CN108364012B - 一种钱币总额的确定方法及装置 - Google Patents

一种钱币总额的确定方法及装置 Download PDF

Info

Publication number
CN108364012B
CN108364012B CN201810008888.1A CN201810008888A CN108364012B CN 108364012 B CN108364012 B CN 108364012B CN 201810008888 A CN201810008888 A CN 201810008888A CN 108364012 B CN108364012 B CN 108364012B
Authority
CN
China
Prior art keywords
money
model
coins
determining
amount
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
Application number
CN201810008888.1A
Other languages
English (en)
Other versions
CN108364012A (zh
Inventor
王康
管维刚
钱佳景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201810008888.1A priority Critical patent/CN108364012B/zh
Publication of CN108364012A publication Critical patent/CN108364012A/zh
Application granted granted Critical
Publication of CN108364012B publication Critical patent/CN108364012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本说明书披露的实施例提供一种钱币总额的确定方法，该方法包括：获取输入的图像信息，识别该图像信息中包括的至少一个钱币的钱币数量和轮廓信息。再根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像，并确定与各个钱币对应的子图像中该钱币的金额。然后，根据各个钱币的金额，确定至少一个钱币的总额。

Description

一种钱币总额的确定方法及装置
技术领域
本说明书披露的多个实施例涉及互联网技术领域，尤其涉及一种钱币总额的确定方法及装置。
背景技术
钱币(如，纸币、硬币等)作为一种商品交易的工具，在生活中被人们广泛使用。有时，用户会拥有较多的钱币，例如，当用户把买菜后找零的硬币或小额纸币积攒下来时。又例如，当用户在存钱罐中陆续放入一些钱币时。再例如，在商户营业的过程中，收银员收取大量的钱币时。此时，用户拥有的这些钱币可能具有不同的面值，各种面值的钱币可能具有不同的数量。
当用户需要统计这些钱币的总额度时，现有技术中提供的方法往往过于繁琐。因此，需要提供更加可靠的方案，以使用户能够快速、便捷、准确地统计出钱币的总金额。
发明内容
本说明书描述了一种钱币总额的确定方法及装置，通过获取图像信息中包括的钱币的钱币数量和轮廓信息，以及确定各个钱币的金额，从而能够快速、准确地确定图像信息中包括的钱币的总额。
第一方面，提供了一种钱币总额的确定方法。该方法包括：
获取输入的图像信息；
识别所述图像信息中包括的至少一个钱币的钱币数量和轮廓信息；
根据所述钱币数量和轮廓信息，从所述图像信息中确定与所述至少一个钱币中各个钱币对应的子图像；
确定与所述各个钱币对应的子图像中该钱币的金额；
根据所述各个钱币的金额，确定所述至少一个钱币的总额。
在一种可能的实施方式中，所述获取输入的图像信息，包括：
获取所述输入的图片或视频；
确定所述图片或视频中包括的所述图像信息。
在一种可能的实施方式中，所述识别所述图像信息中包括的至少一个钱币的钱币数量和轮廓信息，包括：
使用多目标检测模型，识别所述图像信息中包括的至少一个钱币的钱币数量和轮廓信息。
在一种可能的实施方式中，所述多目标检测模型包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。
在一种可能的实施方式中，所述多目标检测模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的实施方式中，所述从所述图像信息中确定与所述至少一个钱币中各个钱币对应的子图像，包括：
将与所述图像信息对应的图像切割成与所述至少一个钱币中各个钱币对应的子图像。
在一种可能的实施方式中，所述确定与所述各个钱币对应的子图像中该钱币的金额，包括：
使用图片分类模型，确定与所述各个钱币对应的子图像中该钱币的金额，所述图片分类模型基于已标注有钱币金额的样本图片而训练。
在一种可能的实施方式中，所述图片分类模型包括基于ResNet算法的模型或基于Mobilenet算法的模型。
在一种可能的实施方式中，所述图片分类模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的实施方式中，所述至少一个钱币包括硬币和/或纸币。
第二方面，提供了一种钱币总额的确定装置。该装置包括：
获取单元，用于获取输入的图像信息；
识别单元，用于识别所述图像信息中包括的至少一个钱币的钱币数量和轮廓信息；
第一确定单元，用于根据所述钱币数量和轮廓信息，从所述图像信息中确定与所述至少一个钱币中各个钱币对应的子图像；
第二确定单元，用于确定与所述各个钱币对应的子图像中该钱币的金额；
处理单元，用于根据所述各个钱币的金额，确定所述至少一个钱币的总额。
在一种可能的设计中，所述获取单元具体包括：
获取子单元，用于获取所述输入的图片或视频；
确定子单元，用于确定所述图片或视频中包括的所述图像信息。
在一种可能的设计中，所述识别单元具体用于：
使用多目标检测模型，识别所述图像信息中包括的至少一个钱币的钱币数量和轮廓信息。
在一种可能的设计中，所述识别单元中的多目标检测模型包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。
在一种可能的设计中，所述识别单元中的多目标检测模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的设计中，所述第一确定单元具体用于：
将与所述图像信息对应的图像切割成与所述至少一个钱币中各个钱币对应的子图像。
在一种可能的设计中，所述第二确定单元具体用于：
使用图片分类模型，确定与所述各个钱币对应的子图像中该钱币的金额，所述图片分类模型基于已标注有钱币金额的样本图片而训练。
在一种可能的设计中，所述第二确定单元中的图片分类模型包括基于ResNet算法的模型或基于Mobilenet算法的模型。
在一种可能的设计中，所述第二确定单元中的图片分类模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的设计中，所述至少一个钱币包括硬币和/或纸币。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序。当所述计算机程序在计算机中执行时，令计算机执行上述第一方面中任一种实施方式提供的方法。
第四方面，提供了一种计算设备，包括存储器和处理器。所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述第一方面中任一种实施方式提供的方法。
本说明书提供的一种钱币总额的确定方法及装置,通过获取输入的图像信息，并识别该图像信息中包括的至少一个钱币的钱币数量和轮廓信息。然后，根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像，并确定与各个钱币对应的子图像中该钱币的金额，再根据钱币数量和各个钱币的金额，确定至少一个钱币的总额。从而使用户能够快速、便捷、准确地统计出钱币的总金额。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例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说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例提供的一种钱币总额的确定方法流程图；
图2为本说明书披露的一个实施例提供的包括钱币的图片；
图3为本说明书披露的另一个实施例提供的包括钱币的图片；
图4为本说明书披露的一个实施例提供的与各个钱币对应的子图像示意图；
图5为本说明书披露的另一个实施例提供的与各个钱币对应的子图像示意图；
图6为本说明书披露的一个实施例提供的确定出的各个钱币的金额的示意图；
图7为本说明书披露的另一个实施例提供的确定出的各个钱币的金额的示意图；
图8为本说明书披露的一个实施例提供的一种多目标检测模型和图片分类模型的训练方法；
图9为本说明书披露的一个实施例提供的一种钱币总额的确定装置结构图。
具体实施方式
下面结合附图，对本说明书披露的多个实施例进行描述。
首先，对本说明书披露的多个实施例提供的钱币总额的确定方法的应用场景进行介绍。该方法的执行主体可以为终端或者服务器。当用户需要统计钱币的总额时，可以采用本说明书披露的多个实施例提供的钱币总额的确定方法。
终端(如，终端可以为手机、平板电脑、可穿戴智能设备等)获取用户输入的包括钱币(如，钱币可以包括不同面值的纸币和硬币)的视频或图片(如，视频或图片可以由用户使用终端对钱币进行拍摄而生成)，并确定视频或图片所包括的图像信息。接着，识别该图像信息中包括的钱币的钱币数量(如，钱币数量为30)和轮廓信息(如，轮廓信息可以包括各个钱币的具体轮廓)。然后，根据钱币数量和轮廓信息，从图像信息中确定与各个钱币对应的子图像(如，子图像可以为包括单个钱币的图像)，并确定与各个钱币对应的子图像中该钱币的金额，再根据各个钱币的金额，确定图像信息中包括的钱币的总额(如，钱币的总额为11.2元)。
本说明书披露的多个实施例提供的钱币总额的确定方法，通过获取输入的图像信息，并识别该图像信息中包括的至少一个钱币的钱币数量和轮廓信息。然后，根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像，并确定与各个钱币对应的子图像中该钱币的金额，再根据钱币数量和各个钱币的金额，确定至少一个钱币的总额。从而使用户能够快速、便捷、准确地统计出钱币的总金额。
图1为本说明书披露的一个实施例提供的一种钱币总额的确定方法流程图。所述方法的执行主体可以为具有处理能力的设备：终端或服务器或者系统或者装置。如图1所示，所述方法具体包括：
步骤S110，获取输入的图像信息。
具体地，获取输入的图片或视频，并确定该图片或视频中包括的图像信息。其中输入的图片或视频可以由用户使用终端拍摄生成，也可以为用户从其他终端接收的图片或视频，在此不作限定。
可以理解，图像信息是指由图像转化成的处理设备可以处理的数字信息，其中图像可以包括图片和视频帧。
在一个实施例中，获取输入的图片，并确定该图片中包括的图像信息。在一个例子中，获取对多个钱币进行拍摄而生成的图片，如图2或图3所示，并确定该图片的图像信息。
在另一个实施例中，获取输入的视频，并确定该视频中包括的图像信息。在一个例子中，确定视频中包括的图像信息，可以包括：将视频分解为视频帧，并确定各个视频帧包括的图像信息，进而确定该视频中包括的图像信息。
步骤S120，识别图像信息中包括的至少一个钱币的钱币数量和轮廓信息。
需要说明的是，图像信息中涉及的至少一个钱币可以为硬币和/或纸币。在一个实施例中，图像信息中涉及多个钱币，这些钱币可以为同一个国家的流通货币，也可以为不同国家的流通货币。在一个例子中，图像信息中涉及的多个钱币包括人民币和美元。
在一个实施例中，可以使用多目标检测模型，识别图像信息中包括的至少一个钱币的钱币数量和轮廓信息。其中，多目标检测模型可以包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。在一个例子中，使用基于FasterRCNN算法的模型，可以识别出图2中包括的钱币数量为23，以及其中各个钱币的轮廓。在另一例子中，使用基于YoloV2算法的模型，可以识别出图3中包括的钱币数量为19，以及其中各个钱币的轮廓。
在步骤S110中获取图像信息，以及在步骤S120中根据该图像信息识别钱币数量和轮廓信息后，接着，在步骤S130，根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像。
在一个实施例中，根据钱币数量和轮廓信息，将与图像信息对应的图像切割成与至少一个钱币中各个钱币对应的子图像。
在一个例子中，如图4所示，根据钱币数量23和各个钱币的轮廓信息，将图2中的图像切割成与23个钱币中各钱币对应的子图像。
在另一个例子中，如图5所示，根据钱币数量19和各个钱币的轮廓信息，将图3中的图像切割成与19个钱币中各钱币对应的子图像。
步骤S140，确定与各个钱币对应的子图像中该钱币的金额。
在一个实施例中，根据图片分类模型，确定与各个钱币对应的子图像中该钱币的金额。其中，图片分类模型基于已经标定有钱币金额的样本图片而训练。如此训练的图片分类深度学习模型可以根据输入的待识别图像确定出钱币的种类，相应地可以确定出钱币的金额。
图片分类模型可以包括基于ResNet算法的模型或基于Mobilenet算法的模型。
在一个例子中，使用基于ResNet算法的模型，可以确定图6中包括的与各个钱币对应的子图像中该钱币的金额，其中包括12个0.1元、5个0.5元和6个1元。
在另一个例子中，使用基于Mobilenet算法的模型，可以确定图7中包括与各个钱币对应的子图像中该钱币的金额，其中包括7个0.1元、2个0.5、7个1元、2个5元和1个10元。
在步骤S140中确定各个钱币的金额后，在步骤S150，根据各个钱币的金额，确定至少一个钱币的总额。
具体地，对各个钱币的金额进行加和计算，进而确定至少一个钱币的总额。
例如，可以根据步骤S140中确定的图6中各个钱币的金额，即，12个0.1元、5个0.5元和6个1元，统计出这些钱币的总额为9.7元。又例如，可以根据确定的图7中各个钱币的金额，即，7个0.1元、2个0.5、7个1元、2个5元和1个10元，统计出这些钱币的总额为28.7元。
需要说明的是，步骤S120中提及的多目标检测模型和步骤S140提及的图片分类模型，可以分别为基于不同算法的模型，也可以集成为基于同一种算法的模型。
在一个例子中，多目标检测模型和图片分类模型可以分别为基于FasterRCNN算法的模型和基于ResNet算法的模型，或者，也可以分别为基于YoloV2算法的模型和基于Mobilenet算法的模型。
在另一个例子中，多目标检测模型和图片分类模型可以集成为基于YoloV2算法的模型，或者，也可以集成为基于Mobilenet算法的模型。
此外，多目标检测模型和图片分类模型可以部署在服务端和/或移动端，相应地，图1中所述方法的执行主体可以为服务端和/或移动端。多目标检测模型和图片分类模型可以由服务端预先训练得到，下面对训练过程进行介绍。
图8为本说明书披露的一个实施例提供的一种多目标检测模型和图片分类模型的训练方法。如图8所示，所述方法具体包括：
步骤S810，获取训练数据。
具体地，获取预先准备的训练数据，该训练数据可以包括多种钱币的多个图像和与各个图像对应的标注信息。其中多种钱币可以包括1分、2分、1角、5角、1元的纸币或硬币，以及5元、10元、20元、50元、100元的纸币等。在一个实施例中，训练数据的数据格式可以为TFRecord。
步骤S820，根据训练数据，训练算法模型。
具体地，可以在服务端运行人工智能学习系统的框架，使用多目标检测算法和图片分类算法对步骤S810中获取的训练数据进行训练，并得到相应的算法模型文件。其中，人工智能学习系统的框架可以为Tensorflow、MXNet或Torch。
在一个实施例中，可以在服务端运行Tensorflow框架，使用FasterRCNN算法和ResNet算法对训练数据进行训练，并得到基于FasterRCNN算法的模型和基于ResNet算法的模型。又或者，使用YoloV2算法和Mobilenet算法对训练数据进行训练，并得到基于YoloV2算法的模型和基于Mobilenet算法的模型。
需要说明的是，在步骤S820之后，还可以包括步骤S830，对算法模型进行裁剪处理、再训练处理、量化处理或压缩处理中的至少一种处理。
具体地，当需要将步骤S820中训练得到的算法模型部署在移动端时，可以对该算法模型进行优化处理，以减轻该算法模型的大小、占用的内存和中央处理器(CentralProcessing Unit，简称CPU)使用量。其中优化处理可以包括裁剪处理、再训练处理、量化处理或压缩处理中的至少一种处理。
在一个实施例中，首先对算法模型进行裁剪和再训练，再将该模型的位数量化为预定位数，接着，对经过前述处理的模型进行压缩，得到可以部署在移动端的部署模型。例如，可以将优化处理后的基于YoloV2算法的模型和基于Mobilenet算法的模型、部署到内嵌Tensorflow运行框架的App中。
在一个例子中，对基于YoloV2算法的模型和基于Mobilenet算法的模型进行裁剪，例如，略去这两个模型中所占权重的较小的项，然后对这两个模型进行再训练，并对裁剪和再训练的步骤循环执行多次(如，5次)，直到由这两个模型确定的钱币总额的准确度达到预定值(如，90％)。再将模型中数据的位数同一量化为预定位数，如8位(bits)。接着，对经过量化处理的模型进行压缩，并得到压缩后的模型文件，如采用霍夫曼编码对该模型进行压缩，并得到霍夫曼编码模型文件。
需要说明的是，服务端中部署的未经过优化处理的算法模型相比于移动端中部署的优化后的算法模型具有更高的精度。因此，当使用移动端中部署的算法模型对步骤S810中获取的图像信息的识别效果不佳时(如，与图像信息对应的图像清晰度较低时)，可以将该图像信息上传至服务端进行识别，由服务端确定该图像信息中涉及的钱币的总额，再将总额回传至移动端，以使移动端向用户呈现钱币的总额。当然，由前述内容可知，移动端中也可以不部署算法模型，而是直接将图像信息上传至服务端进行识别。
由上可知，本说明书披露的多个实施例提供的钱币总额的确定方法，通过获取输入的图像信息，并识别该图像信息中包括的至少一个钱币的钱币数量和轮廓信息。然后，根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像，并确定与各个钱币对应的子图像中该钱币的金额，再根据钱币数量和各个钱币的金额，确定至少一个钱币的总额。从而使用户能够快速、便捷、准确地统计出钱币的总金额。
与上述钱币总额的确定方法对应地，本说明书披露的多个实施例还提供一种钱币总额的确定装置，如图9所示，该装置包括：
获取单元910，用于获取输入的图像信息；
识别单元920，用于识别图像信息中包括的至少一个钱币的钱币数量和轮廓信息；
第一确定单元930，用于根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像；
第二确定单元940，用于确定与各个钱币对应的子图像中该钱币的金额；
处理单元950，用于根据各个钱币的金额，确定至少一个钱币的总额。
在一种可能的设计中，获取单元910具体包括：
获取子单元921，用于获取输入的图片或视频；
确定子单元922，用于确定图片或视频中包括的图像信息。
在一种可能的设计中，识别单元920具体用于：
使用多目标检测模型，识别图像信息中包括的至少一个钱币的钱币数量和轮廓信息。
在一种可能的设计中，识别单元920中的多目标检测模型包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。
在一种可能的设计中，识别单元920中的多目标检测模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的设计中，第一确定单元930具体用于：
将与图像信息对应的图像切割成与至少一个钱币中各个钱币对应的子图像。
在一种可能的设计中，第二确定单元940具体用于：
使用图片分类模型，确定与各个钱币对应的子图像中该钱币的金额，所述图片分类模型基于已标注有钱币金额的样本图片而训练。
在一种可能的设计中，第二确定单元940中的图片分类模型包括基于ResNet算法的模型或基于Mobilenet算法的模型。
在一种可能的设计中，第二确定单元940中的图片分类模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
在一种可能的设计中，至少一个钱币包括硬币和/或纸币。
由上可知，本说明书披露的多个实施例提供的钱币总额的确定装置，获取单元910获取输入的图像信息，识别单元920识别该图像信息中包括的至少一个钱币的钱币数量和轮廓信息。然后，第一确定单元930根据钱币数量和轮廓信息，从图像信息中确定与至少一个钱币中各个钱币对应的子图像，第二确定单元940确定与各个钱币对应的子图像中该钱币的金额，处理单元950根据钱币数量和各个钱币的金额，确定至少一个钱币的总额。从而使用户能够快速、便捷、准确地统计出钱币的总金额。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书披露的多个实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本说明书披露的多个实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书披露的多个实施例的具体实施方式而已，并不用于限定本说明书披露的多个实施例的保护范围，凡在本说明书披露的多个实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书披露的多个实施例的保护范围之内。

Claims (14)

1.一种钱币总额的确定方法，其特征在于，包括：
获取对多个钱币进行拍摄而生成的图片，并确定该图片中包括的图像信息；
使用多目标检测模型，识别所述图像信息中包括的所述多个钱币的钱币数量和轮廓信息；
根据所述钱币数量和轮廓信息，将与所述图像信息对应的图像切割成与所述多个钱币中各个钱币对应的子图像，所述子图像为包括单个钱币的图像；
确定与所述各个钱币对应的子图像中该钱币的金额；
根据所述各个钱币的金额，确定所述多个钱币的总额。
2.根据权利要求1所述的方法，其特征在于，所述多目标检测模型包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。
3.根据权利要求2所述的方法，其特征在于，所述多目标检测模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
4.根据权利要求1所述的方法，其特征在于，所述确定与所述各个钱币对应的子图像中该钱币的金额，包括：
使用图片分类模型，确定与所述各个钱币对应的子图像中该钱币的金额，所述图片分类模型基于已标注有钱币金额的样本图片而训练。
5.根据权利要求4所述的方法，其特征在于，所述图片分类模型包括基于ResNet算法的模型或基于Mobilenet算法的模型。
6.根据权利要求5所述的方法，其特征在于，所述图片分类模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述多个钱币包括硬币和/或纸币。
8.一种钱币总额的确定装置，其特征在于，包括：
获取单元，用于获取对多个钱币进行拍摄而生成的图片，并确定该图片中包括的图像信息；
识别单元，用于使用多目标检测模型，识别所述图像信息中包括的多个钱币的钱币数量和轮廓信息；
第一确定单元，用于根据所述钱币数量和轮廓信息，将与所述图像信息对应的图像切割成与所述多个钱币中各个钱币对应的子图像，所述子图像为包括单个钱币的图像；
第二确定单元，用于确定与所述各个钱币对应的子图像中该钱币的金额；
处理单元，用于根据所述各个钱币的金额，确定所述多个钱币的总额。
9.根据权利要求8所述的装置，其特征在于，所述识别单元中的多目标检测模型包括基于FasterRCNN算法的模型或基于YoloV2算法的模型。
10.根据权利要求9所述的装置，其特征在于，所述识别单元中的多目标检测模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
11.根据权利要求8所述的装置，其特征在于，所述第二确定单元具体用于：
使用图片分类模型，确定与所述各个钱币对应的子图像中该钱币的金额，所述图片分类模型基于已标注有钱币金额的样本图片而训练。
12.根据权利要求11所述的装置，其特征在于，所述第二确定单元中的图片分类模型包括基于ResNet算法的模型或基于Mobilenet算法的模型。
13.根据权利要求12所述的装置，其特征在于，所述第二确定单元中的图片分类模型为具有预定位数，以及经过裁剪处理、再训练处理和压缩处理中至少一种处理的模型。
14.根据权利要求8-13任一项所述的装置，其特征在于，所述多个钱币包括硬币和/或纸币。
CN201810008888.1A 2018-01-04 2018-01-04 一种钱币总额的确定方法及装置 Active CN108364012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810008888.1A CN108364012B (zh) 2018-01-04 2018-01-04 一种钱币总额的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810008888.1A CN108364012B (zh) 2018-01-04 2018-01-04 一种钱币总额的确定方法及装置

Publications (2)

Publication Number Publication Date
CN108364012A CN108364012A (zh) 2018-08-03
CN108364012B true CN108364012B (zh) 2021-09-07

Family

ID=63010957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810008888.1A Active CN108364012B (zh) 2018-01-04 2018-01-04 一种钱币总额的确定方法及装置

Country Status (1)

Country Link
CN (1) CN108364012B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013516A (zh) * 2007-02-07 2007-08-08 张健 一种二维货币自动识别方法及系统
CN203084816U (zh) * 2013-02-04 2013-07-24 重庆电子工程职业学院 一种基于微处理器带币值识别的智能公交投币装置
CN203552298U (zh) * 2013-06-28 2014-04-16 周壮松 多功能点钞机
CN103955988A (zh) * 2014-05-06 2014-07-30 上海古鳌电子科技股份有限公司 一种纸币交易装置
CN203882373U (zh) * 2014-05-06 2014-10-15 上海古鳌电子科技股份有限公司 一种纸币交易装置
CN104856385A (zh) * 2015-04-28 2015-08-26 百度在线网络技术（北京）有限公司 智能钱包和基于其的用户账户信息获取方法
CN105894656A (zh) * 2016-03-30 2016-08-24 浙江大学 一种纸币图像识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070278289A1 (en) * 2006-05-31 2007-12-06 Toshiba Tec Kabushiki Kaisha Payment adjusting apparatus and program therefor

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013516A (zh) * 2007-02-07 2007-08-08 张健 一种二维货币自动识别方法及系统
CN203084816U (zh) * 2013-02-04 2013-07-24 重庆电子工程职业学院 一种基于微处理器带币值识别的智能公交投币装置
CN203552298U (zh) * 2013-06-28 2014-04-16 周壮松 多功能点钞机
CN103955988A (zh) * 2014-05-06 2014-07-30 上海古鳌电子科技股份有限公司 一种纸币交易装置
CN203882373U (zh) * 2014-05-06 2014-10-15 上海古鳌电子科技股份有限公司 一种纸币交易装置
CN104856385A (zh) * 2015-04-28 2015-08-26 百度在线网络技术（北京）有限公司 智能钱包和基于其的用户账户信息获取方法
CN105894656A (zh) * 2016-03-30 2016-08-24 浙江大学 一种纸币图像识别方法

Also Published As

Publication number Publication date
CN108364012A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
US10523894B2 (en) Automated selection of keeper images from a burst photo captured set
US11410414B2 (en) Systems and methods for detection and localization of image and document forgery
US20060082849A1 (en) Image processing apparatus
US8503734B2 (en) Detecting image detail level
US11367310B2 (en) Method and apparatus for identity verification, electronic device, computer program, and storage medium
CN111046879B (zh) 证件图像分类方法、装置、计算机设备及可读存储介质
KR101893679B1 (ko) 딥 러닝을 이용한 카드번호 인식방법
CN111126098B (zh) 证件图像采集方法、装置、设备及存储介质
KR101330636B1 (ko) 얼굴시점 결정장치 및 방법과 이를 채용하는 얼굴검출장치및 방법
US20140198968A1 (en) Duplicate check image resolution
CN112101359B (zh) 文本公式的定位方法、模型训练方法及相关装置
CN113313111A (zh) 文本识别方法、装置、设备和介质
US20200210459A1 (en) Method and apparatus for classifying samples
CN111027450A (zh) 银行卡信息识别方法、装置、计算机设备及存储介质
CN109948521A (zh) 图像纠偏方法和装置、设备及存储介质
CN113902944A (zh) 模型的训练及场景识别方法、装置、设备及介质
CN111353514A (zh) 模型训练方法、图像识别方法、装置及终端设备
CN108364012B (zh) 一种钱币总额的确定方法及装置
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112200109A (zh) 面部属性识别方法、电子设备以及计算机可读存储介质
US6694059B1 (en) Robustness enhancement and evaluation of image information extraction
CN111291619A (zh) 一种在线识别理赔单据中文字的方法、装置及客户端
CN111339884A (zh) 图像识别方法以及相关设备、装置
US8363885B2 (en) Method, device, and program for embedding, displaying, and recognizing data
CN113095313A (zh) 文本字符串的识别方法、装置和服务器

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1257386

Country of ref document: HK

TA01 Transfer of patent application right

Effective date of registration: 20201020

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201020

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant