CN112329845A - 更换纸币的方法、装置、终端设备及计算机可读存储介质 - Google Patents
更换纸币的方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112329845A CN112329845A CN202011212365.2A CN202011212365A CN112329845A CN 112329845 A CN112329845 A CN 112329845A CN 202011212365 A CN202011212365 A CN 202011212365A CN 112329845 A CN112329845 A CN 112329845A
- Authority
- CN
- China
- Prior art keywords
- replaced
- paper money
- image
- banknote
- type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000007547 defect Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 34
- 230000006870 function Effects 0.000 description 34
- 239000011159 matrix material Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 230000002950 deficient Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机视觉技术领域，提供了一种更换纸币的方法、装置、终端设备及计算机可读存储介质，所述方法包括：获取待更换纸币的图像；识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。通过本申请实施例提高了纸币更换过程的处理效率，减轻了工作人员的负担。
Description
技术领域
本申请属于计算机视觉技术领域，尤其涉及一种更换纸币的方法、装置、终端设备及计算机可读存储介质。
背景技术
纸币作为一种交易媒介，在市场流通较长时间后，会出现一些破损或残缺等缺陷。在将存在缺陷的纸币到银行进行更换时，存在缺陷的纸币需要满足一定要求才可以更换，例如纸币的破损或残缺的程度或缺陷纸币的属性等。
目前，在更换存在缺陷的纸币的过程中，需要大量人工进行测量和检查，以确认是否满足更换要求以及可以更换的纸币类别等，这种方式费时费力，不仅给工作人员造成极大的工作负担，而且降低了纸币更换过程的处理效率。
发明内容
本申请实施例提供了一种更换纸币的方法、装置、终端设备及计算机可读存储介质，可以解决纸币更换过程的处理效率低的问题。
第一方面，本申请实施例提供了一种更换纸币的方法，所述方法包括：获取待更换纸币的图像；识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
在第一方面的一种可能的实现方式中，所述识别所述图像，得到所述待更换纸币的缺损等级和纸币类型，包括：
对所述图像进行畸变校正，得到校正后的图像；对所述校正后的图像进行滤波处理，得到滤波后的图像。
在第一方面的一种可能的实现方式中，识别所述图像，得到所述待更换纸币的缺损等级和纸币类型，包括：
将所述滤波后的图像输入至训练后的神经网络模型，通过所述训练后的神经网络模型对所述滤波后的图像进行特征学习，得到由所述训练后的神经网络模型输出的所述待更换纸币的目标位置和预测结果；基于所述预测结果，确定所述待更换纸币的纸币类型；基于所述目标位置及所述待更换纸币的纸币类型，确定所述待更换纸币的缺损等级。
在第一方面的一种可能的实现方式中，所述训练后的神经网络模型包括共享特征网络层、检测分支和属性分支；所述共享特征网络层用于对输入的所述滤波后的图像的特征进行学习，得到用于目标检测的第一特征图和用于属性预测的第二特征图，并将所述第一特征图输入所述检测分支，将所述第二特征图输入所述属性分支；所述检测分支用于根据所述第一特征图输出所述目标位置和所述预测结果，所述属性分支用于根据所述第二特征图输出待更换纸币的属性。
在第一方面的一种可能的实现方式中，所述基于所述目标位置及所述待更换纸币的纸币类型，确定所述待更换纸币的缺损等级，包括：
提取所述目标位置处的纸币图像的边缘信息，得到所述纸币图像的实际轮廓；计算所述实际轮廓的实际面积；根据所述实际面积和所述待更换纸币的纸币类型对应的原始面积，确定所述待更换纸币的缺损等级；其中，所述原始面积为与所述待更换纸币相同纸币类型的整张纸币的面积。
在第一方面的一种可能的实现方式中，所述提取所述目标位置处的纸币图像的边缘信息，得到所述纸币图像的实际轮廓，包括：
通过边缘检测算法检测所述纸币图像的边缘信息，所述边缘信息包括若干个轮廓；计算所述若干个轮廓中每个轮廓的初始面积；将所述若干个轮廓中所述初始面积最大的轮廓作为所述实际轮廓。
在第一方面的一种可能的实现方式中，所述计算所述实际轮廓的实际面积，包括：
计算所述实际轮廓的长度，所述长度通过所述实际轮廓的轮廓点的数量表示；通过遍历所述实际轮廓的轮廓点，计算所述实际轮廓的实际面积。
在第一方面的一种可能的实现方式中，所述若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，包括：
若所述缺损等级满足第一预设阈值，则确定所述更换纸币的纸币类型为与所述待更换纸币相同类型的完整纸币；若所述缺损等级满足第二预设阈值，则确定所述更换纸币的纸币类型为面值为所述待更换纸币一半的完整纸币；其中，所述第一预设阈值小于所述第二预设阈值。
第二方面，本申请实施例提供了一种更换纸币的装置，包括：
获取单元，用于获取待更换纸币的图像；
处理单元，用于识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；
输出单元，用于若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面及第一方面的可能实现方式所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面及第一方面的可能实现方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：通过本申请实施例，终端设备可以获取待更换纸币的图像；对图像进行识别，得到待更换纸币的缺损等级和纸币类型；若缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型；通过对待更换纸币图像的识别，可以快捷的确定待更换纸币的缺损等级和纸币类型，从而可以根据预设的更换标准以及待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，提高了纸币更换过程的处理效率，降低了工作人员的工作负担；具有较强的易用性与实用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的更换纸币应用场景架构示意图；
图2是本申请实施例提供的更换纸币方法的流程示意图；
图3是本申请实施例提供的神经网络模型的网络架构示意图；
图4是本申请实施例提供的提取图像边缘轮廓的示意图；
图5是本申请实施例提供的更换纸币的流程示意图；
图6是本申请实施例提供的更换纸币的装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
纸币作为一种交易媒介，在流通过程中，会存在不同程度的破损情况。根据纸币的破损程度可以在银行更换为完整的新纸币。在更换过程中，破损的纸币需要满足一定的要求，目前主要通过人工采用一些设备进行面积测量及整理后对其进行更换。针对不同程度的破损，人工测量的方式费时费力，降低了整个银行的办事效率。为了解决更换纸币的处理过程繁琐且效率低的问题，本申请基于图像处理算法及神经网络模型对缺损纸币的特征学习，提出了一种更换纸币的方法，可以在无人为干预的情况下完成缺损纸币的检测和更换，极大的提升了更换纸币过程的处理效率。
下面介绍本申请更换纸币的方法的具体的应用场景及处理流程。参见图1，是本申请实施例提供的更换纸币应用场景架构示意图，终端设备设置有摄像装置，或者摄像装置单独设置在固定的支架上，通过有线或无线的方式与终端通信连接，此处不做具体限定；在与固定的摄像装置相对应的固定平台区域设置有放置待更换纸币的区域，如图1中所示的放置区域，放置区域可以设置为纯黑色背景，在指示放置区域的同时减少拍摄过程中的干扰信息。
终端设备通过相机获取待更换纸币的图像，并对图像进行预处理；其中预处理可以包括图像畸变的校正及图像的滤波处理等。经过预处理后，终端设备对获取的图像中纸币图像的位置信息进行检测及属性信息进行识别，以确定纸币图像的目标位置及纸币类型。终端设备根据纸币图像的目标位置提取纸币的边缘信息，以确定纸币图像的实际轮廓；并根据实际轮廓确定待更换纸币的面积；基于面积以及待更换纸币的纸币类型，确定相应的可以更换的纸币类型，并给出相应的文字或语音提示信息；整个更换纸币过程无需人为干预，提高了对存在缺损纸币的判定的准确性、便捷性，以及提高了更换纸币过程的处理效率。
可理解的，在确定可以更换纸币的纸币类型并给出提示信息后，用户确定更换后，终端设备将进一步提示需收回缺损纸币(即待更换纸币)，并可以输出相应的可以更换的纸币至用户，以完成整个更换纸币的过程，提高了银行等机构相关业务的办事效率，节省了大量的人力及时间。
以下将通过具体的实施例介绍本申请的具体实施步骤及过程。参见图2，是本申请实施例提供的更换纸币方法的流程示意图。如图2所示，该方法包括以下步骤：
步骤S201，获取待更换纸币的图像。
在一些实施例中，终端设备通过摄像装置获取待更换纸币的图像，待更换纸币为存在不同程度缺损的纸币；如图1所示，摄像装置可以为集成在终端设备上的摄像头，或者也可以为单独的相机，若为单独的相机可以通过有线或无线的方式与终端设备连接，将获取的图像传输至终端设备。摄像装置与放置待更换纸币的平台的相对位置固定，如图1所示，在固定的摄像装置的拍摄范围内设置固定的平台，平台上设置有固定的放置区域。其中，摄像装置可以设置在固定且已知的高度，以保证拍摄过程中相关参数的稳定性。
在一些实施例中，为确定平台上待更换纸币表面上某一点的位置与其在图像中对应点之间的关系，需要建立摄像装置成像的几何模型，几何模型的参数即为摄像机的参数。通过摄像装置在固定高度以不同角度拍摄多张图像，终端设备根据所拍摄的图片及放置平台上物体的位置关系对摄像装置的参数进行标定，以确定并获取摄像装置的内参矩阵和外参矩阵，以便后续对获取的图像进行测量和计算。其中，内参矩阵对应关联获取图像的径向和切向的畸变；外参矩阵关联图像所在相机坐标系与被拍摄物体所在的世界坐标系之间的转换，例如旋转矩阵和平移矩阵。
示例性的，终端设备可以通过图像标注工具进行相机标定，例如Matlab的图像标注工具(Camera Calibrator)。终端设备通过图像标注工具加载在固定高度以不同角度拍摄的多张图像，根据图像的像素坐标等信息进行内参和外参的计算，得到与相机相关的内参矩阵、外参矩阵以及畸变矩阵，并存储内参矩阵、外参矩阵以及畸变矩阵。
在一些实施例中，所获取的待更换纸币的图像可以为单张，也可以为多个角度或相同角度拍摄的多张；终端设备的摄像装置在保证拍摄高度不变的情况下，可以自动调整拍摄角度；在拍摄过程中还可以根据待更换纸币的大小自动调整焦距，以保证获取质量较高的图像。在获取到多张图像后，可以对多张图像进行合成，将每一张图像中局部质量高的部分进行合成，得到整张质量较高的图像。
作为示例而非限定，为节省硬件产品成本，本申请所述的通过摄像装置获取待更换纸币的图像，通过普通相机即可实现。终端设备可以是缺损纸币自动更换机，从而可以在无人工干预的情况下，完成该方法的更换任务。
步骤S202，识别图像，得到待更换纸币的缺损等级和纸币类型。
在一些实施例中，终端设备对获取的图像进行识别处理，并计算待更换纸币的缺损等级以及确定纸币类型。识别过程主要基于神经网络模型对图像进行特征学习，检测出待更换纸币在图像中的目标位置以及预测出待更换纸币的纸币类型。从而基于目标位置，进行纸币面积的测量，确定待更换纸币的实际面积。
终端设备存储有各种类型完整纸币的原始面积以及各类纸币分别对应的面值信息；缺损等级为待更换纸币的缺损程度，通过待更换纸币的实际面积所占与待更换纸币同种类型的纸币原始面积的比例评估待更换纸币的缺损等级。待更换纸币的纸币类型为待更换纸币的属性，例如纸币的发行时间、纸币的面值等。
在一些实施例中，识别图像，得到待更换纸币的缺损等级和纸币类型，包括：对图像进行畸变校正，得到校正后的图像；对校正后的图像进行滤波处理，得到滤波后的图像。
在一些实施例中，在保证低硬件成本的情况，所选择的拍摄装置的功能的局限性，所拍摄的图像存在一定畸变。终端设备在对拍摄装置进行标定后，可以获取拍摄装置的内参矩阵和外参矩阵。存在畸变的图像对后续测量及计算存在一定的影响，为降低后续测量的误差，终端设备根据拍摄装置的内参矩阵和外参矩阵，通过畸变校正算法对获取的图像进行校正。
示例性的，终端设备可以通过开源函数数据库OpenCV中的图像畸变校正函数undistort对图像进行校正。终端设备可以通过开源函数数据库OpenCV对接Matlab的接口，将得到的畸变矩阵加载到内存中，同时将获取的存在畸变的图像以及拍摄装置的内参矩阵、外参矩阵传入到图像畸变校正函数undistort，得到图像畸变校正函数undistort输出的校正后的图像；提高了对图像识别的准确度。
在一些实施例中，由于硬件的局限性以及拍摄环境的复杂性，终端设备通过拍摄装置获取的图像可能包含大量的噪点，噪点对后续的图像的一系列处理也存在一定影响，从而影响图像识别的准确度。终端设备通过开源函数数据库OpenCV中的高斯滤波函数(GaussianBlur函数)对校正后的图像进行滤波，得到滤波后的图像，降低图像中噪点对图像识别的影响，提高对图像识别的准确度。示例性的，滤波函数的滤波模板大小可以为11，滤波器的标准差可以设置为0；在保证终端设备对图像识别准确度的同时，使得处理器处于轻量的计算状态，提高数据处理的效率及响应速率。
在一些实施例中，识别图像，得到待更换纸币的缺损等级和纸币类型，包括：将滤波后的图像输入至训练后的神经网络模型，通过训练后的神经网络模型对滤波后的图像进行特征学习，得到由训练后的神经网络模型输出的待更换纸币的目标位置和预测结果；基于预测结果，确定待更换纸币的纸币类型；基于目标位置及待更换纸币的纸币类型，确定待更换纸币的缺损等级。
在一些实施例中，为了保证图像处理的准确度且不增加终端设备的运算负载，训练后的神经网络模型选择较轻量的网络架构。整个网络架构主要包括共享特征网络层、第一输出单元和第二输出单元。第一输出单元和第二输出单元为网络架构的两个输出分支，分别对应检测分支和属性分支。其中，检测分支用于输出在图像中待更换纸币的目标位置及预测结果，属性分支用于输出待更换纸币的属性特征。共享特征网络层用于提取多种特征(例如纹理特征、颜色特征以及深度特征等)，并通过神经网络模型中间层的各个卷积单元对多种特征的共享学习，训练及调整网络架构的参数。
在一些实施例中，训练后的神经网络模型包括共享特征网络层、检测分支和属性分支；共享特征网络层用于对输入的滤波后的图像的特征进行学习，得到用于目标位置检测的第一特征图和用于属性预测的第二特征图，并将第一特征图输入检测分支，将第二特征图输入属性分支；检测分支用于根据第一特征图输出目标位置和预测结果，属性分支用于根据第二特征图输出待更换纸币的属性。第一特征图和第二特征图分别为共享特征网络的卷积层通过对图像多种特征(包括图像的关键点等特征)的提取及共享学习分别得到的包含多种特征的图像。
| 参数名称 | 默认值 | 描述 |
| Input_size | 480x640 | 输入图片大小 |
| lr | 0.001 | 学习率 |
| epoch | 100000 | 迭代次数 |
| batch_size | 16 | 每次训练使用的图片个数 |
| optimizer | SGD | 优化器 |
表1
示例性的，终端设备采用基于Pytorch(一种开源的Python机器学习库)的深度学习框架对神经网络模型进行训练。如表1所示，神经网络模型的参数可以包括输入图片的大小Input_size、学习率lr、迭代次数epoch、每次训练使用的图片个数batch_size以及优化器optimizer所采用的算法；如表1所示的各个参数所定义的名称以及默认值。其中，输入图片大小的默认值以像素为单位表示；学习率参数决定神将网络模型的目标函数能否收敛到局部最小值以及何时收敛到最小值，用于控制神经网络模型学习的速度；迭代次数为基于样本图像训练集进行迭代训练的次数；优化器在训练过程中，采用随机梯度下降算法(Stochastic Gradient Descent，SGD)的优化方式，对输入的样本数据进行梯度更新，SGD作为深度学习的优化算法可以加快数据处理速度。
示例性的，如图3所示的，本申请实施例提供的神经网络模型的网络架构示意图。训练后的神经网络模型包括输入层、第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、第五卷积单元、第六卷积单元、检测分支和属性分支。其中，检测分支包括分类分支和回归分支，由分类分支根据共享特征网络层输出的第一特征图运算得到图像类型的预测结果，由回归分支根据共享特征网络层输出的第一特征图运算得到图像中待更换纸币的目标位置；属性分支包括第一属性分支和第二属性分支，第一属性分支包括第一全连接层和第一分类器，第二属性分支包括第二全连接层和第二分类器；由第一属性分支的第一全连接层和第一分类器根据共享特征网络层输出的第二特征图运算得到第一属性，由第二属性分支的第二全连接层和第二分类器根据共享特征网络层输出的第二特征图运算得到第二属性。
如图3所示，为实现对待更换纸币的实际面积的测量以及纸币类型的确认，终端设备通过训练后的神经网络模型对输入的图像进行特征共享学习，得到训练后的神经网络模型输出的待更换纸币在图像中的目标位置以及预测结果。预测结果为待更换纸币的纸币类型的预测结果，预测结果可以为输出的多个对应预设纸币类型的概率值，将预设纸币类型中概率值最大的类型作为待更换纸币的纸币类型。预设纸币类型可以包括根据纸币的面值进行划分的多种类型，例如十元、二十元、五十元、一百元等。
训练后的神经网络模型的中间层各个卷积单元对输入图像进行特征共享学习，检测目标位置的同时，对输入图像的类型进行预测，输出待更换纸币的预测结果。基于目标位置测量待更换纸币的实际面积，基于预测结果确定待更换纸币的纸币类型，基于存储的与待更换纸币相同类型的完整纸币的原始面积以及待更换纸币的实际面积确定待更换纸币的缺损等级。其中纸币类型可以根据纸币的面值进行划分的多种类型，例如十元、二十元、五十元、一百元等。另外，训练后的神经网络模型的网络架构的第二输出单元用于预测待更换纸币的属性。
在一些实施例中，如图3所示，第一输出单元作为检测分支，可以包括分类分支和回归分支，分类分支和回归分支分别采用不同的目标函数，分别输出待更换纸币的类型的预测结果和目标位置。属性分支包括第一属性分支和第二属性分支，第一属性分支包括第一全连接层和第一分类器，第二属性分支包括第二全连接层和第二分类器。第一分类器和第二分类器均可以采用softmax函数作为输出节点的激活函数，输出待更换纸币的第一属性和第二属性。其中第一属性可以为待更换纸币的方向，第二属性可以为待更换纸币的发行时间。
示例性的，表2示出了与图3相对应训练后的神经网络模型的各层具体结构，包括各个网络层名称、每个卷积层对应的滤波器个数、各个卷积层对应的卷积核大小以及输出结果的大小(如图像的像素尺寸或特征矩阵的大小)。
如表2所示，每一卷积单元对应包括一层或多层卷积层Convolution、池化层Maxpool；整个神经网络模型的输入大小为480*640，包括5次池化操作，通过每一卷积单元提取待更换纸币的图像的特征。
最后输出对应两路分支：检测分支和属性分支；检测分支Detection用于输出对待更换纸币的图像的检测结果，通过分类分支的分类函数和回归分支的回归函数依据共享特征网络层输出的第一特征图，分别运算并输出待更换纸币的预测结果和目标位置。
属性分支用于输出对待更换纸币的属性的预测结果，包括第一属性分支和第二属性分支，分别对应两层激活函数softmax的输出结果。其中，第一属性分支包括第一全连接层FC和第一分类器softmax，第二属性分支包括第二全连接层FC和第二分类器softmax。终端设备通过第一全连接层FC对共享特征网络层输出的第二特征图按权重整合，并将整合结果输入第一分类器softmax，由第一分类器softmax根据整合结果输出图像的第一属性的预测结果；通过第二全连接层FC对共享特征网络层输出的第二特征图按权重整合，并将整合结果输入第二分类器softmax，由第二第二分类器softmax根据整合结果输出图像的第二属性的预测结果。如表2所示，第一分类器(第26层)通过softmax函数运算并输出待更换纸币的方向属性，该层输出4个方向的概率值，选择其中最大的概率值对应的方向作为待更换纸币的方向，4个方向可以是以基于图像所在平面的直角坐标系的x+、x-、y+和y-四个方向，即x轴的正轴方向、x轴的负轴方向、y轴的正轴方向和y轴的负轴方向；还可以是设定的其它参量的方向，例如上、下、左、右等。第二分类器(第27层)通过softmax函数运算并输出待更换纸币的发行时间，N对应表示多种不同的纸币发行时间。
表2
以上所述的具体的神经网络模型，在可以很好的完成对待更换纸币图像检测和属性预测的情况下，采用了轻量的网络架构，很好的控制了终端设备处理图像时的运行负载，提高了在更换缺损纸币的过程中对图像识别的准确率、终端设备的响应速率以及纸币更换过程的处理效率。
可理解的，在获取的待更换纸币的图像不存在畸变或畸变所产生的误差在识别精度可接受的范围内，以及拍摄装置所获取的图像噪点在不影响后续测量计算的情况下，终端设备对待更换纸币的图像可以不经过畸变校正或滤波处理，直接将待更换纸币的图像输入至训练后的神经网络模型，由训练后的神经网络模型对待更换纸币的图像进行特征学习，确定图像中待更换纸币的目标位置及纸币类型，进一步基于目标位置和待更换纸币的纸币类型计算待更换纸币的缺损等级。
需要说明的是，上述纸币的币种可以是任意一种币种；在对神经网络模型训练的过程中，可以采用不同币种的样本纸币训练集对神经网络模型进行训练及参数的调整，得到训练后的神经网络模型。
在一些实施例中，基于目标位置及待更换纸币的纸币类型，确定待更换纸币的缺损等级，包括：提取目标位置处的纸币图像的边缘信息，得到纸币图像的实际轮廓；计算实际轮廓的实际面积；根据实际面积和待更换纸币的纸币类型对应的原始面积，确定待更换纸币的缺损等级；其中，原始面积为与待更换纸币相同纸币类型的整张纸币的面积。
在一些实施例中，通过上述神经网络模型确定了图像中待更换纸币的目标位置，基于目标位置测量待更换纸币的面积时，需要对确定的目标位置处的纸币图像进一步处理。
如图4所示的，本申请实施例提供的提取图像边缘轮廓的示意图。终端设备通过训练后的神经网络模型对待更换纸币的图像(如图4中的(a)图所示)进行特征学习后，确定待更换纸币在图像中的目标位置，如图4中的(b)图所示的，确定的矩形框中的待更换纸币的目标位置，目标位置中包括纸币图像，还包括背景信息。为了更好滤除背景信息对纸币图像的影响，准确获取待更换纸币的实际轮廓，终端设备通过边缘检测算法提取纸币图像中缺损纸币的边缘信息。
示例性的，终端设备通过开源函数数据库OpenCV中的边缘检测算子Canny算法实现对纸币图像的边缘检测。终端设备对纸币图像进行灰度处理及高斯滤波后，采用离散化梯度逼近函数根据二维灰度矩阵梯度向量检测纸币图像灰度矩阵的灰度跃变位置，然后在纸币图像中将这些位置的点连起来构成了边缘信息，边缘信息包括二维纸币图像上的边缘、角点、纹理等基元图。如图4中(c)图所示的纸币图像的边缘信息。为减少假边缘信息的数量，终端设备采用双阈值法的Canny算法，设置两个阈值，第一阈值和第二阈值，第一阈值大于第二阈值；通过第一阈值检测得到第一边缘图像，该第一边缘图像包括很少的假边缘信息，但是阈值较高，检测出的边缘信息可能不闭合，在将第一边缘图像中的边缘连接成轮廓，到达轮廓的端点时，在端点处的邻域中检测满足第二阈值的轮廓点，检测出新的边缘，直到使得整个边缘闭合，得到边缘信息完整的第二边缘图像。例如第一阈值可以设置为150，第二阈值设置为50。其中，闭合的边缘信息则构成了轮廓。
通过上述边缘检测算法，可以得到目标位置处纸币图像的边缘信息，终端设备基于边缘信息，对第二边缘图像进行图像膨胀和图像腐蚀的优化处理，降低图像中噪点干扰，使得第二边缘图像的边缘信息更加准确清晰。
在一些实施例中，提取目标位置处的纸币图像的边缘信息，得到纸币图像的实际轮廓，包括：通过边缘检测算法检测纸币图像的边缘信息，边缘信息包括若干个轮廓；计算若干个轮廓中每个轮廓的初始面积；将若干个轮廓中初始面积最大的轮廓作为实际轮廓。
在一些实施例中，检测出的纸币图像的闭合的边缘信息中包括多个轮廓，如图4中的(c)图所示，闭合的边缘信息构成多个不同的轮廓信息。
示例性的，终端设备将通过开源函数数据库OpenCV中的边缘检测算子Canny算法处理后的图像，对接开源函数数据库OpenCV中的检测轮廓函数findContours函数的接口，通过开源函数数据库OpenCV中的检测轮廓函数findContours函数完成轮廓的检测，输出轮廓检测结果。终端设备采用排序函数Sorted函数，对轮廓检测结果进行排序操作；然后调用OpenCV中的轮廓面积计算函数contourArea函数，计算所有轮廓的面积。如图4中的(d)所示，设置轮廓面积阈值，终端设备根据轮廓面积阈值过滤所有轮廓的面积，选择面积最大的轮廓作为待更换纸币的实际外轮廓；进一步，结合其他轮廓，得到待更换纸币的实际轮廓。
在一些实施例中，基于上述方式得到待更换纸币的实际轮廓，终端设备采用计算多边形面积的算法计算待更换纸币的实际轮廓的具体面积。
在一些实施例中，计算待更换纸币的实际轮廓的实际面积，包括：计算实际轮廓的长度，长度通过实际轮廓的轮廓点的数量表示；通过遍历实际轮廓的轮廓点，计算实际轮廓的实际面积。
在一种可能的实现方式中，终端设备采用叉乘法求任意多边形的面积，基于待更换纸币的实际轮廓的轮廓点的数目，计算得到待更换纸币的实际面积。首先，计算出实际轮廓的长度n，n为实际轮廓的轮廓点总数量，设置实际面积area的初始值为0；然后，遍历所有的轮廓点，通过公式j＝(i+1)％n计算参数j，其中，i为第i个轮廓点；进一步，根据公式area+＝corners[i][0]*corners[j][1]，计算出当前第一面积area，根据公式area-＝corners[j][0]*corners[i][1]计算出当前第二面积area，其中corners表示输入的所有轮廓点集合；直到遍历实际轮廓的所有的n个轮廓点之后，根据公式area＝abs(area)/2.0，求得第一面积或第二面积的绝对值，再通过绝对值除以2，计算出最终的待更换纸币实际轮廓的实际面积。
示例性的，计算待更换纸币的实际面积可以通过基于实际外轮廓计算出外轮廓的总面积，再计算纸币图像中存在缺损部分的轮廓的面积，由总面积减去缺损部分的面积，得到待更换纸币的实际面积。也可以通过上述方式，基于待更换纸币的实际轮廓(如图4所示的实际轮廓)计算得出待更换纸币的实际面积。
在一些实施例中，终端设备根据待更换纸币的实际面积和待更换纸币的纸币类型对应的原始面积，计算待更换纸币的缺损等级。根据实际面积除以原始面积的值，评估待更换纸币的缺损等级。例如，实际面积除以原始面积的值大于3/4时，则设定缺损等级为第一等级；实际面积除以原始面积的值大于或等于1/2，小于3/4时，则设定缺损等级为第二等级；实际面积除以原始的值小于1/2时，则设定缺损等级为第三等级。
可理解的，待更换之别的图像的背景可以为黑色，图4为便于说明，仅以白色背景示意性说明，在实际的应用处理过程中，可以选择任意颜色为拍摄图像的背景色，为便于图像处理，可以优先考虑选择以黑色为图像的背景颜色。
另外，图4仅示例性说明图像处理识别的过程，在终端设备内的实际处理过程是将图4中所描述的信息转化成计算机可处理的数据，以表示和计算图像的各特征信息，完成对图像中目标位置的检测、待更换纸币类型的识别以及待更换纸币缺损等级的计算等过程。
步骤S203，若缺损等级满足预设的更换标准，则根据预设的更换标准以及待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
在一些实施例中，若缺损等级满足预设的更换标准，则根据预设的更换标准以及待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，包括：若缺损等级满足第一预设阈值，则确定更换纸币的纸币类型为与待更换纸币相同类型的完整纸币；若缺损等级满足第二预设阈值，则确定更换纸币的纸币类型为面值为待更换纸币一半的完整纸币；其中，第一预设阈值小于第二预设阈值。
示例性的，第一预设阈值可以设置为1/4，当缺损等级小于1/4，即实际面积除以原始面积的值大于3/4时，缺损等级满足第一预设阈值，确定更换纸币的纸币类型为与待更换纸币相同类型的完整纸币；第二预设阈值可以设置为1/2，当缺损等级小于1/2，即实际面积除以原始面积的值大于或等于1/2、小于3/4时，缺损等级满足第二预设阈值，确定更换纸币的纸币类型为面值为待更换纸币一半的完整纸币。
在一些实施例中，终端设备在获取待更换纸币的缺损等级及待更换纸币的纸币类型后，确定出更换纸币的纸币类型。其中，预设更换标准依据缺损等级设定，例如缺损等级为第一等级时，对应的更换标准为更换与待更换纸币相同类型的完整纸币，则确定更换纸币的纸币类型为与待更换纸币相同类型的完整纸币；缺损等级为第二等级时，对应的更换标准为更换为面值为待更换纸币一半的完整纸币，则确定更换纸币的纸币类型为面值为待更换纸币一半的完整纸币。
示例性的，当缺损等级为第三等级时，即实际面积除以原始面积的值小于1/2时，不为该用户更换任何类型的纸币，并输出相应的不予更换纸币的提示信息。
通过本申请实施例，可以准去获取待更换纸币的实际面积和相关属性，通过训练后的神经网络模型对待更换纸币的图像的特征共享学习，可以获取待更换纸币在图像中的目标位置信息，以及待更换纸币的纸币类型，该纸币类型包括1元、5元、10元、20元、50元或100元等。并且，通过训练后的神经网络模型还可以确定待更换纸币的相关属性，例如得到待更换纸币当前的放置方向及其对应的发行年限等。进而，终端设备可以根据待更换纸币的实际面积为用户更换新的纸币，并输出更换纸币的提示信息。
参见图5，是本申请实施例提供的更换纸币的流程示意图。图5示出了更换纸币过程的整体处理流程，其中的原理与图2原理相同，在此不再赘述。如图5所示，该整体处理流程的执行主体为终端设备(包括摄像装置)，包括以下步骤：
步骤S51，获取待更换纸币的图像。
步骤S52，根据标定的相机参数，对图像进行畸变校正。
步骤S53，对畸变校正后的图像进行滤波处理。
步骤S54，对滤波后的图像进行位置检测及类型识别，得到纸币图像的目标位置和纸币类型。
步骤S55，基于目标位置检测纸币图像的边缘信息。
步骤S56，基于边缘信息获纸币图像的实际轮廓，并对纸币图像进行过滤。
步骤S57，测量实际轮廓的面积，并基于纸币类型对应的原始面积，确定待更换纸币的缺损等级。
步骤S58，基于缺损等级和预设的更换标准确认更换纸币的纸币类型并输出更换提示信息。
通过本申请实施例，终端设备可以获取待更换纸币的图像；对图像进行识别，得到待更换纸币的缺损等级和纸币类型；若缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型；通过对待更换纸币图像的识别，可以更加准确、快捷的确定待更换纸币的缺损等级和纸币类型，从而可以根据预设的更换标准以及待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，提高了纸币更换过程的处理效率，降低了工作人员的工作负担；不仅可以极大的提升银行人员的办公效率，而且可以极大的提升客户的体验效果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述更换纸币的方法，图6示出了本申请实施例提供的更换纸币的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该装置包括：
获取单元61，用于获取待更换纸币的图像；
处理单元62，用于识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；
输出单元63，用于若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
在一些实施例中，所述处理单元62包括校正模块和滤波模块。
校正模块用于对所述图像进行畸变校正，得到校正后的图像。
滤波模块用于对所述校正后的图像进行滤波处理，得到滤波后的图像。
在一些实施例中，所述处理单元62还包括模型计算模块、类型确认模块及缺损等级确认模块。
模型计算模块用于将所述滤波后的图像输入至训练后的神经网络模型，通过所述训练后的神经网络模型对所述滤波后的图像进行特征学习，得到由所述训练后的神经网络模型输出的所述待更换纸币的目标位置和预测结果。
类型确认模块用于基于所述预测结果，确定所述待更换纸币的纸币类型。
缺损等级确认模块用于基于所述目标位置及所述待更换纸币的纸币类型，确定所述待更换纸币的缺损等级。
在一些实施例中，模型计算模块的训练后的神经网络模型包括共享特征网络层、检测分支和属性分支；所述共享特征网络层用于对输入的所述滤波后的图像的特征进行学习，得到用于目标检测的第一特征图和用于属性预测的第二特征图，并将所述第一特征图输入所述检测分支，将所述第二特征图输入所述属性分支；所述检测分支用于根据所述第一特征图输出所述目标位置和所述预测结果，所述属性分支用于根据所述第二特征图输出待更换纸币的属性。
在一些实施例中，缺损等级确认模块还用于提取所述目标位置处的纸币图像的边缘信息，得到所述纸币图像的实际轮廓；计算所述实际轮廓的实际面积；根据所述实际面积和所述待更换纸币的纸币类型对应的原始面积，确定所述待更换纸币的缺损等级；其中，所述原始面积为与所述待更换纸币相同纸币类型的整张纸币的面积。
在一些实施例中，缺损等级确认模块还用于通过边缘检测算法检测所述纸币图像的边缘信息，所述边缘信息包括若干个轮廓；计算所述若干个轮廓中每个轮廓的初始面积；将所述若干个轮廓中所述初始面积最大的轮廓作为所述实际轮廓。
在一些实施例中，缺损等级确认模块还用于计算所述实际轮廓的长度，所述长度通过所述实际轮廓的轮廓点的数量表示；通过遍历所述实际轮廓的轮廓点，计算所述实际轮廓的实际面积。
在一些实施例中，输出单元63还用于若所述缺损等级满足第一预设阈值，则确定所述更换纸币的纸币类型为与所述待更换纸币相同类型的完整纸币；若所述缺损等级满足第二预设阈值，则确定所述更换纸币的纸币类型为面值为所述待更换纸币一半的完整纸币；其中，所述第一预设阈值小于所述第二预设阈值。
通过本申请实施例，终端设备可以获取待更换纸币的图像；对图像进行识别，得到待更换纸币的缺损等级和纸币类型；若缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型；通过对待更换纸币图像的识别，可以更加准确、快捷的确定待更换纸币的缺损等级和纸币类型，从而可以根据预设的更换标准以及待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，提高了纸币更换过程的处理效率，降低了工作人员的工作负担。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7为本申请一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个实施例中的步骤。
该终端设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的举例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (11)
1.一种更换纸币的方法，其特征在于，包括：
获取待更换纸币的图像；
识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；
若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
2.如权利要求1所述的方法，其特征在于，所述识别所述图像，得到所述待更换纸币的缺损等级和纸币类型，包括：
对所述图像进行畸变校正，得到校正后的图像；
对所述校正后的图像进行滤波处理，得到滤波后的图像。
3.如权利要求2所述的方法，其特征在于，所述识别所述图像，得到所述待更换纸币的缺损等级和纸币类型，包括：
将所述滤波后的图像输入至训练后的神经网络模型，通过所述训练后的神经网络模型对所述滤波后的图像进行特征学习，得到由所述训练后的神经网络模型输出的所述待更换纸币的目标位置和预测结果；
基于所述预测结果，确定所述待更换纸币的纸币类型；
基于所述目标位置及所述待更换纸币的纸币类型，确定所述待更换纸币的缺损等级。
4.如权利要求3所述的方法，其特征在于，所述训练后的神经网络模型包括共享特征网络层、检测分支和属性分支；
所述共享特征网络层用于对输入的所述滤波后的图像的特征进行学习，得到用于目标检测的第一特征图和用于属性预测的第二特征图，并将所述第一特征图输入所述检测分支，将所述第二特征图输入所述属性分支；
所述检测分支用于根据所述第一特征图输出所述目标位置和所述预测结果，所述属性分支用于根据所述第二特征图输出待更换纸币的属性。
5.如权利要求3所述的方法，其特征在于，所述基于所述目标位置及所述待更换纸币的纸币类型，确定所述待更换纸币的缺损等级，包括：
提取所述目标位置处的纸币图像的边缘信息，得到所述纸币图像的实际轮廓；
计算所述实际轮廓的实际面积；
根据所述实际面积和所述待更换纸币的纸币类型对应的原始面积，确定所述待更换纸币的缺损等级；
其中，所述原始面积为与所述待更换纸币相同纸币类型的整张纸币的面积。
6.如权利要求5所述的方法，其特征在于，所述提取所述目标位置处的纸币图像的边缘信息，得到所述纸币图像的实际轮廓，包括：
通过边缘检测算法检测所述纸币图像的边缘信息，所述边缘信息包括若干个轮廓；
计算所述若干个轮廓中每个轮廓的初始面积；
将所述若干个轮廓中所述初始面积最大的轮廓作为所述实际轮廓。
7.如权利要求5所述的方法，其特征在于，所述计算所述实际轮廓的实际面积，包括：
计算所述实际轮廓的长度，所述长度通过所述实际轮廓的轮廓点的数量表示；
通过遍历所述实际轮廓的轮廓点，计算所述实际轮廓的实际面积。
8.如权利要求1至7任一项所述的方法，其特征在于，所述若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型，包括：
若所述缺损等级满足第一预设阈值，则确定所述更换纸币的纸币类型为与所述待更换纸币相同类型的完整纸币；
若所述缺损等级满足第二预设阈值，则确定所述更换纸币的纸币类型为面值为所述待更换纸币一半的完整纸币；
其中，所述第一预设阈值小于所述第二预设阈值。
9.一种更换纸币的装置，其特征在于，包括：
获取单元，用于获取待更换纸币的图像；
处理单元，用于识别所述图像，得到所述待更换纸币的缺损等级和纸币类型；
输出单元，用于若所述缺损等级满足预设的更换标准，则根据预设的更换标准以及所述待更换纸币的缺损等级和纸币类型，确定更换纸币的纸币类型。
10.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011212365.2A CN112329845B (zh) | 2020-11-03 | 2020-11-03 | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011212365.2A CN112329845B (zh) | 2020-11-03 | 2020-11-03 | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329845A true CN112329845A (zh) | 2021-02-05 |
| CN112329845B CN112329845B (zh) | 2024-05-07 |
Family
ID=74323377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011212365.2A Active CN112329845B (zh) | 2020-11-03 | 2020-11-03 | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329845B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445340A (zh) * | 2021-12-24 | 2022-05-06 | 南京紫津融畅信息科技服务有限公司 | 一种钱捆检测方法、入库方法及相关装置 |
| CN117350985A (zh) * | 2023-10-24 | 2024-01-05 | 云途信息科技(杭州)有限公司 | 井盖病害检测方法、装置、计算机设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202995874U (zh) * | 2012-12-27 | 2013-06-12 | 中国计量学院 | 一种残缺纸币的检测装置 |
| CN103518228A (zh) * | 2011-03-18 | 2014-01-15 | 日立欧姆龙金融系统有限公司 | 纸张类处理装置、纸张类分类装置及纸张类分类系统 |
| CN204667527U (zh) * | 2015-06-18 | 2015-09-23 | 浙江维融电子科技股份有限公司 | 一种具有残币兑换功能的点验钞机 |
| CN106548202A (zh) * | 2016-10-25 | 2017-03-29 | 深圳怡化电脑股份有限公司 | 纸币币值识别方法和系统 |
| CN107610316A (zh) * | 2017-08-28 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 检测纸币缺损的方法、装置及终端设备 |
| US20180032805A1 (en) * | 2016-07-27 | 2018-02-01 | Nautilus Hyosung Inc. | Worn banknote identification method and atm using the same |
| CN107862685A (zh) * | 2017-11-03 | 2018-03-30 | 王美金 | 一种人工智能学习和识别蓝牙钱箱纸币张数的系统和方法 |
| CN108257292A (zh) * | 2018-02-06 | 2018-07-06 | 深圳怡化电脑股份有限公司 | 纸币分类回收方法、装置和系统以及存储介质 |
| KR20180078649A (ko) * | 2016-12-30 | 2018-07-10 | 주식회사 히타치터미널솔루션즈코리아 | 지폐처리장치의 고장예측정보 및 지폐유통정보 관리 시스템 |
| WO2019127075A1 (zh) * | 2017-12-27 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
| CN111738079A (zh) * | 2020-05-19 | 2020-10-02 | 武汉卓目科技有限公司 | 一种钞票面额识别方法及装置 |
-
2020
- 2020-11-03 CN CN202011212365.2A patent/CN112329845B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103518228A (zh) * | 2011-03-18 | 2014-01-15 | 日立欧姆龙金融系统有限公司 | 纸张类处理装置、纸张类分类装置及纸张类分类系统 |
| CN202995874U (zh) * | 2012-12-27 | 2013-06-12 | 中国计量学院 | 一种残缺纸币的检测装置 |
| CN204667527U (zh) * | 2015-06-18 | 2015-09-23 | 浙江维融电子科技股份有限公司 | 一种具有残币兑换功能的点验钞机 |
| US20180032805A1 (en) * | 2016-07-27 | 2018-02-01 | Nautilus Hyosung Inc. | Worn banknote identification method and atm using the same |
| CN106548202A (zh) * | 2016-10-25 | 2017-03-29 | 深圳怡化电脑股份有限公司 | 纸币币值识别方法和系统 |
| KR20180078649A (ko) * | 2016-12-30 | 2018-07-10 | 주식회사 히타치터미널솔루션즈코리아 | 지폐처리장치의 고장예측정보 및 지폐유통정보 관리 시스템 |
| CN107610316A (zh) * | 2017-08-28 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 检测纸币缺损的方法、装置及终端设备 |
| CN107862685A (zh) * | 2017-11-03 | 2018-03-30 | 王美金 | 一种人工智能学习和识别蓝牙钱箱纸币张数的系统和方法 |
| WO2019127075A1 (zh) * | 2017-12-27 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
| CN108257292A (zh) * | 2018-02-06 | 2018-07-06 | 深圳怡化电脑股份有限公司 | 纸币分类回收方法、装置和系统以及存储介质 |
| CN111738079A (zh) * | 2020-05-19 | 2020-10-02 | 武汉卓目科技有限公司 | 一种钞票面额识别方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445340A (zh) * | 2021-12-24 | 2022-05-06 | 南京紫津融畅信息科技服务有限公司 | 一种钱捆检测方法、入库方法及相关装置 |
| CN117350985A (zh) * | 2023-10-24 | 2024-01-05 | 云途信息科技(杭州)有限公司 | 井盖病害检测方法、装置、计算机设备及存储介质 |
| CN117350985B (zh) * | 2023-10-24 | 2024-04-19 | 云途信息科技(杭州)有限公司 | 井盖病害检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329845B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
| CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
| WO2021139494A1 (zh) | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 | |
| CN106920219A (zh) | 物品缺陷检测方法、图像处理系统与计算机可读记录介质 | |
| CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
| WO2004055735A1 (ja) | パターン識別方法、その装置及びそのプログラム | |
| CN106340044A (zh) | 摄像机外参自动标定方法及标定装置 | |
| CN104867225A (zh) | 一种纸币的面向识别方法及装置 | |
| CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
| CN109949227A (zh) | 图像拼接方法、系统及电子设备 | |
| CN108550166B (zh) | 一种空间目标图像匹配方法 | |
| CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
| CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
| CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
| CN113962306A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| CN112132812B (zh) | 证件校验方法、装置、电子设备及介质 | |
| CN112329845B (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 | |
| CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN107704797A (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
| CN115760808A (zh) | 平板玻璃尺寸测量方法、系统、装置及可读存储介质 | |
| CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
| CN104268550B (zh) | 特征提取方法及装置 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |