CN111652318A - 一种币种识别方法、识别装置、以及电子设备 - Google Patents

一种币种识别方法、识别装置、以及电子设备 Download PDF

Info

Publication number
CN111652318A
CN111652318A CN202010505895.XA CN202010505895A CN111652318A CN 111652318 A CN111652318 A CN 111652318A CN 202010505895 A CN202010505895 A CN 202010505895A CN 111652318 A CN111652318 A CN 111652318A
Authority
CN
China
Prior art keywords
currency
bank note
identification
model
neural network
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
CN202010505895.XA
Other languages
English (en)
Other versions
CN111652318B (zh
Inventor
徐晓健
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010505895.XA priority Critical patent/CN111652318B/zh
Publication of CN111652318A publication Critical patent/CN111652318A/zh
Application granted granted Critical
Publication of CN111652318B publication Critical patent/CN111652318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D13/00—Handling of coins or of valuable papers, characterised by a combination of mechanisms not covered by a single one of groups G07D1/00 - G07D11/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种币种识别方法、识别装置、以及电子设备采用深度学习技术预先训练一个币种识别模型，该币种识别模型可以通过处理图像的方式识别钞票的币种信息，整个过程无需人为操作，具备快速、高效、低成本的优势。此外，由于币种识别模型在能够识别钞票币种的基础上，还能够识别钞票真实性，这就可以避免模型错误将非钞票物体识别为钞票的误识别问题，提高识别的准确性。

Description

一种币种识别方法、识别装置、以及电子设备
技术领域
本发明涉及数据处理技术领域，更具体地说，涉及一种币种识别方法、识别装置、以及电子设备。
背景技术
银行外币现钞兑换业务通常涉及到多种外币。而在实际生活中，大多数人因知识储备有限而无法准确区分币种。
当前，外币识别主要依靠人工完成，这就要求相关人员具备较高的知识储备，难以大范围推广普及。
发明内容
有鉴于此，为解决上述问题，本发明提供一种币种识别方法、识别装置、以及电子设备，技术方案如下：
一种币种识别方法，所述币种识别方法包括：
获取待识别钞票的图像；
将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
优选的，基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
优选的，所述第一分类层的激活函数采用Softmax函数、损失函数采用CrossEntropy函数；所述第二分类层的激活函数采用Sigmoid函数、损失函数采用CrossEntropy函数。
优选的，所述通过所述币种识别模型识别所述待识别钞票的币种信息，包括：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
优选的，所述通过所述币种识别模型识别所述待识别钞票的币种信息，还包括：
若否，输出表征所述待识别钞票属于非真实钞票的提示信息。
一种币种识别装置，所述币种识别装置包括：
图像获取模块，用于获取待识别钞票的图像；
币种识别模块，用于将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
优选的，所述币种识别模块基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
优选的，用于通过所述币种识别模型识别所述待识别钞票的币种信息的所述币种识别模块，具体用于：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
优选的，所述币种识别模块，还用于：
若否，输出表征所述待识别钞票属于非真实钞票的提示信息。
一种电子设备，所述电子设备包括：
存储器，用于存储程序以及所述程序运行所产生的数据；
处理器，用于执行所述程序，以实现功能：获取待识别钞票的图像；将所述待识别钞票的图像输入至预先训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
相较于现有技术，本发明实现的有益效果为：
本发明提供的一种币种识别方法、识别装置、以及电子设备，采用深度学习技术预先训练一个币种识别模型，该币种识别模型可以通过处理图像的方式识别钞票的币种信息，整个过程无需人为操作，具备快速、高效、低成本的优势。
此外，由于币种识别模型在能够识别钞票币种的基础上，还能够识别钞票真实性，这就可以避免模型错误将非钞票物体识别为钞票的误识别问题，提高识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种币种识别方法的流程示意图；
图2为本发明实施例提供的神经网络模型的结构示意图；
图3为本发明实施例提供的一种币种识别模型的识别流程示意图；
图4为本发明实施例提供的币种识别装置的结构示意图。
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，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1，图1为本发明实施例提供的一种币种识别方法的流程示意图。
所述币种识别方法包括：
S101：获取待识别钞票的图像。
在该步骤中，包括但不限定于使用手机等带有图像拍摄功能的终端拍摄待识别钞票的图像。而币种识别模型的识别对象为图像，这就无需使用者具备任何相关知识，普及成本低。
S102：将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
在该步骤中，采用深度学习技术预先训练一个币种识别模型，训练得到的币种识别模型具备识别钞票币种、以及钞票真实性的功能。
在识别待识别钞票的图像的过程中，该币种识别模型综合钞票币种和钞票真实性两方面因素输出待识别钞票的币种信息。
需要说明的是，钞票币种包括但不限定于钞票类别、面额。钞票真实性，即待识别钞票是否为真实钞票。
在该实施例中，币种识别模型可以通过处理图像的方式识别钞票的币种信息，整个过程无需人为操作，具备快速、高效、低成本的优势。而币种识别模型在能够识别钞票币种的基础上，还能够识别钞票真实性，这就可以避免模型错误将非钞票物体识别为钞票的误识别问题，提高识别的准确性。
进一步的，基于本发明上述实施例，基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
在该实施例中，获取训练样本和测试样本时，需要收集外币图像和非外币图像及标注。
搭建神经网络模型时，可以使用ResNet的一个子模型ResNet50作为基础模型，对ResNet50原有的输出层添加一个用于识别钞票真实性的分支，而结合ResNet50原有的输出层原有的一个用于识别钞票币种的分支，神经网络模型具备两个分支。且两个分支的输出进入神经网络模型的输出层，由输出层综合两个分支的结果进行输出。最终搭建好的神经网络模型在ResNet50的基础上具有两个分类层、一个输出层。图2为神经网络模型的结构示意图。
在实际应用中，神经网络模型的第一分类层激活函数可以采用Softmax函数、损失函数可以采用CrossEntropy函数；第二分类层的激活函数可以采用Sigmoid函数、损失函数可以采用CrossEntropy函数。神经网络模型则采用CrossEntropy函数和CrossEntropy函数之和作为最终的损失函数。
以下对ResNet、Softmax函数、Sigmoid函数和CrossEntropy函数进行介绍说明：
ResNet，是2015年提出的一种用于进行图像分类任务的神经网络模型。本发明使用ResNet的一个子模型ResNet50作为基础模型。
Softmax函数，神经网络中常用的一种激活函数，其输出值位于区间[0,1]内，主要用于多分类问题。
Sigmoid函数，神经网络中常用的一种激活函数，其输出值位于区间[0,1]内，主要用于二分类问题。
CrossEntropy函数，是神经网络中常用的一种代价函数(损失函数)。
此外，在训练神经网络模型的过程中，可以随机有放回地从训练样本中选择用于本次训练的样本，并对该样本进行模糊化、随机裁剪、随机翻转等图像增强操作，进而将增加后的样本输入至神经网络模型中，以调整神经网络模型各层的权重参数。
对于本次训练结束的神经网络模型，可以随机有放回地从测试样本中选择用于本次测试的样本，并对该样本进行尺度变化、归一化等预处理操作，进而将处理后的样本输入至神经网络模型中，从而基于所输入样本的标注计算神经网络模型对于样本的识别准确率。
如果神经网络模型的识别准确率符合预设结束条件，即识别准确率高于准确率阈值，结束神经网络模型的训练。反之，则进入下一轮的训练中，直到符合预设结束条件为止。最终得到性能最优的神经网络模型作为币种识别模型。
在该实施例中，基于深度学习的思想训练得到币种识别模型，在训练币种识别模型过程中搭建了符合本发明目的神经网络模型，从而为识别钞票币种以及钞票真实性提供基础。
需要说明的是，本发明将外币识别整合为一个端到端的过程，只需更换相应数据集，该方法就可以推广到其它目标识别的领域中，适用范围广、普及成本低。
进一步的，基于本发明上述实施例，所述通过所述币种识别模型识别所述待识别钞票的币种信息，包括：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
参考图3，图3为本发明实施例提供的一种币种识别模型的识别流程示意图。在币种识别模型中，第一分类层输出表征待识别钞票币种(即类别)的第一概率prob(class)＝[prob(class_1),prob(class_2),…,prob(class_n)]，第二分类层输出表征待识别钞票真实性的第二概率prob(money)，输出层则将第一概率与第二概率的乘积作为待识别钞票所属币种的识别概率，从而以此作为判断基础，输出待识别钞票所属币种的币种信息。
具体的，由于币种类型较多，在判断识别概率是否大于待识别钞票所属币种对应的识别概率阈值时，可以从待识别钞票所属币种的识别概率prob(class)*prob(money)＝[prob(class_1)*prob(money),prob(class_2)*prob(money),…,prob(class_n)*prob(money)]中选择最大的识别概率作为待比较的识别概率。
假设所选择的识别概率为prob(class_1)*prob(money)，则将prob(class_1)*prob(money)与prob(class_1)对应的识别概率阈值prob’(class_1)进行比较。如果prob(class_1)*prob(money)大于prob’(class_1)，则该prob(class_1)*prob(money)为所属币种对应的置信度，并输出所属币种的币种信息，包括钞票类别、面额。
在此基础上，如果识别概率不大于所述待识别钞票所属币种对应的识别概率阈值，则输出表征所述待识别钞票属于非真实钞票的提示信息。具体可以文本信息、语音播报等方式进行提示，对此不做限定。
进一步的，基于本发明上述全部实施例，在本发明另一实施例中还提供了一种币种识别装置，参考图4，图4为本发明实施例提供的币种识别装置的结构示意图。
所述币种识别装置包括：
图像获取模块21，用于获取待识别钞票的图像；
币种识别模块22，用于将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
进一步的，基于本发明上述实施例，所述币种识别模块22基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
进一步的，基于本发明上述实施例，所述第一分类层的激活函数采用Softmax函数、损失函数采用CrossEntropy函数；所述第二分类层的激活函数采用Sigmoid函数、损失函数采用CrossEntropy函数。
进一步的，基于本发明上述实施例，用于通过所述币种识别模型识别所述待识别钞票的币种信息的所述币种识别模块22，具体用于：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
进一步的，基于本发明上述实施例，所述币种识别模块22，还用于：
若否，输出表征所述待识别钞票属于非真实钞票的提示信息。
需要说明的是，本发明实施例提供的币种识别装置与币种识别方法的原理相同，在此不再赘述。
进一步的，基于本发明上述全部实施例，在本发明另一实施例中还提供了一种电子设备。
所述电子设备包括：
存储器，用于存储程序以及所述程序运行所产生的数据；
处理器，用于执行所述程序，以实现功能：获取待识别钞票的图像；将所述待识别钞票的图像输入至预先训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
需要说明的是，本发明实施例提供的电子设备与币种识别方法的原理相同，在此不再赘述。
以上对本发明所提供的一种币种识别方法、识别装置、以及电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种币种识别方法，其特征在于，所述币种识别方法包括：
获取待识别钞票的图像；
将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
2.根据权利要求1所述的方法，其特征在于，基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
3.根据权利要求2所述的方法，其特征在于，所述第一分类层的激活函数采用Softmax函数、损失函数采用CrossEntropy函数；所述第二分类层的激活函数采用Sigmoid函数、损失函数采用CrossEntropy函数。
4.根据权利要求2所述的方法，其特征在于，所述通过所述币种识别模型识别所述待识别钞票的币种信息，包括：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
5.根据权利要求4所述的方法，其特征在于，所述通过所述币种识别模型识别所述待识别钞票的币种信息，还包括：
若否，输出表征所述待识别钞票属于非真实钞票的提示信息。
6.一种币种识别装置，其特征在于，所述币种识别装置包括：
图像获取模块，用于获取待识别钞票的图像；
币种识别模块，用于将所述待识别钞票的图像输入至预先基于深度学习训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
7.根据权利要求6所述的装置，其特征在于，所述币种识别模块基于深度学习训练所述币种识别模型的过程，包括：
获取训练样本、以及测试样本；
搭建神经网络模型，所述神经网络模型包括用于识别钞票币种的第一分类层、用于识别钞票真实性的第二分类层、以及输出层，所述第一分类层和所述第二分类层的识别结果为所述输出层的输入；
对所述训练样本中用于本次训练的样本进行图像增强，并将增强后的样本输入至所述神经网络模型中，以调整所述神经网络模型的权重参数；
对所述测试样本中用于本次测试的样本进行预处理，并将处理后的样本输入至所述神经网络模型中，以确定所述神经网络模型的识别准确率；
在所述识别准确率不符合预设结束条件的情况下，返回执行所述对所述训练样本中用于本次训练的样本进行图像增强；
在所述识别准确率符合预设结束条件的情况下，将所述神经网络模型作为所述币种识别模型。
8.根据权利要求7所述的装置，其特征在于，用于通过所述币种识别模型识别所述待识别钞票的币种信息的所述币种识别模块，具体用于：
获取所述输出层所输出的表征所述待识别钞票所属币种的识别概率，所述识别概率是所述第一分类层所输出的第一概率以及所述第二分类层所输出的第二概率的乘积；
判断所述识别概率是否大于所述待识别钞票所属币种对应的识别概率阈值；
若是，输出所述待识别钞票所属币种的币种信息。
9.根据权利要求8所述的装置，其特征在于，所述币种识别模块，还用于：
若否，输出表征所述待识别钞票属于非真实钞票的提示信息。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储程序以及所述程序运行所产生的数据；
处理器，用于执行所述程序，以实现功能：获取待识别钞票的图像；将所述待识别钞票的图像输入至预先训练的币种识别模型中，通过所述币种识别模型识别所述待识别钞票的币种信息，所述币种识别模型能够识别钞票币种、以及钞票真实性。
CN202010505895.XA 2020-06-05 2020-06-05 一种币种识别方法、识别装置、以及电子设备 Active CN111652318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505895.XA CN111652318B (zh) 2020-06-05 2020-06-05 一种币种识别方法、识别装置、以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505895.XA CN111652318B (zh) 2020-06-05 2020-06-05 一种币种识别方法、识别装置、以及电子设备

Publications (2)

Publication Number Publication Date
CN111652318A true CN111652318A (zh) 2020-09-11
CN111652318B CN111652318B (zh) 2023-09-01

Family

ID=72342972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505895.XA Active CN111652318B (zh) 2020-06-05 2020-06-05 一种币种识别方法、识别装置、以及电子设备

Country Status (1)

Country Link
CN (1) CN111652318B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112466389A (zh) * 2020-12-04 2021-03-09 深圳市新合生物医疗科技有限公司 一种基于机器学习算法获取肿瘤标记物的方法和系统
CN112613553A (zh) * 2020-12-18 2021-04-06 中电金信软件有限公司 图片样本集生成方法、装置、计算机设备和存储介质
CN113538809A (zh) * 2021-06-11 2021-10-22 深圳怡化电脑科技有限公司 一种基于自助设备的数据处理方法和装置
WO2023070843A1 (zh) * 2021-10-25 2023-05-04 广州广电运通金融电子股份有限公司 多模态货币识别系统、方法、存储介质和终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1757047A (zh) * 2003-02-28 2006-04-05 日本功勒克斯股份有限公司 纸张类识别装置及方法
JP2016021204A (ja) * 2014-07-16 2016-02-04 グローリー株式会社 紙幣処理装置及び紙幣処理方法
CN108665603A (zh) * 2018-04-11 2018-10-16 深圳怡化电脑股份有限公司 识别纸币币种的方法、装置及电子设备
CN109117885A (zh) * 2018-08-17 2019-01-01 北方民族大学 一种基于深度学习的邮票识别方法
CN110472664A (zh) * 2019-07-17 2019-11-19 杭州有盾网络科技有限公司 一种基于深度学习的证件图片识别方法、装置及设备
CN110969757A (zh) * 2019-10-12 2020-04-07 恒银金融科技股份有限公司 一种多国钞票类型快速识别技术
CN111209856A (zh) * 2020-01-06 2020-05-29 泰康保险集团股份有限公司 发票信息的识别方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1757047A (zh) * 2003-02-28 2006-04-05 日本功勒克斯股份有限公司 纸张类识别装置及方法
JP2016021204A (ja) * 2014-07-16 2016-02-04 グローリー株式会社 紙幣処理装置及び紙幣処理方法
CN108665603A (zh) * 2018-04-11 2018-10-16 深圳怡化电脑股份有限公司 识别纸币币种的方法、装置及电子设备
CN109117885A (zh) * 2018-08-17 2019-01-01 北方民族大学 一种基于深度学习的邮票识别方法
CN110472664A (zh) * 2019-07-17 2019-11-19 杭州有盾网络科技有限公司 一种基于深度学习的证件图片识别方法、装置及设备
CN110969757A (zh) * 2019-10-12 2020-04-07 恒银金融科技股份有限公司 一种多国钞票类型快速识别技术
CN111209856A (zh) * 2020-01-06 2020-05-29 泰康保险集团股份有限公司 发票信息的识别方法、装置、电子设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112466389A (zh) * 2020-12-04 2021-03-09 深圳市新合生物医疗科技有限公司 一种基于机器学习算法获取肿瘤标记物的方法和系统
CN112466389B (zh) * 2020-12-04 2024-05-17 深圳市新合生物医疗科技有限公司 一种基于机器学习算法获取肿瘤标记物的方法和系统
CN112613553A (zh) * 2020-12-18 2021-04-06 中电金信软件有限公司 图片样本集生成方法、装置、计算机设备和存储介质
CN112613553B (zh) * 2020-12-18 2022-03-08 中电金信软件有限公司 图片样本集生成方法、装置、计算机设备和存储介质
CN113538809A (zh) * 2021-06-11 2021-10-22 深圳怡化电脑科技有限公司 一种基于自助设备的数据处理方法和装置
CN113538809B (zh) * 2021-06-11 2023-08-04 深圳怡化电脑科技有限公司 一种基于自助设备的数据处理方法和装置
WO2023070843A1 (zh) * 2021-10-25 2023-05-04 广州广电运通金融电子股份有限公司 多模态货币识别系统、方法、存储介质和终端

Also Published As

Publication number Publication date
CN111652318B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN111652318B (zh) 一种币种识别方法、识别装置、以及电子设备
CN111784502A (zh) 异常交易账户群体识别方法及装置
CN107835496A (zh) 一种垃圾短信的识别方法、装置和服务器
CN112732871B (zh) 一种机器人催收获取客户意向标签的多标签分类方法
CN112562741B (zh) 一种基于点积自注意力卷积神经网络的歌声检测方法
CN110610709A (zh) 基于声纹识别的身份辨别方法
CN110287292B (zh) 一种裁判量刑偏离度预测方法及装置
CN110956503B (zh) 基于用户网络行为的具有借贷需求的用户识别方法及装置
CN111667002B (zh) 一种币种识别方法、识别装置、以及电子设备
CN114298176A (zh) 一种欺诈用户检测方法、装置、介质及电子设备
CN109739985A (zh) 文本自动分类方法、设备及存储介质
CN114399379A (zh) 基于人工智能的催收行为识别方法、装置、设备及介质
CN111091408A (zh) 用户识别模型创建方法、装置与识别方法、装置
CN113191787A (zh) 电信数据的处理方法、装置电子设备及存储介质
CN112133291B (zh) 一种语种识别模型训练、语种识别的方法和相关装置
CN111523604A (zh) 一种用户分类的方法和相关装置
CN116595486A (zh) 风险识别方法、训练风险识别模型的方法及对应装置
CN112069392B (zh) 涉网犯罪防控方法、装置、计算机设备及存储介质
CN113887214A (zh) 基于人工智能的意愿推测方法、及其相关设备
CN112927719A (zh) 风险信息评估方法、装置、设备及存储介质
CN114333840A (zh) 语音鉴别方法及相关装置、电子设备和存储介质
CN113838462A (zh) 语音唤醒方法、装置、电子设备及计算机可读存储介质
CN112966296A (zh) 基于规则配置和机器学习的敏感信息过滤方法和系统
CN113645356A (zh) 一种基于网内开卡行为分析的诈骗电话识别方法及系统
CN112053219A (zh) 一种基于ocsvm的消费金融欺诈行为检测方法

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
CB03 Change of inventor or designer information

Inventor after: Xu Xiaojian

Inventor after: Luan Yingying

Inventor after: Tong Chujie

Inventor after: Li Fuyang

Inventor after: Yan Jie

Inventor after: Peng Bo

Inventor before: Xu Xiaojian

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant