CN109389615B - 基于深度学习卷积神经网络的硬币识别方法及处理终端 - Google Patents
基于深度学习卷积神经网络的硬币识别方法及处理终端 Download PDFInfo
- Publication number
- CN109389615B CN109389615B CN201811155677.7A CN201811155677A CN109389615B CN 109389615 B CN109389615 B CN 109389615B CN 201811155677 A CN201811155677 A CN 201811155677A CN 109389615 B CN109389615 B CN 109389615B
- Authority
- CN
- China
- Prior art keywords
- coin
- layer
- image
- neural network
- convolutional neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000013256 coordination polymer Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D5/00—Testing specially adapted to determine the identity or genuineness of coins, e.g. for segregating coins which are unacceptable or alien to a currency
- G07D5/005—Testing the surface pattern, e.g. relief
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Abstract
本发明涉及一种基于深度学习卷积神经网络的硬币识别方法及处理终端，所述方法包括如下步骤：步骤1：获取包括真币和假币的若干张硬币图像的训练集和若干张真硬币图像的验证集；步骤2：将训练集和验证集输入至预设的卷积神经网络，对卷积神经网络进行训练，获得训练后的卷积神经网络；步骤3：对待识别的硬币图像进行预处理，获得最清晰的硬币图像；步骤4：将最清晰的硬币图像输入至步骤2获得的训练后的神经网络，从而识别出与所述最清晰的硬币图像对应的硬币的真假。本发明能够有效识别硬币的真假，识别率高，适用范围更广。
Description
技术领域
本发明涉及硬币识别技术领域，具体是一种基于深度学习卷积神经网络的硬币识别方法及处理终端。
背景技术
在许多场合，都需要使用到硬币，特别是自助式投币购物消费场合，比如商场的自助售货机，通过投放硬币进行自助购物，又比如在地铁的地铁投币机器中，投放硬币购买地铁车票，像这些场合每天都会面对大量的硬币投放。在如此大量的硬币投放过程中，很重要的一个问题是确保能够识别出投放硬币的真假，将假币识别出来，从而避免损失。而传统对硬币真假的识别，通常是根据硬币的重量、直径等物理表征来识别，这样的识别方法识别率低，且识别过程时间长，识别效率低下。
发明内容
针对现有技术的不足，本发明的目的之一提供一种基于深度学习卷积神经网络的硬币识别方法，其能够解决硬币真假的识别问题；
本发明的目的之二提供一种处理终端，能够解决硬币真假的识别问题。
实现本发明的目的之一的技术方案为：一种基于深度学习卷积神经网络的硬币识别方法，包括如下步骤：
步骤1：获取包括真币和假币的若干张硬币图像的训练集和若干张真硬币图像的验证集；
步骤2：将训练集和验证集输入至预设的卷积神经网络，对卷积神经网络进行训练，获得训练后的卷积神经网络；
步骤3：对待识别的硬币图像进行预处理，获得最清晰的硬币图像；
步骤4：将最清晰的硬币图像输入至步骤2获得的训练后的神经网络，从而识别出与所述最清晰的硬币图像对应的硬币的真假。
进一步地，所述对卷积神经网络进行训练为采用SGD算法对卷积神经网络进行最优化求解。
进一步地，所述SGD算法，初始学习率为0.001、最大迭代次数为20000、训练集和验证集的批量大小batchsize分别为128和64、惯性量momentum和权重衰减weight_decay分别为0.9和0.0005。
进一步地，所述卷积神经网络包括1个数据层data、3个卷积层、4个Relu层、2个池化层、2个全连接层、1个dropout层和1个softmax函数；3个卷积层分别为第一卷积层、第二卷积层和第三卷积层，4个Relu层分别为第一Relu层、第二Relu层、第三Relu层和第四Relu层，2个池化层分别为第一池化层和第二池化层，2个全连接层分别为第一全连接层和第二全连接层；
数据层data、第一卷积层、第一Relu层、第一池化层、第二卷积层、第二Relu层、第二池化层、第三卷积层、第三Relu层、第一全连接层、第四Relu层、第一dropout层、第二全连接层和sofatmax函数依次连接。
进一步地，所述第一卷积层由num_output＝64、pad＝1、kernel_size＝3和stride＝2组成，其中，num_output表示卷积核个数，pad表示扩展尺寸、kernel_size表示卷积核尺寸，stride表示卷积核滑动步长；第二卷积层由num_output＝128、pad＝1、kernel_size＝3和stride＝2组成；第三卷积层由num_output＝256、pad＝1、kernel_size＝3和stride＝2组成。
进一步地，所述第一池化层的池化类型为最大值池化，由kernel_size＝3和stride＝2组成；所述第二池化层的池化类型为最大值池化，由kernel_size＝2和stride＝2组成。
进一步地，所述dropout层的dropout_ratio＝0.5。
进一步地，所述第一全连接层的num_output＝256。
进一步地，所述第二全连接层的num_output＝10。
进一步地，所述对待识别的硬币图像进行预处理，具体过程包括依次进行的如下步骤：
步骤3-1：获取背景图像和硬币图像；
步骤3-2：将硬币图像和背景图像均转换成为灰度图像，分别得到灰度硬币图像和灰度背景图像；
步骤3-3：对灰度硬币图像进行噪声过滤，得到过滤后的灰度硬币图像；
步骤3-4：将过滤后的灰度硬币图像采用腐蚀和膨胀处理，进一步消除噪声，然后分割出灰度硬币图像中的联通区域，采用图像坐标系方法将位于灰度硬币图像边缘位置的联通区域剔除，将剩余联通区域采用最小外接矩形截取处理，得到包含硬币的待分类图像；
步骤3-5：将待分类图像分别与水平方向的Sobel算子h1做水平方向的卷积运算，然后再与垂直方向的Sobel算子h2做垂直方向的卷积运算，得到各个硬币图像对应的硬币梯度图像，并对各个硬币梯度图像分别求平均值，得到各个硬币图像对应的整体硬币图像的梯度均值，从所有整体硬币图像的梯度均值中选出梯度均值最大对应的硬币图像作为最清晰的硬币图像。
进一步地，所述
进一步地，所述对灰度硬币图像进行噪声过滤为采用公式①将在坐标(x,y)像素点处的灰度值P(x,y)过滤掉噪声，获得像素值Pthres(x,y)，从而得到过滤后的灰度硬币图像:
进一步地，所述采用图像坐标系方法将位于灰度硬币图像边缘位置的联通区域剔除，具体过程如下：
设Ci(i＝1,2,...,M)是第i个联通区域，其中M表示联通区域的总个数，CP(x,y)表示联通区域Ci中坐标为(x,y)的点，CPx表示联通区域Ci内部x轴的坐标值，CPy表示联通区域Ci内部y轴的坐标值，W表示灰度硬币图像的宽度，H表示灰度硬币图像的高度，采用公式②将位于灰度硬币图像边缘位置的联通区域剔除掉：
实现本发明的目的之二的技术方案为：一种处理终端，其包括，存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行前述基于深度学习卷积神经网络的硬币识别方法的步骤。
本发明的有益效果为：本发明能够有效识别硬币的真假，识别率高，能够减少由于对硬币识别错误而带来的损失；同时，本发明采用的卷积神经网络占用资源小，且实时计算能力强，能够适用于向地铁投币机器等等采用工业控制板和CPU的设备，适用范围更广。
附图说明
图1为本发明较佳实施例的流程图；
图2为本发明一种处理终端的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
如图1所示，一种基于深度学习卷积神经网络的硬币识别方法，包括如下步骤：
步骤1：获取训练集和验证集
本实施例中，收集5种不同硬币，包括旧版真硬币、新版真硬币和其他3种假硬币，比如收集包括所有币值的第四套真硬币、包括所有币值的第五套真硬币和包括所有币值的第四套假硬币、包括所有币值的第五套假硬币及包括所有币值的第三套假硬币，并按硬币的正反面(定义币值一面为正面，另一面为反面)将5种不同硬币一共分为10类，以地铁站内较常见的投币机器为例，获取所述5种不同硬币在投币机器内的轨道中的运动图像，也即是获得硬币图像，获得每类硬币的图像2000张作为训练集，这样，训练集一共有20000张，另准备每类硬币的图像700张作为验证集，这样，验证集一共有7000张，验证集的图片是指经过鉴别确认为真硬币的图片；以上是基于地铁站内使用的投币机器为例，实际的其他情况，也可以选择比如4种或6种不同硬币，并按硬币的正反面分为8类或12类，并获得硬币的运动图像或静止图像，训练集和验证集也可以选择其他数量的图片，可根据实际情况进行调整。
步骤2：卷积神经网络训练
将步骤1中训练集的20000张图片和验证集7000张图片输入至卷积神经网络，并采用SGD(Stochastic gradient descent，随机梯度下降)算法对卷积神经网络进行最优化求解，从而获得训练后的卷积神经网络。在具体的优选实施例中，可设置初始学习率为0.001、最大迭代次数为20000、训练集和验证集的批量大小batchsize分别为128和64、惯性量momentum和权重衰减weight_decay分别为0.9和0.0005。
进一步地，所述卷积神经网络包括1个数据层data、3个卷积层、4个Relu(Rectified Linear Unit，线性修正单元)层、2个池化层、2个全连接层、1个dropout层和1个softmax函数；3个卷积层分别为第一卷积层、第二卷积层和第三卷积层，4个Relu层分别为第一Relu层、第二Relu层、第三Relu层和第四Relu层，2个池化层分别为第一池化层和第二池化层，2个全连接层分别为第一全连接层和第二全连接层，Relu层是指非线性运算单元Relu激活函数；
数据层data、第一卷积层、第一Relu层、第一池化层、第二卷积层、第二Relu层、第二池化层、第三卷积层、第三Relu层、第一全连接层、第四Relu层、第一dropout层、第二全连接层和sofatmax函数依次连接。
进一步地，所述第一卷积层由num_output＝64、pad＝1、kernel_size＝3和stride＝2组成，其中，num_output表示卷积核个数，pad表示扩展尺寸、kernel_size表示卷积核尺寸，stride表示卷积核滑动步长；第二卷积层由num_output＝128、pad＝1、kernel_size＝3和stride＝2组成；第三卷积层由num_output＝256、pad＝1、kernel_size＝3和stride＝2组成。
进一步地，所述第一池化层的池化类型为最大值池化，由kernel_size＝3和stride＝2组成；所述第二池化层的池化类型为最大值池化，由kernel_size＝2和stride＝2组成。
进一步地，所述dropout层的dropout_ratio＝0.5，dropout_ratio表示对每一个输出节点以一定的概率置0，即不工作、权重不更新。
进一步地，所述第一全连接层的num_output＝256。
进一步地，所述第二全连接层的num_output＝10。
步骤3：硬币图像预处理
通过对待识别的硬币图像预处理获得最清晰的硬币图像，具体过程包括依次进行的如下步骤：
步骤3-1：获取摄像头拍摄的第一帧图像，第一帧图像是指摄像头刚启动程序拍摄到的不含硬币的静态轨道图像，以第一帧图像作为背景图像，对同一枚硬币而言，摄像头对硬币在投币机器内的轨道上的图像会拍摄若干张，同样的，获取摄像头拍摄的硬币在投币机器内的轨道上的所有运动图像，统称之为硬币图像，背景图像和硬币图像都是彩色图像；
步骤3-2：将硬币图像和背景图像均转换成为灰度图像，分别得到灰度硬币图像和灰度背景图像；
步骤3-3：对灰度硬币图像进行噪声过滤，首先将灰度硬币图像减去灰度背景图像，得到第一灰度硬币图像，然后对第一灰度硬币图像采用阈值法过滤掉由于光照等外在因素产生的噪声，得到过滤后的灰度硬币图像，过滤掉噪声的具体过程如下：
采用公式(1)将在坐标(x,y)像素点处的灰度值P(x,y)过滤掉噪声，获得像素值Pthres(x,y)，从而得到过滤后的灰度硬币图像:
步骤3-4：将过滤掉噪声后的灰度硬币图像采用腐蚀和膨胀处理，进一步消除噪声，然后分割出灰度硬币图像中的联通区域，联通区域是指像素值相同且位置相邻构成的图像区域，对分割出的联通区域采用图像坐标系方法进行位置过滤，即将位于灰度硬币图像边缘位置的联通区域剔除，具体过程如下：
设Ci(i＝1,2,...,M)是第i个联通区域，其中M表示联通区域的总个数，CP(x,y)表示联通区域Ci中坐标为(x,y)的点，CPx表示联通区域Ci内部x轴的坐标值，CPy表示联通区域Ci内部y轴的坐标值，W表示灰度硬币图像的宽度，H表示灰度硬币图像的高度，采用公式(2)将位于灰度硬币图像边缘位置的联通区域剔除掉：
将经过公式(2)处理后得到的剩余联通区域采用最小外接矩形截取处理，得到包含硬币的待分类图像；
步骤3-5：由于同一枚硬币在投币机器内轨道上的的运动过程中会被摄像头抓拍到多张硬币图像，通常会被抓拍到2到3张硬币图像，不同硬币图像的清晰度受到外界光照等因素影响而不同，因此需要筛选出最清晰的硬币图像，具体过程如下：
将摄像头抓拍到的所有硬币图像经过步骤3-1至步骤3-4处理后得到的待分类图像分别与水平方向的Sobel算子h1做水平方向的卷积运算，然后再与垂直方向的Sobel算子h2做垂直方向的卷积运算，得到各个硬币图像对应的硬币梯度图像，并对各个硬币梯度图像分别求平均值，得到各个硬币图像对应的整体硬币图像的梯度均值，从所有整体硬币图像的梯度均值中选出梯度均值最大对应的硬币图像作为最清晰的硬币图像,
其中，
步骤4：首先，采用双线性插值将步骤3获得的最清晰的硬币图像转换为3通道的128*128大小的硬币图像，然后，再将转换后的硬币图像输入至步骤2获得的训练后的神经网络，获得对硬币图像的所述类别和概率，从而识别出与所述最清晰的硬币图像对应的硬币的真假，若为假硬币，发出提示信息，比如发出“假硬币”的提醒信息。
另外，如图2所示，本发明还涉及一种实现以上方法的实体装置的处理终端100，其包括，
存储器101，用于存储程序指令；
处理器102，用于运行所述程序指令，以执行基于深度学习卷积神经网络的硬币识别方法的步骤，具体步骤与前面所描述的基于深度学习卷积神经网络的硬币识别方法中的步骤相同，在此不再进行赘述。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (13)
1.一种基于深度学习卷积神经网络的硬币识别方法，其特征在于：包括如下步骤：
步骤1：获取包括真币和假币的若干张硬币图像的训练集和若干张真硬币图像的验证集，硬币图像为硬币使用过程中的运动图像；
步骤2：将训练集和验证集输入至预设的卷积神经网络，对卷积神经网络进行训练，获得训练后的卷积神经网络；
步骤3：对待识别的硬币图像进行预处理，包括如下子步骤：
步骤3-1：获取背景图像和硬币图像；
步骤3-2：将硬币图像和背景图像均转换成为灰度图像，分别得到灰度硬币图像和灰度背景图像；
步骤3-3：将灰度硬币图像减去灰度背景图像，得到过滤后的灰度硬币图像；
步骤3-4：将过滤后的灰度硬币图像采用腐蚀和膨胀处理，进一步消除噪声，然后分割出过滤后的灰度硬币图像中的联通区域，采用图像坐标系方法将位于过滤后的灰度硬币图像边缘位置的联通区域剔除，将剩余联通区域采用最小外接矩形截取处理，得到包含硬币的待分类图像；
根据待分类图像获得最清晰的硬币图像；
步骤4：将最清晰的硬币图像输入至步骤2获得的训练后的神经网络，从而识别出与所述最清晰的硬币图像对应的硬币的真假；
其中，所述采用图像坐标系方法将位于灰度硬币图像边缘位置的联通区域剔除，具体过程如下：
设Ci是第i个联通区域，i＝1,2,...,M，其中M表示联通区域的总个数，CP(x,y)表示联通区域Ci中坐标为(x,y)的点，CPx表示联通区域Ci内部x轴的坐标值，CPy表示联通区域Ci内部y轴的坐标值，W表示灰度硬币图像的宽度，H表示灰度硬币图像的高度，采用公式②将位于灰度硬币图像边缘位置的联通区域剔除掉：
2.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述对卷积神经网络进行训练为采用SGD算法对卷积神经网络进行最优化求解。
3.根据权利要求2所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述SGD算法，初始学习率为0.001、最大迭代次数为20000、训练集和验证集的批量大小batchsize分别为128和64、惯性量momentum和权重衰减weight_decay分别为0.9和0.0005。
4.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述卷积神经网络包括1个数据层data、3个卷积层、4个Relu层、2个池化层、2个全连接层、1个dropout层和1个softmax函数；3个卷积层分别为第一卷积层、第二卷积层和第三卷积层，4个Relu层分别为第一Relu层、第二Relu层、第三Relu层和第四Relu层，2个池化层分别为第一池化层和第二池化层，2个全连接层分别为第一全连接层和第二全连接层；
数据层data、第一卷积层、第一Relu层、第一池化层、第二卷积层、第二Relu层、第二池化层、第三卷积层、第三Relu层、第一全连接层、第四Relu层、第一dropout层、第二全连接层和softmax函数依次连接。
5.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述第一卷积层由num_output＝64、pad＝1、kernel_size＝3和stride＝2组成，其中，num_output表示卷积核个数，pad表示扩展尺寸、kernel_size表示卷积核尺寸，stride表示卷积核滑动步长；第二卷积层由num_output＝128、pad＝1、kernel_size＝3和stride＝2组成；第三卷积层由num_output＝256、pad＝1、kernel_size＝3和stride＝2组成。
6.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述第一池化层的池化类型为最大值池化，由kernel_size＝3和stride＝2组成；所述第二池化层的池化类型为最大值池化，由kernel_size＝2和stride＝2组成，kernel_size表示卷积核尺寸，stride表示卷积核滑动步长。
7.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述dropout层的dropout_ratio＝0.5，dropout_ratio表示对每一个输出节点以一定的概率置0。
8.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述第一全连接层的num_output＝256，num_output表示卷积核个数。
9.根据权利要求4所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述第二全连接层的num_output＝10，num_output表示卷积核个数。
10.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述根据待分类图像获得最清晰的硬币图像，具体过程包括依次进行的如下步骤：
将待分类图像分别与水平方向的Sobel算子h1做水平方向的卷积运算，然后再与垂直方向的Sobel算子h2做垂直方向的卷积运算，得到各个硬币图像对应的硬币梯度图像，并对各个硬币梯度图像分别求平均值，得到各个硬币图像对应的整体硬币图像的梯度均值，从所有整体硬币图像的梯度均值中选出梯度均值最大对应的硬币图像作为最清晰的硬币图像。
11.根据权利要求10所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述
12.根据权利要求1所述的基于深度学习卷积神经网络的硬币识别方法，其特征在于：所述对灰度硬币图像进行噪声过滤为采用公式①将在坐标(x,y)像素点处的灰度值P(x,y)过滤掉噪声，获得像素值Pthres(x,y)，从而得到过滤后的灰度硬币图像:
13.一种处理终端，其特征在于：其包括，
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行如权利要求1至12任一项所述的基于深度学习卷积神经网络的硬币识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811155677.7A CN109389615B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习卷积神经网络的硬币识别方法及处理终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811155677.7A CN109389615B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习卷积神经网络的硬币识别方法及处理终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109389615A CN109389615A (zh) | 2019-02-26 |
| CN109389615B true CN109389615B (zh) | 2021-05-28 |
Family
ID=65418348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811155677.7A Active CN109389615B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习卷积神经网络的硬币识别方法及处理终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389615B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667002B (zh) * | 2020-06-05 | 2023-11-24 | 中国银行股份有限公司 | 一种币种识别方法、识别装置、以及电子设备 |
| CN112115960A (zh) * | 2020-06-15 | 2020-12-22 | 曹辉 | 一种收藏品鉴别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101872502A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 基于稀疏表示的硬币图像识别方法 |
| CN101908241A (zh) * | 2010-08-03 | 2010-12-08 | 广州广电运通金融电子股份有限公司 | 有价文件识别方法及其识别系统 |
| WO2012050107A1 (ja) * | 2010-10-12 | 2012-04-19 | グローリー株式会社 | 硬貨処理装置及び硬貨処理方法 |
| CN104866868A (zh) * | 2015-05-22 | 2015-08-26 | 杭州朗和科技有限公司 | 基于深度神经网络的金属币识别方法和装置 |
| CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
| KR101730964B1 (ko) * | 2015-06-01 | 2017-04-27 | 한국과학기술원 | 이진화 패턴을 이용한 동전 인식 방법 및 그 장치 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975968B (zh) * | 2016-05-06 | 2019-03-26 | 西安理工大学 | 一种基于Caffe框架的深度学习车牌字符识别方法 |
| CN107123109A (zh) * | 2017-01-13 | 2017-09-01 | 陕西师范大学 | 一种用于桥梁裂缝检测的窗口滑动算法 |
| CN107169956B (zh) * | 2017-04-28 | 2020-02-14 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
-
2018
- 2018-09-29 CN CN201811155677.7A patent/CN109389615B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101872502A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 基于稀疏表示的硬币图像识别方法 |
| CN101908241A (zh) * | 2010-08-03 | 2010-12-08 | 广州广电运通金融电子股份有限公司 | 有价文件识别方法及其识别系统 |
| WO2012050107A1 (ja) * | 2010-10-12 | 2012-04-19 | グローリー株式会社 | 硬貨処理装置及び硬貨処理方法 |
| CN104866868A (zh) * | 2015-05-22 | 2015-08-26 | 杭州朗和科技有限公司 | 基于深度神经网络的金属币识别方法和装置 |
| KR101730964B1 (ko) * | 2015-06-01 | 2017-04-27 | 한국과학기술원 | 이진화 패턴을 이용한 동전 인식 방법 및 그 장치 |
| CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Implementation of a Coin Recognition System for Mobile Devices with Deep Learning》;Nicola Capece 等;《2016 12th International Conference on Signal-Image Technology & Internet-Based Systems》;20161231;第187-192页 * |
| 基于神经网络的硬币识别研究;刘美佳等;《黑龙江工程学院学报(自然科学版)》;20070630;第21卷(第2期);第58-60页 * |
| 基于神经网络的硬币面额识别;毛玺;《光电技术应用》;20100430;第25卷(第2期);第54-56页 * |
| 模块化硬币检测与统计系统的研究与设计;欧阳哲;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20170215;第2017年卷(第03期);第I138-3266页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109389615A (zh) | 2019-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485215B (zh) | 基于深度卷积神经网络的人脸遮挡检测方法 | |
| CN109978807B (zh) | 一种基于生成式对抗网络的阴影去除方法 | |
| CN107958235B (zh) | 一种人脸图像检测方法、装置、介质和电子设备 | |
| CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
| CN109961049A (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN104636118B (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
| CN108090433A (zh) | 人脸识别方法及装置、存储介质、处理器 | |
| CN111339839B (zh) | 一种密集型目标检测计量方法 | |
| CN108197644A (zh) | 一种图像识别方法和装置 | |
| CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
| CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
| CN107273894A (zh) | 车牌的识别方法、装置、存储介质及处理器 | |
| CN109740721B (zh) | 麦穗计数方法及装置 | |
| CN109389615B (zh) | 基于深度学习卷积神经网络的硬币识别方法及处理终端 | |
| CN111507967B (zh) | 一种自然果园场景下的芒果高精度检测方法 | |
| CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
| CN111310850A (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
| CN106250911A (zh) | 一种基于卷积神经网络的图片分类方法 | |
| CN110633289A (zh) | 一种车牌号确定方法、服务器及停车管理系统 | |
| CN110069959A (zh) | 一种人脸检测方法、装置及用户设备 | |
| CN104851183A (zh) | 纸币面向识别方法及装置 | |
| CN108241821A (zh) | 图像处理设备和方法 | |
| CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN114494696A (zh) | 一种多尺度煤矸图像快速检测的方法、系统及装置 | |
| CN111192206A (zh) | 一种提高图像清晰度的方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 510000, Guangdong, Panyu District province Guangzhou east ring Street Yingbin Road No. 832, Panyu energy saving technology park, Hill Pioneering Center, building 2, district 306, room 1 Applicant after: Jiadu Technology Group Co.,Ltd. Address before: 511400 Yingbin Road, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 832 Panyu Energy-saving Science and Technology Park, No. 1 Building, No. 2 District, 306 Rooms Applicant before: PCI-SUNTEKTECH Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |