CN109767545A - 有价票据的缺陷分类方法及缺陷分类系统 - Google Patents

有价票据的缺陷分类方法及缺陷分类系统 Download PDF

Info

Publication number
CN109767545A
CN109767545A CN201811653192.0A CN201811653192A CN109767545A CN 109767545 A CN109767545 A CN 109767545A CN 201811653192 A CN201811653192 A CN 201811653192A CN 109767545 A CN109767545 A CN 109767545A
Authority
CN
China
Prior art keywords
defect
valuable bills
characteristic
residual
child node
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.)
Granted
Application number
CN201811653192.0A
Other languages
English (en)
Other versions
CN109767545B (zh
Inventor
眭俊华
刘李泉
王建鑫
张健
卢继兵
宁焕成
秦庆旺
冯礼
毛林
王皓
陈勇
魏君
孙晓刚
张超
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.)
China Banknote Printing Technology Research Institute Co ltd
China Banknote Printing and Minting Group Co Ltd
Original Assignee
China Banknote Printing and Minting Corp
Institute of Printing Science and Technology Peoples Bank of China
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 China Banknote Printing and Minting Corp, Institute of Printing Science and Technology Peoples Bank of China filed Critical China Banknote Printing and Minting Corp
Priority to CN201811653192.0A priority Critical patent/CN109767545B/zh
Publication of CN109767545A publication Critical patent/CN109767545A/zh
Application granted granted Critical
Publication of CN109767545B publication Critical patent/CN109767545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G07D7/181—Testing mechanical properties or condition, e.g. wear or tear
    • G07D7/187—Detecting defacement or contamination, e.g. dirt
    • 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
    • G07D7/2075—Setting acceptance levels or parameters
    • G07D7/2083—Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种有价票据的缺陷分类方法及有价票据的缺陷分类系统，其中，所述有价票据的缺陷分类方法，包括：根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。通过本发明的技术方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。

Description

有价票据的缺陷分类方法及缺陷分类系统
技术领域
本发明涉及有价票据技术领域，具体而言，涉及一种有价票据的缺陷分类方法和一种有价票据的缺陷分类系统。
背景技术
随着机器视觉技术的快速发展，在有价票据印刷行业中印刷检测已日趋自动化，但是由于受一些人为和环境因素的影响，有价票据在印刷过程中会产生各种缺陷。对产品缺陷的分类是整个过程中的重要部分，精确的缺陷分类有利于对提高检测能力，同时缺陷的精确分类能为前工序提供重要的反馈信息，帮助提升印刷质量。常用的分类方法包括：决策树，神经网络，朴素贝叶斯，SVM(Support Vector Machine，支持向量机)等。在实际应用中都具有各自的优缺点，比如：
一、决策树分类方法，优点：
1)决策树的构造不需要任何领域知识或参数设置，因此适合于探测式知识发现；
2)决策树可以处理高维数据，且处理速度相对较快；
3)决策树归纳的学习步骤简单快速；
缺点：
1)分类鲁棒性不强；
2)当类别太多时，错误可能就会增加的比较快；
二、神经网络，优点：
1)算法鲁棒，抗噪音数据，具有对未经训练的数据进行分析的能力；
2)可以处理离散、连续、向量等多种数据形式；
3)算法固有并行性，适用于并行计算加快计算过程；
缺点：
1)网络训练时间长；
2)网络模型缺乏可解释性，隐含层和权值中包含的信息难以理解；
3)由于sigmoid型的激励函数都存在饱和区，网络训练容易产生麻痹现象；
三、SVM使用非线性映射，将原始数据映射到更高维的空间，然后再高维空间中找到一个超平面原始数据被分离的最好，
其优点：
1)分类鲁棒性强；
2)具有很强的泛化和学习能；
3)能很好克服传统算法的维数空间和过学习问。
缺点：当数据量过大时，训练时间长。
在有价票据印刷品缺陷分类中分类准确和计算时间是考虑的两个重要因素。由于印刷产品多，需要分类处理疑似缺陷也随之增加，尤其在连续废的情况下，分类处理时间就至关重要。
因此，在缺陷分类算法设计中，分类精度如何可以得到提高，如何将计算速度降到可以接受的范围，成为目前亟待解决的技术问题。
发明内容
本发明正是基于上述问题，提出了一种新的有价票据的缺陷分类方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。
有鉴于此，本发明提出了一种有价票据的缺陷分类方法，包括：根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。
其中，优选地，根据所述分割值对所述缺陷特征进行分类的步骤，具体包括：若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类；若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
在该技术方案中，通过每个第一级子节点的分割值与设定的阀值进行比较，确定采用向量机方法和决策树方法进行的分类，进一步判断所有节点是否不可再分类，确定分类完成，通过采用向量机方法和决策树方法来对缺陷特征进行分类，可以有效的提高分类精度，计算速度也降到了可以接受的范围，提高了算法效率。
在上述任一项技术方案中，优选地，根据有价票据的训练集中每个有价票据的缺陷特征，生成第一级子节点的步骤，具体包括：计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值；根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
在该技术方案中，通过计算有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，可以有效的避免错误缺陷的提取，进而对缺陷残点进行再检测，计算缺陷衰减程度，根据衰减程度区分是正常缺陷还是错误缺陷，对衰减程度的判断，可以有效的提高分类精度，并且提高了算法效率。
在上述任一项技术方案中，优选地，还包括：计算每个有价票据的残点到缺陷质心的欧氏距离；在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。欧氏
在该技术方案中，通过计算欧氏距离与预设距离进行比较，可以有效的避免异常点对缺陷特征的影响。
在上述任一项技术方案中，优选地，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
根据本发明的第二方面，还提出了一种有价票据的缺陷分类系统，包括：生成单元，用于根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；分类单元，用于计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；处理单元，用于判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。
其中，优选地，所述分类单元具体用于：若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类，以及若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
在该技术方案中，通过每个第一级子节点的分割值与设定的阀值进行比较，确定采用向量机方法和决策树方法进行的分类，进一步判断所有节点是否不可再分类，确定分类完成，通过采用向量机方法和决策树方法来对缺陷特征进行分类，可以有效的提高分类精度，计算速度也降到了可以接受的范围，提高了算法效率。
在上述任一项技术方案中，优选地，所述生成单元具体用于：计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，以及根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
在该技术方案中，通过计算有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，可以有效的避免错误缺陷的提取，进而对缺陷残点进行再检测，计算缺陷衰减程度，根据衰减程度区分是正常缺陷还是错误缺陷，对衰减程度的判断，可以有效的提高分类精度，并且提高了算法效率。
在上述任一项技术方案中，优选地，还包括：计算单元，用于计算每个有价票据的残点到缺陷质心的欧氏距离；删除单元，用于在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。
在该技术方案中，通过计算欧氏距离与预设距离进行比较，可以有效的避免异常点对缺陷特征的影响。
在上述任一项技术方案中，优选地，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
通过以上技术方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。
附图说明
图1示出了根据本发明的一个实施例的有价票据的缺陷分类方法的示意流程图；
图2示出了根据本发明的实施例的有价票据的缺陷分类系统的示意框图；
图3示出了根据本发明的另一个实施例的有价票据的缺陷分类方法的示意流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的实施例的有价票据的缺陷分类方法的流程图。
如图1所示，根据本发明的实施例的有价票据的缺陷分类方法，包括：
步骤102，根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；
步骤104，计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；
步骤106，判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。
其中，优选地，根据所述分割值对所述缺陷特征进行分类的步骤，具体包括：若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类；若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
在该技术方案中，通过每个第一级子节点的分割值与设定的阀值进行比较，确定采用向量机方法和决策树方法进行的分类，进一步判断所有节点是否不可再分类，确定分类完成，通过采用向量机方法和决策树方法来对缺陷特征进行分类，可以有效的提高分类精度，计算速度也降到了可以接受的范围，提高了算法效率。
在上述任一项技术方案中，优选地，根据有价票据的训练集中的每个有价票据的缺陷特征，生成第一级子节点的步骤，具体包括：计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值；根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
在该技术方案中，通过计算有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，可以有效的避免错误缺陷的提取，进而对缺陷残点进行再检测，计算缺陷衰减程度，根据衰减程度区分是正常缺陷还是错误缺陷，对衰减程度的判断，可以有效的提高分类精度，并且提高了算法效率。
在上述任一项技术方案中，优选地，还包括：计算每个有价票据的残点到缺陷质心的欧氏距离；在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。欧氏
在该技术方案中，通过计算欧氏距离与预设距离进行比较，可以有效的避免异常点对缺陷特征的影响。
在上述任一项技术方案中，优选地，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
图2示出了根据本发明的实施例的有价票据的缺陷分类系统的示意框图。
如图2所示，根据本发明的实施例的有价票据的缺陷分类系统200，包括：生成单元202、分类单元204和处理单元206。
其中，生成单元202，用于根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；分类单元204，用于计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；处理单元206，用于判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。
其中，优选地，所述分类单元204具体用于：若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类，以及若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
在该技术方案中，通过每个第一级子节点的分割值与设定的阀值进行比较，确定采用向量机方法和决策树方法进行的分类，进一步判断所有节点是否不可再分类，确定分类完成，通过采用向量机方法和决策树方法来对缺陷特征进行分类，可以有效的提高分类精度，计算速度也降到了可以接受的范围，提高了算法效率。
在上述任一项技术方案中，优选地，所述生成单元202具体用于：计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，以及根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
在该技术方案中，通过计算有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，可以有效的避免错误缺陷的提取，进而对缺陷残点进行再检测，计算缺陷衰减程度，根据衰减程度区分是正常缺陷还是错误缺陷，对衰减程度的判断，可以有效的提高分类精度，并且提高了算法效率。
在上述任一项技术方案中，优选地，还包括：计算单元208，用于计算每个有价票据的残点到缺陷质心的欧氏距离；删除单元210，用于在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。
在该技术方案中，通过计算欧氏距离与预设距离进行比较，可以有效的避免异常点对缺陷特征的影响。
在上述任一项技术方案中，优选地，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
具体地，可以通过以下多个实施例来具体实施本发明的技术方案：
实施例一：通过根据有价票据训练集中每个有价票据的能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性等缺陷特征，生成第一级子节点，并计算每个第一级子节点的分割值，以在分割值小于设定阈值，采用支持向量机方法对缺陷特征进行分类；在分割值大于等于设定阈值，采用决策树方法对所述缺陷特征进行分类，直至所有第一级子节点不可再分类，确定分类完成，可以有效的提高分类精度，计算速度也降到了可以接受的范围，提高了算法效率。其中，训练集是对系统的参数进行训练的一定数量的样本。
实施例二：在实施例一的基础上，具体还可以通过计算每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，并根据每个有价票据对应的信息增益值构造第一级子节点，可以有效的避免错误缺陷的提取，进而对缺陷残点进行再检测，计算缺陷衰减程度，根据衰减程度区分是正常缺陷还是错误缺陷，对衰减程度的判断，可以有效的提高分类精度，并且提高了算法效率。
实施例三：在实施例一的基础上，具体还可以进一步排除异常点对缺陷特征的影响：计算每个有价票据的残点到缺陷质心的欧氏距离，并在任一有价票据的残点到缺陷质心的欧氏距离大于或等于预设距离时，删除根据任一有价票据的缺陷特征生成的第一级子节点。
以下结合图3对本发明的技术方案作进一步说明。
如图3所示，根据本发明的有价票据的缺陷分类方法，包括：
步骤302，提取特征1，特征1与1进行比较，若特征1大于1时，进入步骤304；若特征1小于等于1时，进入步骤314。
步骤304，提取特征2，若特征2小于0时，进入步骤306；若特征2大于等于0时，进入步骤308。
步骤306，获得分类1。
步骤308，SVM使用该节点上的所有训练集进行SVM分类。
步骤310，获得分类2。
步骤312，获得分类n。
步骤314，SVM使用该节点上的所有训练集进行SVM分类。
步骤316，获得分类1。
步骤318，获得分类n。
具体的步骤如下：
一、特征提取优化
1)为避免错误缺陷的提取，对缺陷残点进行再检测，逐步加强参数，计算缺陷衰减程度。根据衰减程度区分是正常缺陷还是错误缺陷。同时在分类学习中加入错误缺陷标记，可以通过分类算法区分是否为真正缺陷。
2)为了避免异常点对缺陷特征的影响，在特征提取过程中，增加抗干扰处理。通过聚合缺陷残点，计算每个残点到缺陷质心的欧氏距离，删除距离过大的干扰点。
3)设计有效的缺陷特征，能量，面积，残点密度，残点饱和度，残点散度，残点黑白特性等。
二、分类算法步骤
设缺陷特征为F＝{f1,f2,...,fn}，分类标记C＝{C1,C2,...,Cm}。
1)根据训练集的缺陷特征，生成树的根节点即第一级子节点。在子节点中分类的分割值最大，使得分类间距离最大。
2)计算第一级子节点中每个节点分割值，若分割值小于设定阈值，则说明该节点中的特征值，用决策树难以达到较好的分类效果，则采用SVM进行分类；对于可以进一步分类的节点，按照决策树方法进行分类。
3)进行SVM分类时，应当采用该节点上的特征值进行分类，还是采用核函数进行升维分类。
4)计算所有节点是否不可再分类，如若是，则分类完成，如若没有，则重复第二、三步，直达不可再分。
三、特征提取优化
1)为避免错误缺陷的提取，对缺陷残点进行在检测，逐步加强参数，计算缺陷衰减程度。根据衰减程度区分是正常缺陷还是错误缺陷。同时在分类学习中加入错误缺陷标记，可以通过分类算法区分是否为真正缺陷。
2)为了避免异常点对缺陷特征的影响，在特征提取过程中，增加抗干扰处理。通过聚合缺陷残点，计算每个残点到缺陷质心的欧氏距离，删除距离过大的干扰点。
3)设计有效的缺陷特征，能量，面积，残点密度，残点饱和度，残点散度，残点黑白特性等。
四、分类算法步骤
假设获得缺陷属性为F＝{f1,f2,...,fk}，缺陷类型记为C＝{C1,C2,...,Cm}。训练样样本集S＝{x1,x2,...,xn}，决策树算法采用ID3。
1)计算属性F之间的信息增益值Gain(S,fi)，其中i＝1,2,...,k，表示属性fi在集合S上的信息增益。
2)选择最大的属性Gain(S,fi)作为决策树节点。
3)按照属性fi的离散值d构造子节点dj，j＝1,2,...,l，并把样本集S分为Sj分别对应于dj，表示fi有l种可能值。
4)计算所有子节点dj对应样本集Sj的信息增益值Gain(S,fp),其中p＝1,2,...,k,p≠i。
5)如果Gain(S,fp)＞＝T(T为增益阈值)，可以继续重复步骤1)至3)进行决策树分类；如果Gain(S,fp)＜T,则进行步骤6)。
6)把子节点dj所对应的样本集Sj使用支持向量机(SVM)方法进行分类，把分类结果直接作为dj的叶子节点。
重复步骤4)至6)直到完成所有子节点dj的分类，计算出所有分类结果的叶子节点。
以上结合附图详细说明了本发明的技术方案，本发明提出一种新的有价票据的缺陷分类方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种有价票据的缺陷分类方法，其特征在于，包括：
根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；
计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；
判断所有所述第一级子节点是否不可再分类，并在判断结果为是时，分类完成。
2.根据权利要求1所述的有价票据的缺陷分类方法，其特征在于，根据所述分割值对所述缺陷特征进行分类的步骤，具体包括：
若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类；
若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
3.根据权利要求1所述的有价票据的缺陷分类方法，其特征在于，根据有价票据的训练集中每个有价票据的缺陷特征，生成第一级子节点的步骤，具体包括：
计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值；
根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
4.根据权利要求1所述的有价票据的缺陷分类方法，其特征在于，还包括：
计算每个有价票据的残点到缺陷质心的欧氏距离；
在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。
5.根据权利要求1至4中任一项所述的有价票据的缺陷分类方法，其特征在于，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
6.一种有价票据的缺陷分类系统，其特征在于，包括：
生成单元，用于根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；
分类单元，用于计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；
处理单元，用于判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。
7.根据权利要求6所述的有价票据的缺陷分类系统，其特征在于，所述分类单元具体用于：
若所述分割值小于设定阈值，则采用支持向量机方法对所述缺陷特征进行分类，以及
若所述分割值大于等于所述设定阈值，则采用决策树方法对所述缺陷特征进行分类。
8.根据权利要求6所述的有价票据的缺陷分类系统，其特征在于，所述生成单元具体用于：
计算所述有价票据训练集中每个有价票据的缺陷特征与其他有价票据的缺陷特征之间的信息增益值，以及
根据所述每个有价票据对应的信息增益值构造所述第一级子节点。
9.根据权利要求6所述的有价票据的缺陷分类系统，其特征在于，还包括：
计算单元，用于计算每个有价票据的残点到缺陷质心的欧氏距离；
删除单元，用于在任一有价票据的残点到缺陷质心的所述欧氏距离大于或等于预设距离时，删除根据所述任一有价票据的缺陷特征生成的所述第一级子节点。
10.根据权利要求6至9中任一项所述的有价票据的缺陷分类系统，其特征在于，所述缺陷特征包括：能量、密度、残点密度、残点饱和度、残点散度和/或残点黑白特性。
CN201811653192.0A 2017-01-10 2017-01-10 有价票据的缺陷分类方法及缺陷分类系统 Active CN109767545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811653192.0A CN109767545B (zh) 2017-01-10 2017-01-10 有价票据的缺陷分类方法及缺陷分类系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710014778.1A CN106683263B (zh) 2017-01-10 2017-01-10 有价票据的缺陷管理方法及系统
CN201811653192.0A CN109767545B (zh) 2017-01-10 2017-01-10 有价票据的缺陷分类方法及缺陷分类系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201710014778.1A Division CN106683263B (zh) 2017-01-10 2017-01-10 有价票据的缺陷管理方法及系统

Publications (2)

Publication Number Publication Date
CN109767545A true CN109767545A (zh) 2019-05-17
CN109767545B CN109767545B (zh) 2021-06-08

Family

ID=58849544

Family Applications (6)

Application Number Title Priority Date Filing Date
CN201811632173.XA Active CN109767544B (zh) 2017-01-10 2017-01-10 有价证券的图像分析方法及图像分析系统
CN201811632062.9A Active CN109754395B (zh) 2017-01-10 2017-01-10 有价票据的缺陷提取方法和缺陷提取装置
CN201811632486.5A Active CN109767430B (zh) 2017-01-10 2017-01-10 有价票据的质量检测方法及质量检测系统
CN201811634556.0A Active CN109767546B (zh) 2017-01-10 2017-01-10 有价票据的质量核查调度装置和质量核查调度方法
CN201710014778.1A Active CN106683263B (zh) 2017-01-10 2017-01-10 有价票据的缺陷管理方法及系统
CN201811653192.0A Active CN109767545B (zh) 2017-01-10 2017-01-10 有价票据的缺陷分类方法及缺陷分类系统

Family Applications Before (5)

Application Number Title Priority Date Filing Date
CN201811632173.XA Active CN109767544B (zh) 2017-01-10 2017-01-10 有价证券的图像分析方法及图像分析系统
CN201811632062.9A Active CN109754395B (zh) 2017-01-10 2017-01-10 有价票据的缺陷提取方法和缺陷提取装置
CN201811632486.5A Active CN109767430B (zh) 2017-01-10 2017-01-10 有价票据的质量检测方法及质量检测系统
CN201811634556.0A Active CN109767546B (zh) 2017-01-10 2017-01-10 有价票据的质量核查调度装置和质量核查调度方法
CN201710014778.1A Active CN106683263B (zh) 2017-01-10 2017-01-10 有价票据的缺陷管理方法及系统

Country Status (1)

Country Link
CN (6) CN109767544B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363764B (zh) * 2019-07-23 2022-03-11 安徽大学 一种基于帧间差分的行驶证打印信息完整性检测方法
CN116823678B (zh) * 2023-08-29 2023-11-17 国网江西省电力有限公司超高压分公司 图像缺陷点智能修复系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1212777A (zh) * 1996-11-11 1999-03-31 吉赛克与德弗连特股份有限公司 处理票据比如钞票的方法
JP3583979B2 (ja) * 2000-08-15 2004-11-04 三洋電機株式会社 検査対象の種別判定方法
CN1716256A (zh) * 2004-06-30 2006-01-04 微软公司 自动分类法的生成
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN102722726A (zh) * 2012-06-05 2012-10-10 江苏省电力公司南京供电公司 一种基于动态二叉树的svm多分类方法
CN102915447A (zh) * 2012-09-20 2013-02-06 西安科技大学 一种基于二叉树支持向量机的分类方法
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
CN104156701A (zh) * 2014-07-26 2014-11-19 佳都新太科技股份有限公司 一种基于决策树和svm的车牌相似字符识别方法
KR20140134803A (ko) * 2013-05-14 2014-11-25 중앙대학교 산학협력단 다중 클래스 svm과 트리 분류를 이용한 제스처 인식 장치 및 방법
CN104966058A (zh) * 2015-06-12 2015-10-07 南京邮电大学 一种基于分层二叉树的行为识别方法
CN105631474A (zh) * 2015-12-26 2016-06-01 哈尔滨工业大学 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法
CN105678612A (zh) * 2015-12-30 2016-06-15 远光软件股份有限公司 移动端原始凭证电子化智能填单系统及方法
CN105930872A (zh) * 2016-04-28 2016-09-07 上海应用技术学院 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法
CN106056752A (zh) * 2016-05-25 2016-10-26 武汉大学 一种基于随机森林的钞票鉴伪方法
CN106169084A (zh) * 2016-07-08 2016-11-30 福州大学 一种基于高斯核参数选择的svm乳腺分类方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7252222B2 (en) * 2003-12-19 2007-08-07 Scientific Game Royalty Corporation Embedded optical signatures in documents
CN100354144C (zh) * 2004-11-05 2007-12-12 中国印钞造币总公司 增值税票印码质量在线检测装置
EP1901241A1 (en) * 2006-09-06 2008-03-19 Kba-Giori S.A. Method for controlling the quality of printed documents based on pattern matching
US7949175B2 (en) * 2007-01-23 2011-05-24 Xerox Corporation Counterfeit deterrence using dispersed miniature security marks
JP2008250418A (ja) * 2007-03-29 2008-10-16 Toshiba Corp 紙葉類処理システム
US8780206B2 (en) * 2008-11-25 2014-07-15 De La Rue North America Inc. Sequenced illumination
JP2010195514A (ja) * 2009-02-24 2010-09-09 Toshiba Corp 紙葉類処理装置
DE102009058438A1 (de) * 2009-12-16 2011-06-22 Giesecke & Devrient GmbH, 81677 Verfahren zur Prüfung von Wertdokumenten
JP5605746B2 (ja) * 2010-03-23 2014-10-15 富士ゼロックス株式会社 印刷制御装置、画像形成システムおよびプログラム
CN101908241B (zh) * 2010-08-03 2012-05-16 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
CN102456246B (zh) * 2010-10-19 2014-04-30 山东新北洋信息技术股份有限公司 纸币重张的检测方法及装置、自助终端
CN102096960B (zh) * 2010-12-14 2013-04-17 朱杰 一种票据点验机系统的处理方法
CN102157024B (zh) * 2011-05-03 2013-01-09 西安印钞有限公司 一种大张检查机机检数据在线二次检测核查的系统及方法
CN102236925B (zh) * 2011-05-03 2013-08-14 西安印钞有限公司 大张检查机机检数据离线二次检测核查的系统及方法
JP5799651B2 (ja) * 2011-08-16 2015-10-28 沖電気工業株式会社 紙幣入出金装置および紙幣入出金制御方法
CN102645280B (zh) * 2012-04-27 2014-12-03 中国电子科技集团公司第四十一研究所 高效的光谱还原方法
CN102831703B (zh) * 2012-09-03 2014-12-24 上海印钞有限公司 一种钞券产品质量分析装置及产品质量分析方法
CN103325171B (zh) * 2013-06-17 2018-07-10 中国人民银行印制科学技术研究所 有价票据分选系统和有价票据分选方法
KR101460779B1 (ko) * 2013-09-06 2014-11-19 기산전자 주식회사 지폐처리장치 및 그 제어방법
CN203552342U (zh) * 2013-11-20 2014-04-16 北京华夏锐驰投资管理有限公司 一种纸币清分机的识别装置
CN103685574A (zh) * 2014-01-02 2014-03-26 清华大学 面向服务的通用物联网资源分配方法
CN104916029A (zh) * 2014-03-13 2015-09-16 广州南沙资讯科技园有限公司博士后科研工作站 一种纸币验证系统及基于该系统的纸币验证方法
EP2940662B1 (de) * 2014-04-30 2019-10-30 Wincor Nixdorf International GmbH Verfahren zum Betreiben eines Geldautomaten bei Mehrfachabzügen
CN104574638A (zh) * 2014-09-30 2015-04-29 上海层峰金融设备有限公司 一种人民币识别方法
CN104331976A (zh) * 2014-10-31 2015-02-04 苏州保瑟佳货币检测科技有限公司 一种有价证券的检测方法及装置
CN104616392B (zh) * 2015-01-30 2018-02-02 华中科技大学 一种基于局部二值模式的纸币鉴伪方法
CN104794675B (zh) * 2015-04-24 2017-10-24 华南师范大学 基于切相傅里叶变换的图像隐藏、还原及加密传输方法
CN104764712B (zh) * 2015-04-29 2017-08-25 浙江工业大学 一种pcb过孔内壁质量的检测方法
CN105374105A (zh) * 2015-10-16 2016-03-02 浙江依特诺科技股份有限公司 一种用于移动终端鉴别纸币真伪的方法
CN105354835A (zh) * 2015-10-16 2016-02-24 浙江工业大学 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1212777A (zh) * 1996-11-11 1999-03-31 吉赛克与德弗连特股份有限公司 处理票据比如钞票的方法
JP3583979B2 (ja) * 2000-08-15 2004-11-04 三洋電機株式会社 検査対象の種別判定方法
CN1716256A (zh) * 2004-06-30 2006-01-04 微软公司 自动分类法的生成
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN102722726A (zh) * 2012-06-05 2012-10-10 江苏省电力公司南京供电公司 一种基于动态二叉树的svm多分类方法
CN102915447A (zh) * 2012-09-20 2013-02-06 西安科技大学 一种基于二叉树支持向量机的分类方法
KR20140134803A (ko) * 2013-05-14 2014-11-25 중앙대학교 산학협력단 다중 클래스 svm과 트리 분류를 이용한 제스처 인식 장치 및 방법
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
CN104156701A (zh) * 2014-07-26 2014-11-19 佳都新太科技股份有限公司 一种基于决策树和svm的车牌相似字符识别方法
CN104966058A (zh) * 2015-06-12 2015-10-07 南京邮电大学 一种基于分层二叉树的行为识别方法
CN105631474A (zh) * 2015-12-26 2016-06-01 哈尔滨工业大学 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法
CN105678612A (zh) * 2015-12-30 2016-06-15 远光软件股份有限公司 移动端原始凭证电子化智能填单系统及方法
CN105930872A (zh) * 2016-04-28 2016-09-07 上海应用技术学院 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法
CN106056752A (zh) * 2016-05-25 2016-10-26 武汉大学 一种基于随机森林的钞票鉴伪方法
CN106169084A (zh) * 2016-07-08 2016-11-30 福州大学 一种基于高斯核参数选择的svm乳腺分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓锋,秦玉平: "一种新型基于二叉树的支持向量机多类分类方法", 《郑州轻工业学院学报(自然科学版)》 *
范柏超，王建宇，薄煜明: "结合特征选择的二叉树SVM多分类算法", 《计算机工程与设计COMPUTER ENGINEERING AND DESIGN》 *

Also Published As

Publication number Publication date
CN109754395A (zh) 2019-05-14
CN109767546B (zh) 2022-02-15
CN106683263A (zh) 2017-05-17
CN109767544B (zh) 2022-02-15
CN109767544A (zh) 2019-05-17
CN109767546A (zh) 2019-05-17
CN109767430B (zh) 2021-06-08
CN109767430A (zh) 2019-05-17
CN106683263B (zh) 2019-07-19
CN109767545B (zh) 2021-06-08
CN109754395B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
CN106897738B (zh) 一种基于半监督学习的行人检测方法
CN109977780A (zh) 一种基于深度学习算法的硅藻的检测与识别方法
CN102842032B (zh) 基于多模式组合策略的移动互联网色情图像识别方法
CN107563439A (zh) 一种识别清洗食材图片的模型及识别食材类别的方法
CN106817248A (zh) 一种apt攻击检测方法
CN107846392A (zh) 一种基于改进协同训练‑adbn的入侵检测算法
CN106973057A (zh) 一种适用于入侵检测的分类方法
CN109936582A (zh) 构建基于pu学习的恶意流量检测模型的方法及装置
CN108647718A (zh) 一种不同材料金相组织自动分类评级的方法
CN107818298A (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
CN104809476B (zh) 一种基于分解的多目标进化模糊规则分类方法
CN107895171A (zh) 一种基于k均值与深度置信网络的入侵检测方法
CN109800810A (zh) 一种基于不平衡数据的少样本学习分类器构建方法
CN106023159A (zh) 设施蔬菜叶部病斑图像分割方法及系统
CN101251896A (zh) 一种基于多分类器的物体检测系统及方法
CN109767545A (zh) 有价票据的缺陷分类方法及缺陷分类系统
CN109933619A (zh) 一种半监督分类预测方法
CN114581694A (zh) 一种基于改进的支持向量机的网络安全态势评估方法
CN109002810A (zh) 模型评价方法、雷达信号识别方法及对应装置
He et al. Supervised data synthesizing and evolving–a framework for real-world traffic crash severity classification
CN108268889A (zh) 对雕刻凹印真伪检测方法、检测平台及检测系统
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN106326914A (zh) 一种基于svm的珍珠多分类方法
CN110008987A (zh) 分类器鲁棒性的测试方法、装置、终端及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210412

Address after: 100070 8th floor, building 2, No.5 Zhonghe Road, Fengtai Science City, Fengtai District, Beijing

Applicant after: China Banknote Printing Technology Research Institute Co.,Ltd.

Applicant after: CHINA BANKNOTE PRINTING AND MINTING Corp.

Address before: 100070 Building 2, No.5 Zhonghe Road, Fengtai Science City, Fengtai District, Beijing

Applicant before: SECURITY PRINTING INSTITUTE OF PEOPLE'S BANK OF CHINA

Applicant before: CHINA BANKNOTE PRINTING AND MINTING Corp.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 100070 8th floor, building 2, No.5 Zhonghe Road, Fengtai Science City, Fengtai District, Beijing

Patentee after: China Banknote Printing Technology Research Institute Co.,Ltd.

Patentee after: China Banknote Printing and Minting Group Co.,Ltd.

Address before: 100070 8th floor, building 2, No.5 Zhonghe Road, Fengtai Science City, Fengtai District, Beijing

Patentee before: China Banknote Printing Technology Research Institute Co.,Ltd.

Patentee before: CHINA BANKNOTE PRINTING AND MINTING Corp.

CP01 Change in the name or title of a patent holder