CN111046883A - 一种基于古钱币图像的智能评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于古钱币图像的智能评估方法及系统，该方法包括获取待鉴定古钱币的第一图像；对第一图像进行预处理，生成第二图片；采用预设卷积神经网络整体分析模型分析第二图片，以得到对应的整体评估值和相应标签；采用全卷积神经网络模型识别第二图片中的文字区域，标记差异处或输出对应的字口评价；根据相应标签生成第一图像对应的描述性文字，将描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。该方法能够辅助古钱币爱好者对于古钱币真伪及其年份进行判断并给出评估报告，能够有效的提高古钱币爱好者对于古钱币是否开门有个整体把握，鉴定过程简单方便，提高用户的使用体验。

Description

一种基于古钱币图像的智能评估方法及系统

技术领域

本发明涉及图片识别技术领域，特别涉及一种基于古钱币图像的智能评估方法及系统。

背景技术

古钱币是一个国家历史发展的缩影，中国古钱币在它漫长的发展过程中已逐步形成了独具特色的东方钱币文化体系，因此它的价值被越来越多的人所发现，古钱币也被越来越多的人所收藏。然而，伪造古钱币的方法也有多种，如翻砂法、改刻法、挖补法、拼合法等，因此在市场上以假乱真的现象及其严重。当前古钱币的主要鉴别手段是通过网上经验丰富的评估人员进行统一评估并收取一定的评估费，其过程十分繁琐，给广大的古钱币爱好者带来了不便。

另一方面，随着计算机技术的发展，诞生了人工智能，其理论和技术日益成熟，应用领域也在不断扩大，人工智能可以对人的意识以及思维的信息过程进行模拟。人工智能不是人的智能，但却能像人那样思考、也可能超过人的智能。

因此，如何将人工智能应用于鉴别古钱币，是同行从业人员亟待解决的问题。

发明内容

为了解决上述问题，本发明提供了一种基于古钱币图像的智能评估方法及系统。该方法能够辅助古钱币爱好者对于古钱币真伪及其年份进行判断并给出评估报告，解决了古钱币爱好者因缺乏经验难以鉴别的问题。

本发明实施例提供一种基于古钱币图像的智能评估方法，包括以下步骤：

S1、获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

S2、对所述第一图像进行预处理，生成第二图片；

S3、采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

S4、采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

S5、根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

在一个实施例中，所述步骤S2包括：

将所述第一图像的大小进行统一；

使用双边滤波对统一大小后的第一图像进行边缘处理；

图片边缘处理后，对RGB三分量进行加权平均以得到灰度图片；

对所述灰度图片使用最近临插值进行修正，完成图片空间变换；

对完成空间变换后的图片进行线性变换来增强图片的对比度，生成第二图片。

在一个实施例中，所述步骤S3，包括：

采用预设卷积神经网络整体分析模型对所述第二图片进行整体评估，输出评估内容；所述评估内容包括：古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

将所述评估内容中五个特征值与预设特征值标签表进行比对，得到相应的标签以及各个特征值所占的权重；

采用预设卷积神经网络整体分析模型输出的特征值分别乘以对应的所述权重，结果进行累加求和，得到所述古钱币的整体评估值。

在一个实施例中，所述步骤S3中预设卷积神经网络整体分析模型，通过下述步骤生成：

构建步骤：使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

训练步骤：采集大量古钱币大开门的图片,进行随机分组，分为训练集和测试集；将所述训练集图片输入所述卷积神经网络，对每张图片中古钱币最显著的特征进行标注；

提取特征值步骤：在训练所述卷积神经网络时，当训练集图片经过卷积层、池化层和全连接层后得到五个输出值；所述五个输出值依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值，将每次训练得到的五个特征值进行提取并存储在数据库中；

计算特征值权重步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，得到当前特征所对应的权重，具体公式如下；

式中，n表示图片的个数；V_i表示序号为i的特征值；W_i表示序号为i的权重值；

构建预设特征值标签表步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，将不同区间的特征值与标签一一映射构成特征值-标签表；

测试卷积神经网络步骤：神经网络模型训练结束后，使用测试集图片进行测试，当测试的图片经过卷积层、池化层和全连接层后得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中；依次求得全连接层，池化层，卷积层的误差；当误差等于或小于所述期望值时，结束训练并根据求得的误差进行权值更新。

在一个实施例中，所述步骤S4具体包括：

采用全卷积神经网络模型SegNet对所述第二图片中的文字区域进行识别，并通过opencv将所述文字区域进行切割，生成第一文字图片；

获取所述第一文字图片中的文字与预设文字年代映射表进步比对，获得所述第一图像中古钱币所属的年代；

根据所述年代和所述第一文字图片，在文字图库中查找对应的古钱币大开门的第二文字图片；

根据图像文字特征对比算法，将所述第一文字图片与第二文字图片进行比对，生成差异值；

当所述差异值大于预设阈值时，则在所述第一图像中标记差异处；

当所述差异值小于等于所述预设阈值时，则将所述差异值与字口评价表比对，获得对应的字口评价。

第二方面，本发明实施例还提供一种基于古钱币图像的智能评估系统，包括：

交互获取模块，用于获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

预处理模块，用于对所述第一图像进行预处理，生成第二图片；

整体分析模块，用于采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

文字分析模块，用于采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

评估生成模块，用于根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

在一个实施例中，所述预处理模块，包括：

图像大小处理子模块，用于将所述第一图像的大小进行统一；

图像边缘处理子模块，用于使用双边滤波对统一大小后的第一图像进行边缘处理；

图像灰度化子模块，用于图片边缘处理后，对RGB三分量进行加权平均以得到灰度图片；

图像空间变换子模块，用于对所述灰度图片使用最近临插值进行修正，完成图片空间变换；

图像增强子模块，用于对完成空间变换后的图片进行线性变换来增强图片的对比度，生成第二图片。

在一个实施例中，所述整体分析模块，包括：

评估内容子模块，用于采用预设卷积神经网络整体分析模型对所述第二图片进行整体评估，输出评估内容；所述评估内容包括：古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

选定评估标签子模块，用于将所述评估内容中五个特征值与预设特征值标签表进行比对，得到相应的标签以及各个特征值所占的权重；

整体评估子模块，用于采用预设卷积神经网络整体分析模型输出的特征值分别乘以对应的所述权重，结果进行累加求和，得到所述古钱币的整体评估值。

在一个实施例中，所述整体分析模块中的预设卷积神经网络整体分析模型，通过下述步骤生成：

构建步骤：使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

训练步骤：采集大量古钱币大开门的图片,进行随机分组，分为训练集和测试集；将所述训练集图片输入所述卷积神经网络，对每张图片中古钱币最显著的特征进行标注；

提取特征值步骤：在训练所述卷积神经网络时，当训练集图片经过卷积层、池化层和全连接层后得到五个输出值；所述五个输出值依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值，将每次训练得到的五个特征值进行提取并存储在数据库中；

计算特征值权重步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，得到当前特征所对应的权重，具体公式如下；

式中，n表示图片的个数；V_i表示序号为i的特征值；W_i表示序号为i的权重值；

构建预设特征值标签表步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，将不同区间的特征值与标签一一映射构成特征值-标签表；

测试卷积神经网络步骤：神经网络模型训练结束后，使用测试集图片进行测试，当测试的图片经过卷积层、池化层和全连接层后得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中；依次求得全连接层，池化层，卷积层的误差；当误差等于或小于所述期望值时，结束训练并根据求得的误差进行权值更新。

在一个实施例中，所述文字分析模块具体包括：

文字区域切割子模块，用于采用全卷积神经网络模型SegNet对所述第二图片中的文字区域进行识别，并通过opencv将所述文字区域进行切割，生成第一文字图片；

年代识别子模块，用于获取所述第一文字图片中的文字与预设文字年代映射表进步比对，获得所述第一图像中古钱币所属的年代；

查找子模块，用于根据所述年代和所述第一文字图片，在文字图库中查找对应的古钱币大开门的第二文字图片；

差异值生成子模块，用于根据图像文字特征对比算法，将所述第一文字图片与第二文字图片进行比对，生成差异值；

标记差异子模块，用于当所述差异值大于预设阈值时，则在所述第一图像中标记差异处；

字口评价子模块，用于当所述差异值小于等于所述预设阈值时，则将所述差异值与字口评价表比对，获得对应的字口评价。

本发明实施例提供的一种基于古钱币图像的智能评估方法，包括获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；对所述第一图像进行预处理，生成第二图片；采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。该方法能够辅助古钱币爱好者对于古钱币真伪及其年份进行判断并给出评估报告，能够有效的提高古钱币爱好者对于古钱币是否开门有个整体把握。其可靠性高、鉴定过程简单方便，能够准确鉴别古钱币，满足古钱币爱好者的要求，提高用户的使用体验。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于古钱币图像的智能评估方法的流程图；

图2为本发明实施例提供的微信小程序图片上传界面示意图；

图3为本发明实施例提供的微信小程序结果展示界面示意图；

图4为用户通过评估方法的进行古钱币评估的整体流程图；

图5为本发明实施例提供的特征值-标签表；

图6为本发明实施例提供的步骤S4文字分析的整体流程图；

图7为本发明实施例提供的文字-年代映射表；

图8为本发明实施例提供的字口-评价表；

图9为本发明实施例提供的基于古钱币图像的智能评估系统框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在详细说明本发明技术方案时，先对涉及到的古钱币相关术语进行解释：

1)开门：古钱币收藏界的习惯用语，意思是“可以看为真品”；

2)穿口：其中穿指的是古钱币的穿孔，古钱币的穿孔有圆有方，穿口是用来形容古钱币穿的内壁；

3)地章：古钱币的内廓和外廓之间除字以外的所有部分；

4)包浆：是古钱币因为长时间在空气中氧化而造成古钱币表面附着的一层氧化物；

5)字口：指的是古钱币上文字的形体，起笔、落笔、运笔等或者整个字给人的感觉，有经验的专家和收藏爱好者通过辨认字口能辨认古钱的年代或者真假；

参照图1所示，为本发明实施例提供的基于古钱币图像的智能评估方法，包括：

S1、获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

S2、对所述第一图像进行预处理，生成第二图片；

S3、采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

S4、采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

S5、根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

其中，步骤S1中，第一图像包括图片和视频，比如获取的过程是用户从移动端将刚刚拍摄的古钱币照片或本地存储的古钱币照片上传至服务器上，该第一图像中包含古钱币；

步骤S2～S4中，对用户上传到服务器上的古钱币图片进行相关的处理，并将处理后的图片分别进行整体分析和文字分析；步骤S3利用训练好的卷积神经网络对用户上传的古钱币进行整体的评估，以得到对应的整体评估值和相应标签；步骤S4文字分析首先需要对图像预处理后的图片进行文字区域的识别，并将识别出来的文字区域进行切割，生成文字图片，接着用切割后的文字图片与文字图库中的大开门的文字图片进行比对，标记差异处或输出对应的字口评价；步骤S5根据标签的内容组成一段对用户上传的古钱币图片的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果，展示给用户。

本实施例中，步骤的序号并不构成对方法执行顺序的限定，比如步骤S3和S4在执行上并无先后顺序，可以先执行步骤S3或S4均可，也可以同时执行中这两个步骤。

本发明实施例具体实施时，可通过移动端APP或微信小程序实现。比如：首先用户通过移动端进入到微信中，在微信中点击微信小程序并搜索古钱币评估小程序即可进入到古钱币评估小程序中；接下来点击该小程序中的选择照片按钮即可调用移动端的摄像头进行拍摄或者调用移动端的图片库进行古钱币图片的选择；然后再点击上传按钮即可将图片上传至所述服务器进行评估；上传界面如图2所示；该服务器或平台通过深度学习神经网络模型对图片中的古钱币进行整体评估并通过图像文字特征比对算法对古钱币字口进行比对与标记，如图3所示，评估结束后将结果以JSON的格式返回到移动端的微信小程序中并展示给用户。其中，JSON是一种轻量级的数据交换格式，它是基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。

采用微信小程序实现本发明实施例提供的评估方法时，与其他APP相比，它是一个不需要下载安装就可使用的应用，它实现了应用触手可及的梦想，用户扫一扫或者搜索一下即可打开应用。也体现了用完即走的理念，用户不用关心是否安装太多应用的问题。应用将无处不在，随时可用，但又无需安装卸载。

本实施例中，该方法能够辅助古钱币爱好者对于古钱币真伪及其年份进行判断并给出评估报告，能够有效的提高古钱币爱好者对于古钱币是否开门有个整体把握。其可靠性高、鉴定过程简单方便，能够准确鉴别古钱币，满足古钱币爱好者的要求，提高用户的使用体验。

下面详细介绍下本发明提供的基于古钱币图像的智能评估方法，还是用户通过微信小程序操作为例，如图4所示，整体流程如下：

1.首先用户通过移动端进入到微信中，搜索古钱币评估微信小程序后，进入到该小程序中，点击导航栏中的钱币评估按钮进入到钱币评估页面，点击屏幕中央的获取图片按钮，可以选择拍摄或者获取本地图片两种途径进行图片的选择，选择好图片后会在程序中央的相框中展示，接着用户可以选择是否填写文字描述，最后点击上传按钮；

2.接下来小程序便会将用户选择的图片以及文字描述上传至服务器中的古钱币评估平台；

3.古钱币评估平台收到用户上传的图片后，首先进行图像的预处理并将处理后的图片传入到整体分析模块和文字分析模块中；

4.整体分析模块收到图片后，将图片传入到提前训练好的卷积神经网络整体分析模型中，经过模型对图片的分析，会得到对应特征的特征值，将得到的特征值与特征值-标签表进行比对，得到对应的评估标签和该特征所对应的权重，并将权重进行相关计算，最终得到该钱币的整体评分，最后将整体评分和评估标签传入到古钱币评估模块；

5.文字分析模块收到图片后，首先使用全卷积神经网络对钱币上的文字区域进行识别并通过opencv将文字区域进行切割，获取到图像中的文字后与文字-年代映射表进行比对，便可获得该图片中钱币所属的年代，通过该图片中钱币的年代和切割后的文字图片便可在文字图库中快速找到这枚钱币大开门的文字图片，使用图像文字特征比对算法将在图片中切割下来的文字图片与文字图库中的大开门的文字图片进行比对，如果比对后得到的差异值大于给定的阈值，则在用户上传的图片中标记最大差异处，如果比对后得到的差异值小于给定的阈值，则将结果与字口-评价表比对，获取该差异值对应的字口评价，最后将不同结果传入到古钱币评估模块；

6.古钱币评估模块收到之前模块传递过来的标签后，通过标签自动生成一段对于该枚钱币的描述性文字，并将该模块收到的所有内容传入到用户移动端的微信小程序中作为最终结果；

7.评估结果出来后，小程序会通过微信消息推送的功能将结果推送给用户，或者用户进入到古钱币评估小程序我的页面，查看当前评估进程，如果已经评估完毕，用户点击已完成按钮也可查看到当前古钱币的评估结果。

在一个实施例中，上述步骤S2中对第一图像进行预处理的过程如下：

1)图像分析中，图像的质量好坏直接影响图像识别模型的设计与结果的精度，因此当服务器中的古钱币评估平台接收到用户上传的图片后，该平台首先需要对用户上传的图片进行预处理，来尽量避免模型受到无关因素的影响；

2)图像大小处理：一般来说，用户移动端上传的图像大小是不固定的，但神经网络输入节点的个数是固定的，所以在将图像的像素作为输入提供给神经网络之前，需要先将图像的大小进行统一，本发明使用TensorFlow深度学习框架中的tf.image.resize_images函数进行图像大小的调整；

3)图像边缘处理：使用双边滤波来使用户上传的图片达到保持边缘、降噪平滑的效果，双边滤波计算公式如下：

通过公式可以看出，双边滤波的权重不仅考虑了古钱币图像像素的欧式距离，还考虑了像素范围域中的辐射差异，在计算中心像素的时候同时考虑了这两个权重可以极大的影响最终古钱币的评估结果。公式(a)和(b)给出了双边滤波的操作，L_q为用户上传的古钱币图像，L_p为滤波后的古钱币图像。

4)图像灰度化：由于古钱币年代各不相同，导致古钱币上的锈色有很大的差别，因此有必要对图像进行灰度化，忽略锈色对结果造成的影响，本发明使用加权平均法来对图像进行灰度化。考虑到古钱币的锈色普遍为绿色和蓝色，人眼对于绿色的敏感度较高，对蓝色的敏感度较低，因此按照如下公式来对RGB三分量进行加权平均便能得到最为合理的古钱币灰度图像：

其中r、g、b分别代表古钱币红绿蓝三种颜色的权值，具体权值大小可以根据古钱币实际的锈色给出。

5)图像空间变换：使用最近临插值的方法来修正用户拍摄古钱币图片时造成的系统误差；

6)图像增强：最后对图片进行线性变换来增强古钱币图像的对比度，假设输入的图像为P，宽为W，高为H，变换后的图像为O，图像的线性变可以使用如下公式：

O(r，c)＝a.P(r，c)+b 0≤r＜H，0≤c＜W

其中通过调整a的取值来改变图像的对比度，调整b的取值来改变图像的亮度。

在一个实施例中，上述步骤S3中利用训练好的卷积神经网络对用户上传的古钱币进行整体的评估，整体评估内容包括古钱币的外廓、内廓、穿口、地章、包浆五个特征，通过卷积神经网络给出这五个特征的特征值并与特征值-标签表进行比对，得到相应的标签以及各个特征值所占的权重，最终通过特征值的相关计算得到一个古钱币整体的评估值。

具体实施步骤如下：

1)构建卷积神经网络：本发明使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章、包浆这5个特征的特征值。根据实际古钱币样式及其版别的调查，古钱币正面和反面的整体特征基本一致，只是正面和背面的文字和图案不同，因此，只对正面的整体特征进行分析。

2)训练卷积神经网络：收集古钱币大开门的照片，并找出每张照片中古钱币在外廓、内廓、穿口、地章、包浆这五个特征中最显著的那个特征，将古钱币的照片传入到搭建好的卷积神经网络模型中，并对每张图片中古钱币最显著的特征进行标注，训练时为了提高模型评估的准确性每种特征的图片至少需要1000张，由于目前古钱币大开门样本较少，需要进行数据增强，首先利用opencv来读取图片，然后使用TensorFlow对图片进行随机的旋转、翻转、裁剪以及随机设置图片的亮度和对比度来扩充数据集，最后将得到的图片数据集比如按照7：3的比例进行随机分组，使用比例为7的那组图片进行训练，剩下的图片用来测试模型。

3)提取特征值：在训练卷积神经网络时，当训练的图片经过卷积层、池化层和全连接层后会得到五个输出值，这五个输出值依次对应古钱币的外廓、内廓、穿口、地章、包浆这5个特征的特征值，将每次训练得到的五个特征值进行提取并存储在数据库中。

4)计算特征值权重：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，即可得到当前特征所对应的权重，具体公式如下：

5)构建特征值-标签表：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，最后将不同区间的特征值与标签一一映射构成特征值-标签表，特征值-标签表可参照图5所示；

6)测试卷积神经网络：神经网络模型训练结束后，使用比例为3的那组图片进行测试，当测试的图片经过卷积层、池化层和全连接层后会得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中，依次求得全连接层，池化层，卷积层的误差。各层的误差可以理解为对于网络的总误差，求出各层网络应承担多少并重新训练网络模型；当误差等于或小于期望值时，结束训练并根据求得的误差进行权值更新；

7)选定评估标签：当测试图片经过训练好的卷积神经网络后，将全连接层输出的5个特征值与特征值-标签表进行比对，查询出当前特征值所对应的标签以及权重；

8)评估标签颜色选择：根据神经网络模型输出的特征值大小，对各个特征的标签进行颜色的标记，通过红黄绿三种颜色来区分各个特征的明显度；

9)整体评分的计算：根据上一步得到的权重，用神经网络模型最终输出的特征值分别乘以对应的权重，结果进行累加求和，即可得到当前图片中古钱币的整体评分。

在一个实施例中，上述步骤S4中，对图像预处理后的图片进行文字区域的识别，并将识别出来的文字区域进行切割，生成文字图片，接着用切割后的文字图片与文字图库中的大开门的文字图片进行比对，比对时使用图像文字特征比对算法，如果差异值大于给定的阈值，标记该差异处，并将标记的图片传入到古钱币评估模块，如果差异值小于给定的阈值，则通过查询字口-评价表获取对应字口评价。参照图6所示，具体实施步骤如下：

1)模型的选择与分析：使用训练好的全卷积神经网络模型来确定用户上传的古钱币图片中文字的位置，原因在于考虑到古钱币的年代及其保存的方式各不相同，导致不同钱币上面的文字受到的损伤各不相同，即文字清晰度各不相同，故本文使用的全卷积模型为SegNet，SegNet的新颖之处在于解码器对于较低分辨率的特征图进行上采样时的方式。具体地说，解码器使用了在相应编码器的最大池化步骤中计算的池化索引来执行非线性上采样。这种方法消除了学习上采样的需要。由于经上采样后的特征图是稀疏的，因此随后使用可训练的卷积核进行卷积操作，生成密集的特征图，这样就避免了字迹不清晰的古钱币对结果的影响。本实施例中，只用古钱币正面作为样例进行具体分析，古钱币背面图案的比对方法与正面一致；

2)全卷积神经网络：当图片传入到全卷积神经网络后，通过卷积层和池化层对图像的特征进行提取，提取到特征后利用反卷积层来对图像的特征进行上采样，使它恢复到与原图相同的尺寸，这样就可以保留原始的古钱币图像的空间信息，然后模型根据上采样得到的特征图进行像素分类，从而达到对原图的每一个像素进行预测，最终就可以得到一个与原图大小相同的文字区域结果，模型便可以确定出文字的具体位置；

3)文字区域的切割：通过模型获取到文字的具体位置后，通过opencv查找到图像中矩形的文字区域，并返回轮廓坐标列表用于后续标记差异时使用，获取到矩形轮廓后便可以按照轮廓进行文字图片的切割，最后将切割好的文字图片转换成比如30*30像素的文字图片；

4)文字识别：拿到四张切割好的文字图片后，使用Tesseract来对四张切割后的文字图片进行文字识别，识别前需要安装相关语言包；

5)年代识别：将识别出来的文字与文字-年代映射表进行比对，便可以得到这张图片中的钱币所属的年代，文字-年代映射表如图7所示；

6)文字特征比对：通过文字及其年代便可以快速从文字图库中遍历到该枚钱币大开门的文字图片，在计算机中图像可以看成一个像素矩阵，矩阵中的元素是一个颜色的值，由于不同年代的古钱币有不同的锈色，所以在图像比对之前先将图像使用二值化进行降维，这样就可以忽略古钱币锈色的特征，将图片变成只由黑色和白色组成的黑白像素图，最终得到一个由0和1组成的矩阵图像，二值化后便可以使用图像文字特征比对算法进行古钱币文字特征的比对，具体步骤如下：

7)文字整体比对：使用用户评估图片中切割下来的文字图片与文字图库中大开门的文字图片进行像素点比对，如果像素相同，则相似点加1，这样在比对完整张图片后，便可以得到二者之间的相似点，通过相似点总和除以相似点数便可以得到一个相识度；

8)文字笔划比对：将文字图像再分割成数块，分别对每一块进行比对计算相似度，将会得到相似度向量，再计算两张图片相似度向量的距离，便可以得到相识度，计算向量的距离使用欧几里得距离公式，具体公式如下：

9)文字字体比对：考虑到部分假的古钱币上的文字与大开门的古钱币上面的文字存在着位置上的差异，部分假的古钱币上的文字给人的整体感觉很呆板，实际上是钱币中字体不同造成的，因此需要对文字的字体进行比对。依次获取每张图片矩阵中为1的点(即图像中有文字的点)，将这些点的横坐标和纵坐标进行累加求和，再用累加和除以点的个数，得到各个文字点横纵坐标的平均值，再分别除以对应的横纵坐标的总长，得到每个文字的中心值，最后使用欧几里得公式计算两张图片文字中心值的差异，便可以得到文字字体间的相似度；

10)阈值的选择：通过以上三种方法(7)～9))的比对，将会得到3个相似度值，经过大量的图片测试以及市场调研，分别给出3个相似度对应的阈值，作为评估结果的依据。如果用户上传的古钱币图片中有2个或3个大于给定的阈值，则说明这张图片中的古钱币与大开门的古钱币存在着较大的差异，需要将较大差异处进行标记来提示用户；如果没有或只有1个大于给定的阈值，则通过3个相似度值和字口评价表给出最终的字口评价。

11)标记差异：返回到相似度大于阈值的那个比对算法，并根据比对后的矩阵图找出原图中存在差异的区域，对该区域进行标记处理；

12)字口评价表：通过大量的市场调研以及古钱币相关资料的查询，将不同相似度值对应的字口评价制作成一张字口-评价表如图8所示。

本发明提供的基于古钱币图像的智能评估方法，具有如下优势：

1、与最接近的技术方案利用卷积神经网络对图像进行处理的方式不同，本发明的整体分析步骤S3首先搭建了卷积神经网络并进行训练来更新参数，通过训练好的神经网络全连接层的输出值之间的比例来对各个特征进行细微分析，得到了各个特征之间的内在联系，并与目标图片的特征值之间的关系进行比对，给输出的不同特征值打上不同的标签，并制作了特征值和标签的映射表，最后将标签展示给用户，因此本发明给与用户充足的评估证据，有利于用户进行准确判断；

2、与最接近的技术方案根据不同方式来对物品进行鉴定或给出分类等级不同，本发明包括S3整体分析步骤和S4文字分析步骤，其中整体分析评估并根据特征值大小和对应的权重给出标签和整体评估值；文字分析用于对图像中具体的文字进行切割和比对，然后在图像中标记出文字的差异处，并在最后的根据标签自动生成一段关于图像中古钱币的描述性文字，让用户有据可依，有利于增强用户的体验程度；

3、本发明根据古钱币年代各不相同导致钱币上的文字受损程度不同，给出了古钱币图片文字特征的比对流程，先将古钱币图片进行二值化处理，忽略年代不同所来带的影响，然后根据古钱币的独特性分别进行整体比对、笔划比对和字体比对，该方法有利于对古钱币上的文字进行比对；

4、为提高用户体验程度，本发明根据大量的训练结果以及相关咨询得到的古钱币方面的经验制作了文字-年代映射表、字口-评价表和特征值-标签表，并将这三张表与整体分析步骤和文字分析步骤进行完美结合，相互融合，使得本方法可以完全独立的对用户上传的古钱币进行评估；

基于同一发明构思，本发明实施例还提供了一种基于古钱币图像的智能评估系统，由于该系统所解决问题的原理与前述方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

第二方面，本发明还提供一种基于古钱币图像的智能评估系统，参照图9所示，包括：

交互获取模块91，用于获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

预处理模块92，用于对所述第一图像进行预处理，生成第二图片；

整体分析模块93，用于采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

文字分析模块94，用于采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

评估生成模块95，用于根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

在一个实施例中，所述预处理模块92，包括：

图像大小处理子模块，用于将所述第一图像的大小进行统一；

图像边缘处理子模块，用于使用双边滤波对统一大小后的第一图像进行边缘处理；

图像灰度化子模块，用于图片边缘处理后，对RGB三分量进行加权平均以得到灰度图片；

图像空间变换子模块，用于对所述灰度图片使用最近临插值进行修正，完成图片空间变换；

图像增强子模块，用于对完成空间变换后的图片进行线性变换来增强图片的对比度，生成第二图片。

在一个实施例中，所述整体分析模块93，包括：

评估内容子模块，用于采用预设卷积神经网络整体分析模型对所述第二图片进行整体评估，输出评估内容；所述评估内容包括：古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

选定评估标签子模块，用于将所述评估内容中五个特征值与预设特征值标签表进行比对，得到相应的标签以及各个特征值所占的权重；

整体评估子模块，用于采用预设卷积神经网络整体分析模型输出的特征值分别乘以对应的所述权重，结果进行累加求和，得到所述古钱币的整体评估值。

在一个实施例中，所述整体分析模块93中的预设卷积神经网络整体分析模型，通过下述步骤生成：

构建步骤：使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

训练步骤：采集大量古钱币大开门的图片,进行随机分组，分为训练集和测试集；将所述训练集图片输入所述卷积神经网络，对每张图片中古钱币最显著的特征进行标注；

提取特征值步骤：在训练所述卷积神经网络时，当训练集图片经过卷积层、池化层和全连接层后得到五个输出值；所述五个输出值依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值，将每次训练得到的五个特征值进行提取并存储在数据库中；

计算特征值权重步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，得到当前特征所对应的权重，具体公式如下；

式中，n表示图片的个数；V_i表示序号为i的特征值；W_i表示序号为i的权重值；

构建预设特征值标签表步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，将不同区间的特征值与标签一一映射构成特征值-标签表；

测试卷积神经网络步骤：神经网络模型训练结束后，使用测试集图片进行测试，当测试的图片经过卷积层、池化层和全连接层后得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中；依次求得全连接层，池化层，卷积层的误差；当误差等于或小于所述期望值时，结束训练并根据求得的误差进行权值更新。

在一个实施例中，所述文字分析模块94具体包括：

文字区域切割子模块，用于采用全卷积神经网络模型SegNet对所述第二图片中的文字区域进行识别，并通过opencv将所述文字区域进行切割，生成第一文字图片；

年代识别子模块，用于获取所述第一文字图片中的文字与预设文字年代映射表进步比对，获得所述第一图像中古钱币所属的年代；

查找子模块，用于根据所述年代和所述第一文字图片，在文字图库中查找对应的古钱币大开门的第二文字图片；

差异值生成子模块，用于根据图像文字特征对比算法，将所述第一文字图片与第二文字图片进行比对，生成差异值；

标记差异子模块，用于当所述差异值大于预设阈值时，则在所述第一图像中标记差异处；

字口评价子模块，用于当所述差异值小于等于所述预设阈值时，则将所述差异值与字口评价表比对，获得对应的字口评价。

其中，交互获取模块91以微信小程序为例，具体实施步骤如下：

1)图片上传：用户进入到移动端古钱币评估小程序，点击导航栏中的钱币评估按钮即可进入到图片上传界面，点击选择图片按钮后，可以通过移动端的相机进行照片拍摄或从本地图库选择照片，选定照片后，照片会展示在中央的相框中，最后点击上传即可完成图片上传，上传界面如图2所示；

2)查看评估结果：用户通过移动端进入到古钱币评估小程序，点击右下角的我的按钮，进入到我的页面，通过这个页面用户可以查看到当前所有的古钱币评估进程，包括待评估、评估中和已完成三个状态，当小程序端接收到服务器端传回来的数据后，已完成按钮会对用户进行提示，点击已完成按钮即可查看到当前已完成的古钱币评估结果，评估结果由标记图片、整体评分、评估标签和整体评价四个内容组成，评估结果展示界面如图3所示；

3)小程序结果推送：通过微信小程序自带的消息模板功能，可以实现评估结果的微信推送功能，当评估结果出来后，微信的消息列表中会对用户进行提示，方便用户查看评估结果。

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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于古钱币图像的智能评估方法，其特征在于，包括以下步骤：

S1、获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

S2、对所述第一图像进行预处理，生成第二图片；

S3、采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

S4、采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

S5、根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

2.如权利要求1所述的一种基于古钱币图像的智能评估方法，其特征在于，所述步骤S2包括：

将所述第一图像的大小进行统一；

使用双边滤波对统一大小后的第一图像进行边缘处理；

图片边缘处理后，对RGB三分量进行加权平均以得到灰度图片；

对所述灰度图片使用最近临插值进行修正，完成图片空间变换；

对完成空间变换后的图片进行线性变换来增强图片的对比度，生成第二图片。

3.如权利要求1所述的一种基于古钱币图像的智能评估方法，其特征在于，所述步骤S3，包括：

采用预设卷积神经网络整体分析模型对所述第二图片进行整体评估，输出评估内容；所述评估内容包括：古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

将所述评估内容中五个特征值与预设特征值标签表进行比对，得到相应的标签以及各个特征值所占的权重；

采用预设卷积神经网络整体分析模型输出的特征值分别乘以对应的所述权重，结果进行累加求和，得到所述古钱币的整体评估值。

4.如权利要求3所述的一种基于古钱币图像的智能评估方法，其特征在于，所述步骤S3中预设卷积神经网络整体分析模型，通过下述步骤生成：

构建步骤：使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

训练步骤：采集大量古钱币大开门的图片,进行随机分组，分为训练集和测试集；将所述训练集图片输入所述卷积神经网络，对每张图片中古钱币最显著的特征进行标注；

提取特征值步骤：在训练所述卷积神经网络时，当训练集图片经过卷积层、池化层和全连接层后得到五个输出值；所述五个输出值依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值，将每次训练得到的五个特征值进行提取并存储在数据库中；

计算特征值权重步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，得到当前特征所对应的权重，具体公式如下；

式中，n表示图片的个数；V_i表示序号为i的特征值；W_i表示序号为i的权重值；

构建预设特征值标签表步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，将不同区间的特征值与标签一一映射构成特征值-标签表；

测试卷积神经网络步骤：神经网络模型训练结束后，使用测试集图片进行测试，当测试的图片经过卷积层、池化层和全连接层后得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中；依次求得全连接层，池化层，卷积层的误差；当误差等于或小于所述期望值时，结束训练并根据求得的误差进行权值更新。

5.如权利要求1-4任一项所述的一种基于古钱币图像的智能评估方法，其特征在于，所述步骤S4具体包括：

采用全卷积神经网络模型SegNet对所述第二图片中的文字区域进行识别，并通过opencv将所述文字区域进行切割，生成第一文字图片；

获取所述第一文字图片中的文字与预设文字年代映射表进步比对，获得所述第一图像中古钱币所属的年代；

根据所述年代和所述第一文字图片，在文字图库中查找对应的古钱币大开门的第二文字图片；

根据图像文字特征对比算法，将所述第一文字图片与第二文字图片进行比对，生成差异值；

当所述差异值大于预设阈值时，则在所述第一图像中标记差异处；

当所述差异值小于等于所述预设阈值时，则将所述差异值与字口评价表比对，获得对应的字口评价。

6.一种基于古钱币图像的智能评估系统，其特征在于，包括：

交互获取模块，用于获取待鉴定古钱币的第一图像；所述第一图像中包含古钱币；

预处理模块，用于对所述第一图像进行预处理，生成第二图片；

整体分析模块，用于采用预设卷积神经网络整体分析模型分析所述第二图片，以得到对应的整体评估值和相应标签；

文字分析模块，用于采用全卷积神经网络模型识别所述第二图片中的文字区域，并进行切割，获取切割后图片中的文字，与文字图库中的大开门文字图片进行比对，标记差异处或输出对应的字口评价；

评估生成模块，用于根据所述相应标签生成所述第一图像对应的描述性文字，将所述描述性文字、评估值、标记差异处或对应的字口评价，生成评估结果。

7.如权利要求6所述的一种基于古钱币图像的智能评估系统，其特征在于，所述预处理模块，包括：

图像大小处理子模块，用于将所述第一图像的大小进行统一；

图像边缘处理子模块，用于使用双边滤波对统一大小后的第一图像进行边缘处理；

图像灰度化子模块，用于图片边缘处理后，对RGB三分量进行加权平均以得到灰度图片；

图像空间变换子模块，用于对所述灰度图片使用最近临插值进行修正，完成图片空间变换；

图像增强子模块，用于对完成空间变换后的图片进行线性变换来增强图片的对比度，生成第二图片。

8.如权利要求6所述的一种基于古钱币图像的智能评估系统，其特征在于，所述整体分析模块，包括：

评估内容子模块，用于采用预设卷积神经网络整体分析模型对所述第二图片进行整体评估，输出评估内容；所述评估内容包括：古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

选定评估标签子模块，用于将所述评估内容中五个特征值与预设特征值标签表进行比对，得到相应的标签以及各个特征值所占的权重；

整体评估子模块，用于采用预设卷积神经网络整体分析模型输出的特征值分别乘以对应的所述权重，结果进行累加求和，得到所述古钱币的整体评估值。

9.如权利要求8所述的一种基于古钱币图像的智能评估系统，其特征在于，所述整体分析模块中的预设卷积神经网络整体分析模型，通过下述步骤生成：

构建步骤：使用TensorFlow深度学习框架，并参照AlexNet模型来构建卷积神经网络，将最后的输出层节点数改为5个，依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值；

训练步骤：采集大量古钱币大开门的图片,进行随机分组，分为训练集和测试集；将所述训练集图片输入所述卷积神经网络，对每张图片中古钱币最显著的特征进行标注；

提取特征值步骤：在训练所述卷积神经网络时，当训练集图片经过卷积层、池化层和全连接层后得到五个输出值；所述五个输出值依次对应古钱币的外廓、内廓、穿口、地章和包浆五个特征值，将每次训练得到的五个特征值进行提取并存储在数据库中；

计算特征值权重步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数并做百分比运算，得到当前特征所对应的权重，具体公式如下；

式中，n表示图片的个数；V_i表示序号为i的特征值；W_i表示序号为i的权重值；

构建预设特征值标签表步骤：从数据库中将每次训练时得到的特征值依次取出，将同种显著特征的图片的特征值进行累加求和，用累加和除以图片的个数求出特征值的平均值，根据特征值的变化曲线以及征值之间的比例关系给各个特征值划分区间，不同区间对应不同的特征标签，将不同区间的特征值与标签一一映射构成特征值-标签表；

测试卷积神经网络步骤：神经网络模型训练结束后，使用测试集图片进行测试，当测试的图片经过卷积层、池化层和全连接层后得到输出值，求出网络的输出值与真实值之间的误差，当误差大于期望值时，将误差传回网络中；依次求得全连接层，池化层，卷积层的误差；当误差等于或小于所述期望值时，结束训练并根据求得的误差进行权值更新。

10.如权利要求6-9任一项所述的一种基于古钱币图像的智能评估系统，其特征在于，所述文字分析模块具体包括：

文字区域切割子模块，用于采用全卷积神经网络模型SegNet对所述第二图片中的文字区域进行识别，并通过opencv将所述文字区域进行切割，生成第一文字图片；

年代识别子模块，用于获取所述第一文字图片中的文字与预设文字年代映射表进步比对，获得所述第一图像中古钱币所属的年代；

查找子模块，用于根据所述年代和所述第一文字图片，在文字图库中查找对应的古钱币大开门的第二文字图片；

差异值生成子模块，用于根据图像文字特征对比算法，将所述第一文字图片与第二文字图片进行比对，生成差异值；

标记差异子模块，用于当所述差异值大于预设阈值时，则在所述第一图像中标记差异处；

字口评价子模块，用于当所述差异值小于等于所述预设阈值时，则将所述差异值与字口评价表比对，获得对应的字口评价。

Images