
在本实施例中,终端设备调用预先训练好的硬币年份模型对目标硬币图像进行处理可以是:终端设备将待识别的目标硬币图像输入至硬币年份识别模型,并获取硬币年份识别模型输出的目标硬币图像中的硬币的年份数字信息。
S13:根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份。
终端设备获取到硬币年份识别模型输出的目标硬币图像中的硬币的年份数字信息后,根据目标硬币图像中的硬币的年份数字信息,确定目标硬币图像中的硬币的年份。
在本发明一具体实施例中,S13可以包括以下步骤:
根据所述目标硬币图像中的硬币上的四位年份数字的坐标以及预设排序策略对所述四位年份数字进行排序,得到所述硬币的年份。
在本实施例中,终端设备可以根据目标硬币图像中的硬币上的四位年份数字的坐标以及预设排序策略对四位年份数字进行排序,进而得到硬币的年份。
在本实施例中,当硬币上的四位年份数字的排列方式不同时,对应的预设排序策略不同,具体根据实际需求设置,此处不做限制。
如图2a所示,在实际应用中,由于硬币上的四位年份数字通常是沿着硬币的边缘呈弧形状依次排列,因此,此处以硬币上的四位年份数字沿硬币的边缘呈弧形状依次排列为例,对终端设备根据预设排序策略对四位年份数字进行排序的具体过程进行详细说明。具体的,在本实施例中,根据所述目标硬币图像中的硬币上的四位年份数字的坐标以及预设排序策略对所述四位年份数字进行排序,得到所述硬币的年份,具体可以包括以下步骤:
采用背景差分法对所述目标硬币图像进行处理,得到所述目标硬币图像中的硬币所在的圆形显示区域,确定所述圆形显示区域的中心点的坐标;
根据所述圆形显示区域的中心点的坐标以及所述硬币上的四位年份数字的坐标,确定所述四位年份数字在所述圆形显示区域中的位置;
若所述四位年份数字均位于所述圆形显示区域的下半部分,则按照第一预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的上半部分,则按照第二预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的右半部分,则按照第三预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的左半部分,则按照第四预设顺序对所述四位年份数字进行排序,得到所述硬币的年份。
在本实施例中,终端设备在得到目标硬币图像中的硬币上的四位年份数字的坐标后,通过背景差分法对目标硬币图像进行处理,以从目标硬币图像中提取硬币所在的圆形显示区域。终端设备基于目标硬币图像对应的原始坐标系,确定该圆形显示区域的中心点坐标。在实际应用中,终端设备可以调用matlab应用中的regionprops函数来求得圆形显示区域的中心点坐标。
由于硬币年份识别模型输出的四位年份数字的坐标是通过四位年份数字所占的矩形区域的预设对角线的两个端点的坐标表示的,因此,终端设备将硬币年份识别模型输出的四位年份数字的坐标进行转换,得到四位年份数字所占的矩形区域的中心点的坐标,再将四位年份数字所占的矩形区域的中心点的坐标与圆形显示区域的中心点坐标进行比较,进而确定四位年份数字在所述圆形显示区域中的位置。
在实际应用中,第一预设顺序、第二预设顺序、第三预设顺序及第四预设顺序需要根据硬币年份识别模型在确定硬币上的数字年份的坐标时所参照的坐标系确定。假设硬币年份识别模型输出的年份数字的坐标是基于以硬币图像左上角端点为坐标原点,以坐标原点所在的竖边作为x轴正方向,以坐标原点所在的横边作为y轴正方向所建立的坐标系,则:
如图2b所示,终端设备若检测到四位年份数字所占的四个矩形区域的中心点对应的x轴坐标均大于圆形显示区域的中心点对应的x轴坐标,则识别为四位年份数字均位于圆形显示区域的下半部分,此时终端设备按照矩形区域的中心点对应的y轴坐标从小到大的顺序对四位年份数字进行排序,得到硬币的年份,在图2b中,排序后得到的硬币的年份为“1987”。
如图2c所示,终端设备若检测到四位年份数字所占的四个矩形区域的中心点对应的x轴坐标均小于圆形显示区域的中心点对应的x轴坐标,则识别为四位年份数字均位于圆形显示区域的上半部分,此时终端设备按照矩形区域的中心点对应的y轴坐标从大到小的顺序对四位年份数字进行排序,得到硬币的年份,在图2c中,排序后得到的硬币的年份为“1987”。
如图2d所示,终端设备若检测到四位年份数字所占的四个矩形区域的中心点对应的y轴坐标均大于圆形显示区域的中心点对应的y轴坐标,则识别为四位年份数字均位于圆形显示区域的右半部分,此时终端设备按照矩形区域的中心点对应的x轴坐标从大到小的顺序对四位年份数字进行排序,得到硬币的年份,在图2d中,排序后得到的硬币的年份为“1987”。
如图2e所示,终端设备若检测到四位年份数字所占的四个矩形区域的中心点对应的y轴坐标均小于圆形显示区域的中心点对应的y轴坐标,则识别为四位年份数字均位于圆形显示区域的左半部分,此时终端设备按照矩形区域的中心点对应的x轴坐标从小到大的顺序对四位年份数字进行排序,得到硬币的年份,在图2e中,排序后得到的硬币的年份为“1987”。
以上可以看出,本实施例提供的一种识别硬币年份的方法通过获取待识别的目标硬币图像;将所述目标硬币图像输入至训练好的硬币年份识别模型;根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份。由于通过预先训练好的硬币年份识别模型对待识别的硬币的年份进行识别,从而无需人工根据硬币的年份对硬币进行分类,不仅提高了硬币回收的效率,而且节省了人工成本。
请参阅图3,图3是本发明另一实施例提供的一种识别硬币年份的方法的实现流程图。本实施例中识别硬币年份的方法的执行主体为终端设备。终端设备可以为手机、平板电脑等移动终端设备,还可以为其他终端设备,此处不做限制。如图3所示,在图1对应的实施例的基础上,本实施例在S11之前,还可以包括S01~S02,具体如下:
S01:获取训练样本集。
在本实施例中,在调用预先训练好的硬币年份识别模型对硬币的年份进行识别之前,需要对硬币年份识别模型进行训练。
在对硬币年份识别模型进行训练时,首先需要获取用于训练模型的训练样本集。其中,训练样本集包括多组样本数据,每组样本数据均由硬币图像以及硬币图像中的硬币的年份数字信息构成。硬币的年份数字信息包括硬币上的四位年份数字的名称及坐。
在本发明一具体实施例中,S01可以通过如图4所示的S011~S015实现,具体如下:
S011:获取用于训练模型的硬币图像。
在本实施例中,在训练模型之前,可以通过摄像装置采集大量的用于训练模型的硬币图像,并将采集到的用于训练模型的硬币图像统一存储在终端设备中的第一图像文件夹。终端设备在接收到模型训练指令时,从第一图像文件夹中获取用于训练模型的硬币图像。
需要说明的是,通过摄像装置采集到的所有硬币图像的尺寸均相同。例如,通过摄像装置采集到的所有硬币图像的尺寸均为M×N像素。其中,M和N分别表示图像的每行和每列所包含的像素个数,M和N均为正整数,M和N可以根据实际需求设置,此处不做限。
在本实施例中,终端设备获取到第一图像文件夹中的所有硬币图像后,可以对该第一图像文件夹中的所有硬币图像进行重命名。具体的,终端设备可以通过预设的Rename.m算法对第一图像文件夹中的所有硬币图像进行重命名,将硬币图像的名称统一设置为xxxxxx.jpg,其中,x为数字0~9中的任一数字,例如,重命名后的硬币图像的名称可以000001.jpg、000002.jpg、000003.jpg等。终端设备可以将重命名后的所有硬币图像存储在第二图像文件夹。
S012:确定用户在每张所述硬币图像中的硬币上框选出的四个矩形区域的坐标;其中,所述矩形区域用于表征所述硬币上的年份数字所占的显示区域。
在本实施中,终端设备对所有用于训练模型的硬币图像进行重命名后,确定每张硬币图像中的硬币上的四位年份数字的名称和坐标。
在实际应用中,在确定每张硬币图像中的硬币上的四位年份数字的坐标时,需要用户辅助对每张硬币图像中的硬币上的四位年份数字进行标记。具体的,用户可以通过矩形框对每张硬币图像中的硬币上的四位年份数字进行框选,进而框选出四个矩形区域。用户在硬币图像中所框选出的四个矩形区域分别用于表征硬币图像中的硬币上的四位年份数字所占的显示区域。
需要说明的是,由于硬币上的四位年份数字的尺寸大小基本相同,因此,四位年份数字所占的显示区域的面积大致相同,用户在硬币图像中所框选出的四个矩形区域的面积大致相同。
在本发明一具体实施例中,S012具体可以包括以下步骤:
获取用户在每张所述硬币图像中的硬币上框选出的四个矩形区域;
根据预设的坐标标定策略,确定每个所述矩形区域的预设对角线的两个端点的坐标,将每个所述矩形区域的预设对角线的两个端点的坐标确定为所述矩形区域的坐标。
在本实施例中,当用户在硬币图像中的硬币上框选出四个矩形区域后,终端设备获取用户在每张硬币图像中的硬币上框选出的四个矩形区域,并根据预设的坐标标定策略,确定每个矩形区域的预设对角线的两个端点的坐标,将每个矩形区域的预设对角线的两个端点的坐标确定为该矩形区域的坐标。
其中,预设的坐标标定策略用于表征以预设的坐标系为基准进行坐标标定。预设的坐标系可以根据实际需求确定,此处不做限制。例如,预设的坐标系可以是以硬币图像左上角端点为坐标原点,以坐标原点所在的竖边作为x轴正方向,以坐标原点所在的横边作为y轴正方向所建立的坐标系。
终端设备基于预设的坐标系,确定每张硬币图像中每个矩形区域的预设对角线的两个端点的坐标。其中,预设对角线可以根据实际需求设置,此处不做限制,例如预设对角线可以是矩形区域左下角端点与右上角端点连接而成的对角线,此时,该预设对角线两个端点分别为左下角端点和右上角端点。
终端设备在确定了每张硬币图像中每个矩形区域的预设对角线的连个端点的坐标后,将每个矩形区域的预设对角线的连个端点的坐标识别为相应矩形区域的坐标。
例如,如图2a所示,若矩形区域a左下角端点的坐标为(xa1,ya1),矩形区域a右上角端点的坐标为(xa2,ya2),则矩形区域a的坐标即为[(xa1,ya1),(xa2,ya2)]。
S013:将所述硬币图像中的四个矩形区域的坐标分别确定为所述硬币图像中的硬币上的四位年份数字的坐标。
在本实施例中,当终端设备确定了每张硬币图像中的四个矩形区域的坐标后,将四个矩形区域的坐标分别确定为该硬币图像中的硬币上的四位年份数字的坐标。即通过矩形区域的坐标来表述该矩形区域内的年份数字的坐标。
例如,结合图2a和步骤S012,若矩形区域a的坐标为[(xa1,ya1),(xa2,ya2)],那么年份数字“1”的坐标即为[(xa1,ya1),(xa2,ya2)]。
S014:确定每张所述硬币图像中的硬币上的四位年份数字的名称。
在本实施例中,在确定每张硬币图像中的硬币上的四位年份数字的坐标的同时,终端设备还确定每张硬币图像中的硬币上的四位年份数字的名称。
在实际应用中,每张硬币图像中的硬币上的四位年份数字的名称可以由用户输入,例如,用户在通过矩形框框选每位年份数字的同时,输入该数字的名称。终端设备获取用户输入的每位年份数字的名称。
S015:将每张所述硬币图像、每张所述硬币图像中的硬币上的年份数字的名称及坐标进行关联存储,得到训练样本集。
在本实施例中,终端设备获取到每张硬币图像中的硬币上的四位年份数字的名称及坐标后,将每张硬币图像、每张硬币图像中的硬币上的四位年份数字的名称及坐标进行关联存储。
具体的,终端设备在获取到每张硬币图像中的硬币上的四位年份数字的名称及坐标后,可以先将每张硬币图像的名称、每张硬币图像中硬币上的四位年份数字的名称及坐标以表格形式关联存储在第一文本文件中。
请参阅表1,表1示出了第一文本文件的部分内容,该部分内容为名称为001352.jpg的硬币图像中的硬币上的年份数字的名称及坐标。
表1
在本实施例中,终端设备在将每张硬币图像的名称、每张硬币图像中硬币上的四位年份数字的名称及坐标以表格形式关联存储在第一文本文件中后,可以根据硬币图像的名称,进一步将第一文本文件中硬币图像的名称相同的文本信息存储在同一可扩展标记语言(Extensible Markup Language,XML)文件中,将第一文本文件中硬币图像的名称不同的文本信息存储在不同XML文件中。如此,可以得到多个XML文件。每个XML文件中存储了一张硬币图像中的硬币上的四位年份数字的名称及坐标。例如,最终得到的多个XML文件可以为:000001.xml、000002.xml、000003.xml等。
在得到每张硬币图像对应的XML文件后,终端设备将硬币图像与其对应的XML文件进行关联存储,得到多组样本数据,该多组样本数据构成了用于训练模型的样本集。
在得到样本集之后,终端设备可以随机从样本集中抽取50%的样本数据作为训练样本数据,这些训练样本数据即组成了训练样本集。
S02:采用所述训练样本集对预先构建的基于区域的快速卷积神经网络FasterRCNN模型进行训练,将训练好的所述Faster RCNN模型确定为硬币年份识别模型。
在本实施例中,终端设备获取到训练样本集之后,采用训练样本集对预先构建的基于区域的快速卷积神经网络(Faster Region-based convolutional neural network,Faster RCNN)模型进行训练。
具体的,终端设备将每张硬币图像作为Faster RCNN模型的输入,每张硬币图像中硬币上的四位年份数字的名称及坐标作为Faster RCNN模型的输出,对预先构建的FasterRCNN模型进行训练。终端设备在训练好Faster RCNN模型后,将训练好的Faster RCNN模型确定为硬币年份识别模型。
其中,硬币年份识别模型用于识别硬币的年份。
请一并参阅图5,图5是本发明实施例提供的一种Faster RCNN模型的结构示意图。如图5所示,在本发明一具体实施例中,Faster RCNN模型具体包括特征提取网络、区域提取网络(Region proposal network,RPN)及目标识别网络。RPN的输入端端和目标识别网络的输入端均与特征提取网络的输出端连接,目标识别网络的输入端还与PRN的输出端连接。
特征提取网络用于通过卷积核对输入的硬币图像中的所有像素点的像素值进行卷积运算,得到特征图,并将特征图输出至RPN和目标识别网络。特征图的维度远小于硬币图像的维度。
RPN用于根据特征图确定硬币图像中可能是年份数字所在的显示区域,并将可能是年份数字所在的显示区域作为候选区域输出至目标识别网络。
目标识别网络用于根据特征提取网络输出的特征图,从候选区域中选择硬币图像中的硬币上的四位年份数字对应的目标区域,并对年份数字所在区域中的年份数字进行识别,且输出四位年份数字的名称及对应的目标区域的坐标。
在实际应用中,目标识别网络具体可以是基于区域的快速卷积神经网络(FastRegion-based convolutional neural network,Fast RCNN)。
在本实施例中,目标区域为矩形区域,目标区域的坐标可以通过目标区域的预设对角线的两个端点的坐标表示,例如,可以通过目标区域的左下角端点的坐标和右上角端点的坐标表示。
在本实施例中,具体的,RPN用于采用预设滑动窗口在特征图上逐步滑动。滑动步长可以根据实际需求设置,此处不做限制。预设滑动窗口在特征图上滑动的每一位置都会映射出k个不同尺寸或面积的原始图像区域。例如,假设预设滑动窗口在特征图上对应300个滑动位置,则整幅特征图对应300k个原始图像区域。在本实施例中,每个原始图像区域对应的坐标是已知的,由于原始图像区域为矩形区域,因此,原始图像区域的坐标可以通过其四个角所在的端点位置的坐标表示。对于每个原始图像区域,RPN会计算该原始图像区域是无关区域或者是年份数字所在区域的概率值,即每个原始图像区域均对应两个概率值。RPN根据每个原始图像区域对应的两个概率值,从所有原始图像区域中挑选出年份数字所在区域的概率较大的n个原始图像区域作为候选区域,并将候选区域的坐标输出至目标识别网络。
目标识别网络用于计算每个候选区域分别是数字0~9中任一数字的概率值,即每一候选区域均对应10个概率值,分别是数字0~9中任一数字的概率值。也就是说,若候选区域的个数为n,则最终得到10n个概率值,数字0~9中的每个数字对应n个概率值。考虑到硬币上的年份数字是四位,目标识别网络从每个数字对应的n个概率值中筛选概率值较高的4个概率值,即为0~9中的每个数字分别筛选出了4个候选区域,最终筛选出40个候选区域。目标识别网络再从筛选出的40个候选区域中确定概率值最高的4个候选区域,将概率值最高的4个候选区域识别为硬币上的四位年份数字各自对应的目标区域。最后,目标识别网络将这4个目标区域的坐标及对应的年份数字的名称进行输出。
在本发明一具体实施例中,基于上述Faster RCNN模型的具体结构,S02可以通过如图6所示的S021~S025实现,具体如下:
S021:根据预训练得到的特征提取模型的参数值对所述特征提取网络的参数值进行初始化,对所述区域提取网络的参数值进行随机初始化,并采用初始化后的所述特征提取网络和所述区域提取网络从每张所述硬币图像中提取候选区域。
在本实施例中,终端获取预训练得到的特征提取模型,并根据预训练得到的特征提取模型的参数值对特征提取网络的参数进行初始化。
其中,特征提取模型是基于ImageNet训练得到的特征提取模型。ImageNet是目前世界上用于图像识别的最大图像数据库。
在实际应用中,特征提取网络可以采用VGG16网络。请一并参阅表2,表2示出了本实施例提供的一种VGG16网络的参数。
其中,VGG16网络包括13个卷积层、4个池化层,每层卷积核的大小和个数分别如表2所示。
表2
在本实施例中,终端设备可以从网络上获取预训练得到的VGG16模型的参数值,并采用预训练得到的VGG16模型的参数值对VGG16的参数值进行初始化。其中,VGG16的参数值包括但不限于卷积核个数、卷积核大小以及卷积核中各个元素对应的值。
同时,终端设备对RPN的参数值进行随机初始化。对RPN的参数值进行初始化是指对RPN中包含的每个卷积核中的各个元素的值进行初始化。
在对区域提取网络中的特征提取网络的参数值以及RPN的参数值进行初始化后,终端设备可以采用初始化后的特征提取网络和RPN从每张硬币图像中提取候选区域,并将所提取出的候选区域的坐标输出至目标识别网络。
S022:根据从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第一次训练。
终端设备根据从每张硬币图像中提取出的候选区域以及每张硬币图像中的硬币上的年份数字信息对目标识别网络进行第一次训练。
具体的,终端设备将从每张硬币图像中提取出的候选区域的坐标作为目标识别网络的输入,将每张硬币图像中的硬币上的年份数字信息作为目标识别网络的输出,以对目标识别网络进行第一次训练。
在对目标识别网络进行第一次训练后,得到目标识别网络的初始参数值。其中,目标识别网络的初始参数值指目标识别网络中的卷积核中各个元素的初始参数值。
S023:根据第一次训练后的所述目标识别网络的初始参数值对所述区域提取网络的参数值进行更新,并采用初始化后的所述特征提取网络和更新后的所述区域提取网络再次从每张所述硬币图像中提取候选区域。
终端设备根据第一次训练后的目标网络的初始参数值对RPN的参数值进行更新,并采用更新后的区域提取网络再次从每张硬币图像中提取候选区域,并将再次提取出的候选区域的坐标输出至目标识别网络。
S024:根据再次从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第二次训练。
终端设备根据再次从每张硬币图像中提取出的候选区域以及每张硬币图像中的硬币上的年份数字信息对经第一次训练后的目标识别网络进行第二次训练。具体的,终端设备将再次从每张硬币图像中提取出的候选区域的坐标作为目标识别网络的输入,将每张硬币图像中的硬币上的年份数字信息作为目标识别网络的输出,以对目标识别网络进行第二次训练。
在对目标识别网络进行第二次训练后,得到目标识别网络的最终参数值。其中,目标识别网络的最终参数值指目标识别网络中的卷积核中各个元素的最终参数值。
S025:将由初始化后的所述特征提取网络、更新后的所述区域提取网络以及第二次训练后的所述目标识别网络组成的所述Faster RCNN模型识别为硬币年份识别模型。
终端设备更新后的区域提取网络以及经第二次训练后的目标识别网络组成的Faster RCNN模型确定为硬币年份识别模型,并将硬币年份识别模型进行存储。当需要对硬币的年份进行识别时,终端调用该硬币年份识别模型。
需要说明的是,当终端首次接收到硬币年份识别指令时,才执行上述训练硬币年份模型的步骤,即S01~S02。当终端非首次接收到硬币年份识别指令时,不再执行训练硬币年份模型的步骤,直接执行S11~S13。
以上可以看出,本实施例提供的一种识别硬币年份的方法通过预先构建FasterRCNN模型,并采用由多组硬币图像及硬币年份数字信息构成的训练样本集对Faster RCNN模型进行训练,进而得到硬币年份识别模型。由于Faster RCNN模型对目标的检测及定位速率较快,准确率较高,因此采用对Faster RCNN模型进行训练得到的硬币年份模型来对硬币的年份进行识别,不仅提高了硬币年份识别的效率,而且提高了硬币年份识别的准确率。且由于训练样本集中包含的多张硬币图像中硬币的位置及姿态是随机的,因而基于该训练样本集训练出的硬币年份识别模型能够对各种不同规格的硬币图像中的硬币的年份进行有效识别。
请参阅图7,图7是本发明实施例提供的一种终端设备的结构示意图。终端设备700可以为智能手机、平板电脑等移动终端设备,还可以为其他终端设备,此处不做限制。本实施例的终端设备700包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1以及图1对应的实施例中的相关描述,此处不赘述。如图7所示,本实施例的终端设备700包括第一获取单元71、模型调用单元72及年份确定单元73。
第一获取单元71用于获取待识别的目标硬币图像。
模型调用单元72用于将所述目标硬币图像输入至训练好的硬币年份识别模型。
年份确定单元73用于根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份;其中,所述年份数字信息用于表征硬币的年份。
可选的,在本发明一具体实施例中,所述年份数字信息包括所述目标硬币图像中的硬币上的四位年份数字的名称及坐标;年份确定单元73具体用于:根据所述目标硬币图像中的硬币上的四位年份数字的坐标以及预设排序策略对所述四位年份数字进行排序,得到所述硬币的年份。
可选的,在本发明一具体实施例中,年份确定单元73具体用于:
采用背景差分法对所述目标硬币图像进行处理,得到所述目标硬币图像中的硬币所在的圆形显示区域,确定所述圆形显示区域的中心点的坐标;
根据所述圆形显示区域的中心点的坐标以及所述硬币上的四位年份数字的坐标,确定所述四位年份数字在所述圆形显示区域中的位置;
若所述四位年份数字均位于所述圆形显示区域的下半部分,则按照第一预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的上半部分,则按照第二预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的右半部分,则按照第三预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的左半部分,则按照第四预设顺序对所述四位年份数字进行排序,得到所述硬币的年份。
以上可以看出,本实施例提供的一种终端设备通过获取待识别的目标硬币图像;将所述目标硬币图像输入至训练好的硬币年份识别模型;根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份。由于通过预先训练好的硬币年份识别模型对待识别的硬币的年份进行识别,从而无需人工根据硬币的年份对硬币进行分类,不仅提高了硬币回收的效率,而且节省了人工成本。
请参阅图8,图8是本发明另一实施例提供的一种终端设备的结构示意图。本实施例的终端设备700包括的各单元用于执行图3对应的实施例中的各步骤,具体请参阅图3以及图3对应的实施例中的相关描述,此处不赘述。如图8所示,相对于图7对应的实施例,本实施例中的终端设备700还包括第二获取单元74、模型训练单元75。
第二获取单元74用于获取训练样本集;其中,所述训练样本集中的每组样本数据均由硬币图像以及所述硬币图像中的硬币的年份数字信息构成,所述硬币的年份数字信息包括所述硬币上的四位年份数字的名称及坐标。
模型训练单元75用于采用所述训练样本集对预先构建的基于区域的快速卷积神经网络Faster RCNN模型进行训练,将训练好的所述Faster RCNN模型确定为硬币年份识别模型;其中,所述硬币年份识别模型用于识别硬币的年份。
可选的,在本发明一具体实施例中,第二获取单元74具体包括图像获取单元741、坐标标定单元742、数字坐标确定单元743、数字名称确定单元744、样本集确定单元745。
图像获取单元741用于获取用于训练模型的硬币图像。
坐标标定单元742用于确定用户在每张所述硬币图像中的硬币上框选出的四个矩形区域的坐标;其中,所述矩形区域用于表征所述硬币上的年份数字所占的显示区域。
数字坐标确定单元743用于将所述硬币图像中的四个矩形区域的坐标分别确定为所述硬币图像中的硬币上的四位年份数字的坐标。
数字名称确定单元744用于确定每张所述硬币图像中的硬币上的四位年份数字的名称。
样本集确定单元745用于将每张所述硬币图像、每张所述硬币图像中的硬币上的年份数字的名称及坐标进行关联存储,得到训练样本集。
可选的,在本发明一具体实施例中,坐标标定单元742具体包括区域获取单元和区域坐标确定单元。
区域获取单元用于获取用户在每张所述硬币图像中的硬币上框选出的四个矩形区域。
区域坐标确定单元用于根据预设的坐标标定策略,确定每个所述矩形区域的预设对角线的两个端点的坐标,将每个所述矩形区域的预设对角线的两个端点的坐标确定为所述矩形区域的坐标。
可选的,在本发明一具体实施例中,所述Faster RCNN模型包括特征提取网络、区域提取网络及目标识别网络;所述区域提取网络的输入端和所述目标识别网络的输入端均与所述特征提取网络的输出端连接,所述目标识别网络的输入端还与所述区域提取网络的输出端连接;模型训练单元75具体包括:参数初始化单元751、第一训练单元752、参数更新单元753、第二训练单元754及模型确定单元755。
参数初始化单元751用于根据预训练得到的特征提取模型的参数值对所述特征提取网络的参数值进行初始化,对所述区域提取网络的参数值进行随机初始化,并采用初始化后的所述特征提取网络和所述区域提取网络从每张所述硬币图像中提取候选区域。
第一训练单元752用于根据从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第一次训练。
参数更新单元753用于根据第一次训练后的所述目标识别网络的初始参数值对所述区域提取网络的参数值进行更新,并采用初始化后的所述特征提取网络和更新后的所述区域提取网络再次从每张所述硬币图像中提取候选区域。
第二训练单元754用于根据再次从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第二次训练。
模型确定单元755用于将由初始化后的所述特征提取网络、更新后的所述区域提取网络以及第二次训练后的所述目标识别网络组成的所述Faster RCNN模型识别为硬币年份识别模型。
以上可以看出,本实施例提供的一种终端设备通过预先构建Faster RCNN模型,并采用由多组硬币图像及硬币年份数字信息构成的训练样本集对Faster RCNN模型进行训练,进而得到硬币年份识别模型。由于Faster RCNN模型对目标的检测及定位速率较快,准确率较高,因此采用对Faster RCNN模型进行训练得到的硬币年份模型来对硬币的年份进行识别,不仅提高了硬币年份识别的效率,而且提高了硬币年份识别的准确率。且由于训练样本集中包含的多张硬币图像中硬币的位置及姿态是随机的,因而基于该训练样本集训练出的硬币年份识别模型能够对各种不同规格的硬币图像中的硬币的年份进行有效识别。
图9是本发明再一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备900包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个方法实施例中的步骤,例如图1所示的S11至S13。或者,所述处理器90执行所述计算机程序92时实现上述各终端设备实施例中各单元/单元的功能,例如图7所示单元71至73的功能。
示例性的,所述计算机程序92可以被分割成一个或多个单元/单元,所述一个或者多个单元/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个单元/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92在所述终端设备中的执行过程。例如,所述计算机程序92可以被分割成第一获取单元、模型调用单元及年份确定单元,各单元具体功能如下:
第一获取单元用于获取待识别的目标硬币图像。
模型调用单元用于将所述目标硬币图像输入至训练好的硬币年份识别模型。
年份确定单元用于根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份;其中,所述年份数字信息用于表征硬币的年份。
终端设备900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。所述终端设备900可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备的示例,并不构成对终端设备900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,例如所述终端设备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90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91可以是所述终端设备的内部存储单元,例如终端设备的硬盘或内存。所述存储器91也可以是所述终端设备的外部存储设备,例如所述终端设备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91还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91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、单元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、单元完成,即将所述终端设备的内部结构划分成不同的功能单元或单元,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、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。另外,各功能单元、单元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、单元的具体工作过程,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,所揭露的终端设备/系统和方法,可以通过其它的方式实现。例如,以上所描述的终端设备/系统实施例仅仅是示意性的,例如,所述单元或单元的划分,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,终端设备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。
所述集成的单元/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终端设备、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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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是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 (8)
1.一种识别硬币年份的方法,其特征在于,包括:
获取待识别的目标硬币图像;所述目标硬币图像由摄像装置对待识别的硬币进行图像采集得到;
将所述目标硬币图像输入至训练好的硬币年份识别模型;所述硬币年份识别模型是采用训练样本集对预先构建的基于区域的快速卷积神经网络Faster RCNN模型进行训练得到的,所述训练样本集中的每组样本数据均由硬币图像以及所述硬币图像中的硬币的年份数字信息构成,所述硬币的年份数字信息包括所述硬币上的四位年份数字的名称及坐标;
根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份;其中,所述年份数字信息用于表征硬币的年份;
所述根据所述硬币年份识别模型输出的年份数字信息确定所述目标硬币图像中的硬币的年份,包括:
采用背景差分法对所述目标硬币图像进行处理,得到所述目标硬币图像中的硬币所在的圆形显示区域,确定所述圆形显示区域的中心点的坐标;
根据所述圆形显示区域的中心点的坐标以及所述硬币上的四位年份数字的坐标,确定所述四位年份数字在所述圆形显示区域中的位置;
若所述四位年份数字均位于所述圆形显示区域的下半部分,则按照第一预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的上半部分,则按照第二预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的右半部分,则按照第三预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
若所述四位年份数字均位于所述圆形显示区域的左半部分,则按照第四预设顺序对所述四位年份数字进行排序,得到所述硬币的年份;
其中,所述第一预设顺序、所述第二预设顺序、所述第三预设顺序及所述第四预设顺序根据所述硬币年份识别模型在确定所述硬币上的年份数字的坐标时所参照的坐标系确定。
2.根据权利要求1所述的方法,其特征在于,所述获取待识别的目标硬币图像之前,还包括:
获取所述训练样本集;
采用所述训练样本集对所述Faster RCNN模型进行训练,将训练好的所述Faster RCNN模型确定为硬币年份识别模型;其中,所述硬币年份识别模型用于识别硬币的年份。
3.根据权利要求2所述的方法,其特征在于,所述获取训练样本集,包括:
获取用于训练模型的硬币图像;
确定用户在每张所述硬币图像中的硬币上框选出的四个矩形区域的坐标;其中,所述矩形区域用于表征所述硬币上的年份数字所占的显示区域;
将所述硬币图像中的四个矩形区域的坐标分别确定为所述硬币图像中的硬币上的四位年份数字的坐标;
确定每张所述硬币图像中的硬币上的四位年份数字的名称;
将每张所述硬币图像、每张所述硬币图像中的硬币上的年份数字的名称及坐标进行关联存储,得到训练样本集。
4.根据权利要求3所述的方法,其特征在于,所述确定用户在每张所述硬币图像中的硬币上框选出的四个矩形区域的坐标,包括:
获取用户在每张所述硬币图像中的硬币上框选出的四个矩形区域;
根据预设的坐标标定策略,确定每个所述矩形区域的预设对角线的两个端点的坐标,将每个所述矩形区域的预设对角线的两个端点的坐标确定为所述矩形区域的坐标。
5.根据权利要求2至4任一项所述的方法,其特征在于,所述Faster RCNN模型包括特征提取网络、区域提取网络及目标识别网络;所述区域提取网络的输入端和所述目标识别网络的输入端均与所述特征提取网络的输出端连接,所述目标识别网络的输入端还与所述区域提取网络的输出端连接;
所述采用所述训练样本集对预先构建的基于区域的快速卷积神经网络Faster RCNN模型进行训练,将训练好的所述Faster RCNN模型确定为硬币年份识别模型,包括:
根据预训练得到的特征提取模型的参数值对所述特征提取网络的参数值进行初始化,对所述区域提取网络的参数值进行随机初始化,并采用初始化后的所述特征提取网络和所述区域提取网络从每张所述硬币图像中提取候选区域;
根据从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第一次训练;
根据第一次训练后的所述目标识别网络的初始参数值对所述区域提取网络的参数值进行更新,并采用初始化后的所述特征提取网络和更新后的所述区域提取网络再次从每张所述硬币图像中提取候选区域;
根据再次从每张所述硬币图像中提取出的候选区域以及每张所述硬币图像中的硬币的年份数字信息对所述目标识别网络进行第二次训练;
将由初始化后的所述特征提取网络、更新后的所述区域提取网络以及第二次训练后的所述目标识别网络组成的所述Faster RCNN模型识别为硬币年份识别模型。
6.一种终端设备,其特征在于,包括用于执行如权利要求1-5任一项所述的方法的单元。
7.一种终端设备,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1-5任一项所述方法的步骤。
8.一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1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444678.9A CN108256520B (zh) | 2017-12-27 | 2017-12-27 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444678.9A CN108256520B (zh) | 2017-12-27 | 2017-12-27 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256520A CN108256520A (zh) | 2018-07-06 |
CN108256520B true CN108256520B (zh) | 2020-10-30 |
Family
ID=62724235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711444678.9A Active CN108256520B (zh) | 2017-12-27 | 2017-12-27 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256520B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019127075A1 (zh) * | 2017-12-27 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
CN110503046A (zh) * | 2019-08-26 | 2019-11-26 | 华北电力大学(保定) | 一种基于图像识别技术的铅封识别法 |
CN113392673A (zh) * | 2020-03-12 | 2021-09-14 | 顺丰科技有限公司 | 图像的校正方法、装置、设备以及计算机可读存储介质 |
CN111627146A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 一种用户行为识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355743A (zh) * | 2015-07-14 | 2017-01-25 | 深圳怡化电脑股份有限公司 | 纸币的版本识别方法及装置 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
CN106529537A (zh) * | 2016-11-22 | 2017-03-22 | 亿嘉和科技股份有限公司 | 一种数字仪表读数图像识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053595B2 (en) * | 2012-02-02 | 2015-06-09 | Jared Grove | Coin identification system and method using image processing |
CN103577820B (zh) * | 2012-07-31 | 2017-08-25 | 乐金信世股份有限公司 | 字符识别方法、字符识别装置及金融设备 |
CN106295629B (zh) * | 2016-07-15 | 2018-06-15 | 北京市商汤科技开发有限公司 | 结构化文本检测方法和系统 |
-
2017
- 2017-12-27 CN CN201711444678.9A patent/CN108256520B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355743A (zh) * | 2015-07-14 | 2017-01-25 | 深圳怡化电脑股份有限公司 | 纸币的版本识别方法及装置 |
CN106529537A (zh) * | 2016-11-22 | 2017-03-22 | 亿嘉和科技股份有限公司 | 一种数字仪表读数图像识别方法 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108256520A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256520B (zh) | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
US8792722B2 (en) | Hand gesture detection | |
CN109117773B (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN111178355B (zh) | 印章识别方法、装置和存储介质 | |
CN109409377B (zh) | 图像中文字的检测方法及装置 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
WO2022134771A1 (zh) | 表格处理方法、装置、电子设备及存储介质 | |
CN111950355A (zh) | 印章识别方法、装置及电子设备 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN112025693B (zh) | 非对称三指抓取器的像素级目标抓取检测方法及系统 | |
CN111507324A (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
CN110689046A (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
CN105825228B (zh) | 图像识别方法及装置 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN112036304A (zh) | 医疗票据版面识别的方法、装置及计算机设备 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN115272691A (zh) | 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备 | |
CN114758145A (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
WO2019127075A1 (zh) | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 | |
CN110598033B (zh) | 智能自核验车方法、装置及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |