CN111753913A - 假币分类的方法及装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本申请提供了一种假币分类的方法及装置、电子设备及存储介质，包括获取假币的特征信息，将特征信息转换为特征向量，并将特征向量输入预先训练好的的分类模型，得到针对假币的分类结果，分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币，因为，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息，所以输入分类模型的特征向量包括了假币多个维度的信息，所以，可以在很大程度上确保基于分类模型得到分类结果是准确的，从而实现了从收集得到的假币中，识别出需要上缴的假币的目标。

Description

假币分类的方法及装置、电子设备及计算机可读存储介质

技术领域

本申请涉及电子信息领域，尤其涉及一种假币分类的方法及装置、电子设备及存储介质。

背景技术

各个银行金融机构收集得到的假币通常需要上缴至人民银行，以使人民银行可以根据各个银行金融机构上缴的假币，进行进一步的分析统计处理。而然，目前银行金融机构上缴的假币中，很多都是没有参考价值的假币，例如，已经公布的常见类型的假币，或者可明显辨别的假币，这不仅增加了人民银行的工作量，也增大了银行金融机构的运输工作量。

所以，如何从收集得到的假币中，识别出需上缴的假币，成为了亟待解决的问题。

发明内容

本申请提供了假币分类的方法及装置、电子设备及计算机可读存储介质，目的在于解决如何从收集得到的假币中，识别出需上缴的假币的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种假币分类的方法，包括：

获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型依据标记为所述第一类假币的训练样本以及标记为所述第二类假币的训练样本训练得到。

上述的方法，可选的，还包括，

统计第一目标假币的数量，所述任意两个所述第一目标假币的分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同；

在第一目标假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述第一目标假币的所述图像信息，所述第一提示信息用于提示用户将所述第一目标假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币，用于训练所述分类模型。

上述的方法，可选的，还包括：

统计第二目标假币的数量，所述第二目标假币为所述分类结果属于所述第一类假币的所述假币；

在所述第二目标假币的数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

上述的方法，可选的，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：

获取所述第一类假币和所述第二类假币的假币训练样本；

获取所述假币训练样本的特征信息；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据所述假币预设的所述分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；

依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。

上述的方法，可选的，还包括，为每个属于所述第一类假币的所述假币设置电子标签，所述电子标签中携带所述假币的假币信息，假币信息至少包括所述假币的面值信息。

一种假币分类的装置，包括：

获取单元，用于获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

输入单元，用于将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币。

上述的装置，可选的，还包括，统计单元，用于统计所述分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同的所有所述假币的数量；

在所述假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述假币的假币图像，所述第一提示信息用于提示用户将所述假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币。

上述的装置，可选的，所述统计单元，还用于，统计所述分类结果属于所述第一类假币的所述假币的假币数量；

在所述假币数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

一种电子设备，包括：处理器和存储器，所述存储器用于存储程序；所述处理器用于运行所述程序，以实上述的假币分类的方法。

一种计算机可读存储介质所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的假币分类的方法。

本申请所述的方法及装置，获取假币的特征信息，将特征信息转换为特征向量，并将特征向量输入预先训练好的的分类模型，得到针对假币的分类结果，分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币，分类模型依据标记为第一类假币的训练样本以及标记为第二类假币的训练样本训练得到。因为，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息，所以输入分类模型的特征向量包括了假币多个维度的信息，所以，可以在很大程度上确保基于分类模型得到分类结果是准确的，从而实现了从收集得到的假币中，识别出需要上缴的假币的目标。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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他的附图。

图1为本申请实施例公开的假币分类的方法的流程图；

图2为本申请实施例公开的又一假币分类的方法的流程图；

图3为本申请实施例公开的构建分类模型的方法的流程图；

图4为本申请实施例公开的假币分类的装置的结构示意图；

图5为本申请实施例公开的电子设备的结构示意图。

具体实施方式

本申请实施例的执行主体可以是具有假币分类功能的假币清点机。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的一种假币分类的方法，可以包括以下步骤：

S101、接收假币。

假币是银行金融机构收集得到假币，可选的，假币为纸质假币。

S102、获取假币的特征信息。

特征信息包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息。图像信息包括图像内容，假币预设局部的元素信息可以是冠字号信息、图案颜色分布信息、以及图案内容等。假币的纸质成分信息可以通过光谱分析得到，具体的采用光谱分析得到假币的纸质成分信息的具体方法可以参考现有技术。

S103、将特征信息转换为特征向量，并特征向量输入预先训练好的分类模型，得到针对假币的分类结果。

按照预设的特征信息与特征向量转换规则，可将特征信息转换为特征向量。预先训练好的分类模型为GA-BP神经网络模型，GA-BP神经网络模型基于BP神经网络模型预先建立得到。训练得到分类模型的具体过程可以参考图3所示的流程。训练好的分类模型可以根据假币的特性向量，确定并输出假币对应的分类结果。假币的分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币。

本实施例提供的方法，获取假币的特征信息，将特征信息转换为特征向量，并将特征向量输入预先训练好的的分类模型，得到针对假币的分类结果，分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币，因为，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息，所以输入分类模型的特征向量包括了假币多个维度的信息，所以，可以在很大程度上确保基于分类模型得到分类结果是准确的，从而实现了从收集得到的假币中，识别出需要上缴的假币的目标。进一步的，假币分类的过程无需任何人工干预，节省了大量的时间成本和人力成本。

考虑到针对一种假币，如果已上缴的数量达到一定的数值，则该假币可以作为常规类型的假币，无需再继续上传，同时，考虑到在对假币进行分类的过程中，为了便于工作人员获知分类的进度，为此，在图1的基础上，图2为本申请实施例提供的另一种假币分类的方法，在图1所示的流程步骤的基础上，还包括以下步骤：

S104、统计分类结果属于第一类假币，且特征信息中至少局部的元素信息相同的假币的数量。

对于任意两张假币，若两张假币都属于第一类假币，且预设局部的元素信息相同，例如冠字号相同，图案颜色分布相同、或图案内容相同，则将两张假作为相同的假币，当然，若除预设局部的元素信息相同之外，两张假币的图像信息，或者纸质成分信息也相同，则将两张假币作为相同的假币。所以，本步骤的目标在于，统计属于第一类假币的相同假币的数量。

S105、在假币的数量达到第一阈值的情况下，发出第一提示信息。

第一提示信息中包括假币的假币图像，第一提示信息用于提示用户将假币作为分类模型的训练样本，且将训练样本的分类结果标记为第二类假币。将训练样本的分类结果标记为第二类假币，相当于更新分类模型的训练样本，实现通过更新训练样本从而更新分类模型，使分类模型在下一分类任务中，将之前已识别为第一类假币的数量较多(例如，第一阈值设为较大数值)的假币，识别为无需上缴的第二类假币。

S106、统计分类结果属于第一类假币的假币数量。

S107、在假币数量达到第二阈值的情况下，发出第二提示信息。

第二提示信息用于提示用户属于第一类假币的假币数量已到达上缴的数量，便于工作人员获知分类的进度。

S108、为每个属于第一类假币的假币设置电子标签。

电子标签中携带假币的假币信息，例如假币的面值信息，上缴假币的银行金融机构的名称等信息。可以通过扫描电子标签获取假币的信息，有利于工作人员批量的记录假币的信息。

本实施例提供的方法，因为，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息，所以输入分类模型的特征向量包括了假币多个维度的信息，所以，可以在很大程度上确保基于分类模型得到分类结果是准确的，从而实现了从收集得到的假币中，识别出需要上缴的假币的目标。

进一步的，统计分类结果属于第一类假币，且特征信息中至少局部的元素信息相同的所有假币的数量，并在假币的数量达到第一阈值的情况下，发出第一提示信息，以提示用户将假币作为分类模型的训练样本，且将训练样本的分类结果标记为第二类假币，实现通过更新训练样本从而更新分类模型，使分类模型在下一分类任务中，将已经上缴的数量较多(例如，第一阈值设为较大数值)的假币，识别为无需上缴的第二类假币，从而可以节省接收上缴的假币的银行机构的工作量，也减少了上缴假币的银行金融机构的运输工作量。

进一步的，统计分类结果属于第一类假币的假币数量，在假币数量达到第二阈值的情况下，发出第二提示信息，提示用户属于第一类假币的假币数量已到达上缴的数量，使工作人员可以获知分类的进度，及时的上缴假币。

进一步的，为假币设定携带假币信息的电子标签，便于工作人员批量的记录假币的信息，节省了大量的时间成本和人力成本。

图3为构建分类模型的具体过程，可以包括以下步骤。

S301、获取第一类假币和第二类假币的假币训练样本。

S302、获取假币训练样本的特征信息。

例如，上述实施例所述的假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息。

S303、确定由输入层、隐层和输出层构成的初始BP神经网络模型。

初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，例如，将特征信息转换成对应的特征向量，将特征向量中包括参数的个数作为初始BP神经网络模型的输入层节点个数。

初始BP神经网络模型的输出层节点个数依据假币预设的分类结果确定，例如，假币的分类结果中，采用0表示第一类假币，1表示第二类假币，则输出层节点个数设定为1个。例如，假币的分类结果中，采用01表示第一类假币，02表示第二类假币，则输出层节点个数设定为2个。

初始BP神经网络模型的隐层节点个数基于试凑法确定，具体的实现方式可以参考现有技术。

可选的，根据kolmogorov原理，一个三层(输入层、隐层、和输出层)的BP神经网络模型足以完成任意的n维到m维的映射，所以，一般只需要采用一个隐层即可。n和m为大于1的整数。

S304、依据预设的样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型。

本步骤的具体实施例方式可以参考现有技术。

S305、将优化后的BP神经网络模型作为GA-BP神经网络模型。

本发明实施例提供方法，依据训练样本的特性信息确定输入层节点个数、依据假币预设的分类结果确定输出层节点，采用试凑法确定隐层节点个数，从而确定初始BP神经网络模型的结构，通过遗传算法输出的最优个体作为初始BP神经网络初始权值和阈值进行BP神经网络训练和学习。基于预设的样本数据对GA-BP神经网络模型进行训练，从而得到优化后的BP神经网络模型。

图4为本申请实施例提供的一种假币分类的装置400的结构示意图，包括：

获取单元401，用于获取假币的特征信息，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息；

输入单元402，用于将特征信息转换为特征向量，并将特征向量输入预先训练好的分类模型，得到针对假币的分类结果，分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币。

可选的，上述的装置400，还包括，统计单元403，用于统计分类结果属于第一类假币，且特征信息中至少局部的元素信息相同的所有假币的数量；在假币的数量达到第一阈值的情况下，发出第一提示信息，提示信息中包括假币的假币图像，第一提示信息用于提示用户将假币作为分类模型的训练样本，且将训练样本的分类结果标记为第二类假币。

可选的，统计单元403，还用于，统计分类结果属于第一类假币的假币数量；在假币数量达到第二阈值的情况下，发出第二提示信息，第二提示信息用于提示用户属于第一类假币的假币数量已到达上缴的数量。

可选的，上述的装置400，还包括，训练单元404，用于构建分类模型，分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到，训练单元404具体用于，获取第一类假币和所述第二类假币的假币训练样本；获取假币训练样本的特征信息；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，初始BP神经网络模型的输入层节点个数依据训练样本的特性信息确定，初始BP神经网络模型的输出层节点个数依据假币预设的所述分类结果确定，初始BP神经网络模型的隐层节点个数基于试凑法确定；依据预设的样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；将优化后的BP神经网络模型作为GA-BP神经网络模型。

可选的，上述的装置400，还包括，设置单元405，为每个属于第一类假币的假币设置电子标签，电子标签中携带假币的假币信息。

本申请所述的装置，获取假币的特征信息，将特征信息转换为特征向量，并将特征向量输入预先训练好的的分类模型，得到针对假币的分类结果，分类结果包括第一类假币和第二类假币，第一类假币为需上缴的假币，第二类假币为无需上缴的假币，因为，特征信息至少包括假币的图像信息、假币预设局部的元素信息、以及假币的纸质成分信息，所以输入分类模型的特征向量包括了假币多个维度的信息，所以，可以在很大程度上确保基于分类模型得到分类结果是准确的，从而实现了从收集得到的假币中，识别出需要上缴的假币的目标。

本申请还提供了一种电子设备500，其结构示意图如图5所示，包括：处理器501和存储器502，存储器502于存储应用程序，处理器501用于执行应用程序，以执行本申请的假币分类的方法，即执行以下步骤：

获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型依据标记为所述第一类假币的训练样本以及标记为所述第二类假币的训练样本训练得到。

可选的，还包括，

统计第一目标假币的数量，所述任意两个所述第一目标假币的分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同；

在第一目标假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述第一目标假币的所述图像信息，所述第一提示信息用于提示用户将所述第一目标假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币，用于训练所述分类模型。

可选的，还包括：

统计第二目标假币的数量，所述第二目标假币为所述分类结果属于所述第一类假币的所述假币；

在所述第二目标假币的数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

可选的，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：

获取所述第一类假币和所述第二类假币的假币训练样本；

获取所述假币训练样本的特征信息；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据所述假币预设的所述分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；

依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。

可选的，还包括，为每个属于所述第一类假币的所述假币设置电子标签，所述电子标签中携带所述假币的假币信息，假币信息至少包括所述假币的面值信息。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执本申请提供的假币分类的方法，即执行以下步骤：

获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型依据标记为所述第一类假币的训练样本以及标记为所述第二类假币的训练样本训练得到。

可选的，还包括，

统计第一目标假币的数量，所述任意两个所述第一目标假币的分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同；

在第一目标假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述第一目标假币的所述图像信息，所述第一提示信息用于提示用户将所述第一目标假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币，用于训练所述分类模型。

可选的，还包括：

统计第二目标假币的数量，所述第二目标假币为所述分类结果属于所述第一类假币的所述假币；

在所述第二目标假币的数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

可选的，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：

获取所述第一类假币和所述第二类假币的假币训练样本；

获取所述假币训练样本的特征信息；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据所述假币预设的所述分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；

依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。

可选的，还包括，为每个属于所述第一类假币的所述假币设置电子标签，所述电子标签中携带所述假币的假币信息，假币信息至少包括所述假币的面值信息。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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)

1.一种假币分类的方法，其特征在于，包括：

获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币，所述分类模型依据标记为所述第一类假币的训练样本以及标记为所述第二类假币的训练样本训练得到。

2.根据权利要求1所述的方法，其特征在于，还包括，

统计第一目标假币的数量，所述任意两个所述第一目标假币的分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同；

在第一目标假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述第一目标假币的所述图像信息，所述第一提示信息用于提示用户将所述第一目标假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币，用于训练所述分类模型。

3.根据权利要求1所述的方法，其特征在于，还包括：

统计第二目标假币的数量，所述第二目标假币为所述分类结果属于所述第一类假币的所述假币；

在所述第二目标假币的数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

4.根据权利要求1或2所述的方法，其特征在于，所述分类模型为GA-BP神经网络模型，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

基于BP神经网络预先建立所述GA-BP神经网络模型的过程，包括：

获取所述第一类假币和所述第二类假币的假币训练样本；

获取所述假币训练样本的特征信息；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，所述初始BP神经网络模型的输入层节点个数依据所述训练样本的特性信息确定，所述初始BP神经网络模型的输出层节点个数依据所述假币预设的所述分类结果确定，所述初始BP神经网络模型的隐层节点个数基于试凑法确定；

依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为所述GA-BP神经网络模型。

5.根据权利要求1所述的方法，其特征在于，还包括，为每个属于所述第一类假币的所述假币设置电子标签，所述电子标签中携带所述假币的假币信息，假币信息至少包括所述假币的面值信息。

6.一种假币分类的装置，其特征在于，包括：

获取单元，用于获取假币的特征信息，所述特征信息至少包括所述假币的图像信息、所述假币预设局部的元素信息、以及所述假币的纸质成分信息；

输入单元，用于将所述特征信息转换为特征向量，并将所述特征向量输入预先训练好的分类模型，得到针对所述假币的分类结果，所述分类结果包括第一类假币和第二类假币，所述第一类假币为需上缴的假币，所述第二类假币为无需上缴的假币。

7.根据权利要求6所述的装置，其特征在于，还包括，统计单元，用于统计所述分类结果属于所述第一类假币，且所述特征信息中至少所述局部的元素信息相同的所有所述假币的数量；

在所述假币的数量达到第一阈值的情况下，发出第一提示信息，所述第一提示信息中包括所述假币的假币图像，所述第一提示信息用于提示用户将所述假币作为所述分类模型的训练样本，且将所述训练样本的所述分类结果标记为所述第二类假币。

8.根据要求7所述的装置，其特征在于，所述统计单元，还用于，统计所述分类结果属于所述第一类假币的所述假币的假币数量；

在所述假币数量达到第二阈值的情况下，发出第二提示信息，所述第二提示信息用于提示用户属于所述第一类假币的假币数量已到达上缴的数量。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储程序；所述处理器用于运行所述程序，以实现权利要求1-5任一项所述的假币分类的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1-5任一项所述的假币分类的方法。

Images